Umiejętności miękkie, których potrzebuje każdy analityk danych – KDnuggets

Zdjęcie autora
 

Znam tego gościa, który jest niesamowitym programistą. Ze względu na zmianę kariery wybrał Pythona, a potem dla zabawy szybko zaczął pracować nad JavaScriptem, Go, SQL i kilkoma innymi. I on też jest dobry, a nie tylko jeden z tych ludzi, którzy w CV umieszczają języki bez słowa „nie”. umiejętności analityka danych aby je wesprzeć.

Ale ma trudności ze znalezieniem pracy. Spotkałem go na kawie kilka tygodni temu i nasza rozmowa stała się inspiracją do napisania tego artykułu. Nie chcąc go zbytnio obrazić, wspomniałem o tym, jak przebiegła jego ostatnia rozmowa kwalifikacyjna. Pojawił się trochę za późno, nie wysłał później e-maila z podziękowaniami i chociaż poradził sobie z każdym problemem z kodowaniem, nie zajmował się pytaniami na tablicy dalej niż wypluwanie całkowicie poprawnej odpowiedzi.

„Kev” – powiedziałem do niego – „twoje kodowanie jest niewiarygodnie dobre. Każda firma byłaby szczęśliwa, gdyby zatrudniła Cię jako analityka danych. Ale musisz popracować nad swoimi umiejętnościami miękkimi.

Oto cztery kluczowe umiejętności miękkie, które polecam każdemu analitykowi danych, niezależnie od tego, czy chcesz rozpocząć pracę w terenie, awansować w swojej karierze, czy po prostu wykonać lepszą pracę.

 

Zdjęcie autora

Wszyscy myślą, że oznacza to umiejętność mówienia. Wręcz przeciwnie: dobra komunikacja polega na umiejętności słuchania, szczególnie w przypadku analityki danych.

Wyobraź sobie taki scenariusz: interesariusz, być może wiceprezes ds. marketingu, przychodzi do Ciebie z pytaniem dotyczącym kampanii, którą chce przeprowadzić. Jest tym podekscytowana i ma w głowie wizję, ale nie jest pewna, jak zmierzyć jej wpływ i jakich danych potrzebuje. Zamiast od razu zagłębiać się w szczegóły techniczne dotyczące sposobu pobierania danych lub modeli, których możesz użyć, najpierw słuchaj. Pozwól jej wyjaśnić swoje cele, obawy i to, co ma nadzieję osiągnąć w ramach kampanii.

Aktywnie słuchając, możesz zrozumieć szerszy kontekst jej prośby. Może nie szuka tylko prostej analizy, ale chce zrozumieć zachowania klientów lub podzielić odbiorców na segmenty w sposób, którego nie brała pod uwagę. Słuchając najpierw, możesz zapewnić rozwiązanie dostosowane do jej rzeczywistych potrzeb, a nie tylko początkowego zadania.

Komunikacja jest kluczowa w nauce o danych. Nie będziesz przez cały dzień pracować w ciemnej piwnicy, wpisując kod na klawiaturze; będziesz otrzymywać prośby, będziesz musiał przygotować prezentacje i porozmawiać z ludźmi. Jak w umiejętności analityka danych, musisz wiedzieć, jak się komunikować, aby odnieść sukces.

Ankieta StackOverflow 2023 Developer jest w rzeczywistości doskonałym przykładem zdolności adaptacyjnych. Autorzy przedstawili po raz pierwszy sekcję AI, wykazując niezwykłą zdolność przystosowania się do zmieniającego się krajobrazu rozwoju.

Sztuczna inteligencja to tylko jeden z przykładów. Analiza danych doskonale ilustruje to stare powiedzenie: jedyną stałą jest zmiana. Aby odnieść sukces jako analityk danych, musisz być gotowy na wyzwania.

Może to oznaczać wiele różnych rzeczy. Najbardziej oczywistym zastosowaniem jest możliwość łatwego uczenia się nowych technologii. Technologia chmury jest nowością. Sztuczna inteligencja jest nowa. FastAPI jest nowością. Trzeba nadążać za tym wszystkim.

Kolejnym zastosowaniem jest śledzenie sytuacji na rynku pracy. Ostatnio panuje tendencja nie tylko do bycia analitykiem danych w tradycyjnym tego słowa znaczeniu; wielu pracodawców oczekuje, że będziesz nosić wiele kapeluszy. Trzeba też być inżynierem danych, inżynierem uczenia maszynowego, a czasem nawet ekspertem dziedzinowym. Granice między tymi rolami zacierają się, a współcześni badacze danych często muszą łączyć zadania, które kiedyś były przydzielone do odrębnych ról.

Można to również rozumieć jako zrozumienie i uwzględnienie informacji zwrotnej. Jako badacze danych często budujemy modele lub rozwiązania w oparciu o pewne założenia lub zbiory danych. Ale nie zawsze działają zgodnie z oczekiwaniami. Możliwość dostosowania oznacza bezproblemowe podejście do tych opinii, powtarzanie modeli i ulepszanie ich w oparciu o wyniki z rzeczywistego świata.

Prawdopodobnie najgorszą, ale najważniejszą aplikacją jest możliwość dostosowania się do ryzyka zwolnienia lub zwolnienia. Lata 2021 i 2022 były dziwnymi latami dla siły roboczej, ponieważ mnóstwo dużych firm zwalniało ogromne grupy pracowników bez ostrzeżenia. Dobrym pomysłem jest przewidzenie takiego potencjalnego wyniku i przygotowanie się na niego.

Zdjęcie autora
 

Pamiętasz, jak gadałem o komunikacji? Praca zespołowa i współpraca mieszczą się w tym samym przedziale. Jako analityk danych nie współpracujesz tylko z innymi badaczami danych. Każdy uwielbia wszystko, co jest oparte na danych, więc będziesz odbiorcą dowolnej liczby próśb o utworzenie prezentacji, raportów i wykresów w programie PowerPoint.

Aby odnieść sukces, musisz dobrze bawić się z innymi. Projekty związane z analizą danych często obejmują współpracę z zespołami interdyscyplinarnymi, w tym analitykami biznesowymi, inżynierami i menedżerami produktu. Możliwość efektywnej współpracy gwarantuje, że rozwiązania z zakresu analityki danych będą zgodne z celami biznesowymi.

Na przykład, pełniąc jedną z moich poprzednich ról, zespół ds. produktu chciał wprowadzić nową funkcję w naszej aplikacji. Oczywiście potrzebne były dane na poparcie ich decyzji. Skontaktowali się ze mną i resztą zespołu zajmującego się analizą danych, aby uzyskać wgląd w zachowania użytkowników związane z podobnymi funkcjami.

Jednocześnie zespół marketingowy chciał wiedzieć, jak ta nowa funkcja może wpłynąć na zaangażowanie i utrzymanie użytkowników. Tymczasem zespół inżynierów musiał zrozumieć wymagania techniczne i wpływ, jaki będzie to miało na potoki danych.

Nasz zespół odegrał w tym kluczową rolę. Musieliśmy zebrać wymagania od zespołu ds. produktu, zapewnić spostrzeżenia zespołowi ds. marketingu i współpracować z zespołem inżynierów, aby zapewnić płynny przepływ danych. Wymaga to nie tylko wiedzy technicznej, ale także umiejętności zrozumienia potrzeb każdego zespołu, skutecznej komunikacji, a czasem mediacji między sprzecznymi interesami.

Wybieram drogę policyjną i nie wspominam rozwiązanie problemu jako najwyższą umiejętność miękką, ponieważ uważam, że jest nadużywana. Ale szczerze mówiąc, ciekawość sprowadza się do tego samego.

Jako analityk danych prawdopodobnie nie muszę Ci mówić, że napotkasz wiele problemów. Ale w istocie każdy problem jest tak naprawdę pytaniem.

„Nasi użytkownicy nie dokonują konwersji” zmienia się w „Jak możemy ulepszyć ten produkt?”

„Mój model nie podaje dokładnych przewidywań” zmienia się w „Co mogę zmienić, aby mój model był bardziej realistyczny?” 

„Nasza sprzedaż spadła w ostatnim kwartale” zmienia się w „Jakie czynniki wpłynęły na ten spadek i jak możemy im zaradzić?”

Każdy z tych problemów, jeśli podejdzie się do niego z ciekawym sposobem myślenia, przekształca się w pytanie wymagające zrozumienia i poprawy. Ciekawość skłania Cię do głębszego kopania, nie tylko akceptowania rzeczy za dobrą monetę, ale do ciągłego poszukiwania lepszych rozwiązań.

Kevin, jak wynika z mojego wstępu, był ogólnie ciekawą osobą. Ale z jakiegoś powodu, jeśli chodzi o analizę danych, miał włączone klapki. Każdy problem stał się gwoździem, który trzeba było rozwiązać młotkiem szyfrującym. Rzeczywistość jest taka, że ​​niewiele prac związanych z analityką danych można wykonać w ten sposób.

Podał mi przykład pytania, które niedawno zadano mu podczas rozmowy kwalifikacyjnej: „Zespół obsługi klienta otrzymuje skargi dotyczące procesu realizacji transakcji w witrynie. Jak byś się do tego odniósł?”

Kevin szczegółowo opowiedział, jak naprawi usterkę techniczną. Jednak odpowiedź, której szukał jego rozmówca, brzmiała: „Dlaczego użytkownicy uważają, że proces płatności jest uciążliwy?”

W prawdziwym świecie analityk danych musiałby zadać to pytanie, aby rozwiązać problem. Być może użytkownicy z określonego regionu borykają się z problemami związanymi z integracją lokalnej bramki płatniczej. A może mobilna wersja witryny nie jest tak przyjazna dla użytkownika, co prowadzi do porzucania koszyka.

Formułując problem w formie pytania, analityk danych nie poprzestaje tylko na zidentyfikowaniu problemu; zagłębiają się w „dlaczego” się za tym kryje. Takie podejście nie tylko prowadzi do bardziej skutecznych rozwiązań, ale także pozwala odkryć głębsze spostrzeżenia, które mogą wpłynąć na strategiczne decyzje.

Jest mnóstwo umiejętności miękkich, o których tutaj nie wspomniałem, takich jak empatia, odporność, zarządzanie czasem i krytyczne myślenie, żeby wymienić tylko kilka. Ale jeśli się nad tym zastanowić, wszystkie mieszczą się w tych nawiasach.

Komunikować się z ludźmi. Wiedz, jak się zmienić. Potrafić współpracować z innymi. I podchodź do problemów z ciekawością. Dzięki tym czterem umiejętnościom miękkim będziesz w stanie uporać się z każdym problemem, rozmową kwalifikacyjną lub błędem, który pojawi się na Twojej drodze.
 
 

Nate'a Rosidiego jest analitykiem danych i strategii produktu. Jest także adiunktem wykładającym analitykę i jest założycielem StrataScratch, platforma pomagająca analitykom danych przygotować się do rozmów kwalifikacyjnych z prawdziwymi pytaniami do wywiadów z czołowymi firmami. Połącz się z nim dalej Twitter: StrataScratch or LinkedIn.

• Dystrybucja treści i PR oparta na SEO. Uzyskaj wzmocnienie już dziś.
• PlatoData.Network Pionowe generatywne AI. Wzmocnij się. Dostęp tutaj.
• PlatoAiStream. Inteligencja Web3. Wiedza wzmocniona. Dostęp tutaj.
• PlatonESG. Węgiel Czysta technologia, Energia, Środowisko, Słoneczny, Gospodarowanie odpadami. Dostęp tutaj.
• Platon Zdrowie. Inteligencja w zakresie biotechnologii i badań klinicznych. Dostęp tutaj.
• Źródło: https://www.kdnuggets.com/soft-skills-every-data-scientist-needs?utm_source=rss&utm_medium=rss&utm_campaign=soft-skills-every-data-scientist-needs