Mehke veščine, ki jih potrebuje vsak podatkovni znanstvenik – KDnuggets

Slika avtorja
 

Poznam tega tipa, ki je neverjeten koder. Za zamenjavo kariere je izbral Python, nato pa je hitro uporabil JavaScript, Go, SQL in nekaj drugih samo za zabavo. In tudi dober je, ni samo eden tistih ljudi, ki v življenjepisu jezike napišejo s št veščine podatkovnega znanstvenika da jih podprete.

Vendar se težko zaposli. Pred nekaj tedni sem se srečal z njim na kavi in ​​najin pogovor je navdihnil ta članek. Ne da bi ga preveč žalil, sem omenil, kako je potekal njegov zadnji intervju. Prišel je nekoliko pozno, pozneje ni poslal zahvalnega e-poštnega sporočila in čeprav je rešil vsako težavo s kodiranjem, se z vprašanji na tabli ni ukvarjal dlje kot izpljunil popolnoma pravilen odgovor.

»Kev,« sem mu rekel, »tvoje kodiranje je neverjetno dobro. Vsako podjetje bi bilo srečno, če bi vas imelo kot podatkovnega znanstvenika. Vendar moraš delati na svojih mehkih veščinah.”

Tukaj so štiri ključne mehke veščine, ki jih priporočam vsakemu podatkovnemu znanstveniku, ne glede na to, ali se želite podati na to področje, napredovati v svoji karieri ali samo bolje opravljati delo.

 

Slika avtorja

Vsi mislijo, da to pomeni znati govoriti. Ravno nasprotno: dobra komunikacija je povezana s tem, kako znati poslušati, zlasti v podatkovni znanosti.

Predstavljajte si ta scenarij: zainteresirana stran, morda podpredsednica marketinga, pride k vam z vprašanjem o kampanji, ki jo želi voditi. Nad tem je navdušena in ima v mislih vizijo, vendar ni prepričana, kako izmeriti njen vpliv ali katere podatke potrebuje. Namesto da bi se takoj potopili v tehnične podrobnosti, kako lahko pridobite podatke ali katere modele lahko uporabite, najprej poslušajte. Pustite ji, da pojasni svoje cilje, skrbi in kaj želi doseči s kampanjo.

Z aktivnim poslušanjem lahko razumete širši kontekst njene zahteve. Morda ne išče le preproste analize, ampak želi razumeti vedenje strank ali segmentirati občinstvo na način, ki ga ni upoštevala. Če ji najprej prisluhnete, lahko zagotovite rešitev, ki je prilagojena njenim dejanskim potrebam, ne le začetni nalogi.

Komunikacija je ključna v podatkovni znanosti. Ne boste delali v temni kleti in ves dan vnašali kode na tipkovnico; prejeli boste zahteve in morali sestaviti predstavitve ter se ukvarjati z ljudmi. Kot v veščine podatkovnega analitika, morate znati komunicirati, če želite uspeti.

Raziskava za razvijalce StackOverflow 2023 je pravzaprav odličen primer prilagodljivosti. Avtorji predstavljeni prvič razdelek AI, ki kaže izjemno prilagodljivost na spreminjajočo se krajino razvoja.

AI je samo en primer. Podatkovna znanost je tako odlična ilustracija starega pregovora: edina stalnica so spremembe. Če želite biti uspešen podatkovni znanstvenik, morate biti pripravljeni na udarce.

To lahko pomeni veliko različnih stvari. Najočitnejša uporaba je z lahkoto naučiti nove tehnologije. Tehnologija v oblaku je nova. AI je nov. FastAPI je nov. Morate biti v koraku z vsem tem.

Druga aplikacija je v koraku z zaposlitveno sceno. Trend v zadnjem času ni le biti podatkovni znanstvenik v tradicionalnem smislu; veliko delodajalcev pričakuje, da boste nosili veliko klobukov. Prav tako morate biti podatkovni inženir, inženir strojnega učenja in včasih celo strokovnjak za področje. Meje med temi vlogami se brišejo in sodobni podatkovni znanstveniki pogosto žonglirajo z nalogami, ki so bile nekoč ločene v ločene vloge.

To lahko razumete tudi kot razumevanje in vključevanje povratnih informacij. Kot podatkovni znanstveniki pogosto gradimo modele ali rešitve na podlagi določenih predpostavk ali naborov podatkov. Vendar ne delujejo vedno po pričakovanjih. Biti prilagodljiv pomeni, da te povratne informacije upoštevate, ponavljate svoje modele in jih izboljšujete na podlagi rezultatov iz resničnega sveta.

Morda najslabša, a najpomembnejša aplikacija je prilagodljivost na odpuščanje ali odpuščanje. Leto 2021 in 2022 sta bili čudni leti za delavstvo, saj je ogromno velikih podjetij brez opozorila odpuščalo veliko število zaposlenih. Dobro je predvideti ta možni izid in biti nanj pripravljen.

Slika avtorja
 

Se spomniš, kako sem razglabljal o komunikaciji? Timsko delo in sodelovanje spadata v ta isti okvir. Kot podatkovni znanstvenik ne delate samo z drugimi podatkovnimi znanstveniki. Vsi obožujejo vse, kar je podprto s podatki, zato boste prejeli poljubno število zahtev za izdelavo predstavitev, poročil in grafov PowerPoint.

Če želite to narediti uspešno, se morate z drugimi igrati prijazno. Projekti znanosti o podatkih pogosto vključujejo delo z medfunkcionalnimi skupinami, vključno s poslovnimi analitiki, inženirji in produktnimi vodji. Sposobnost učinkovitega sodelovanja zagotavlja, da so rešitve podatkovne znanosti usklajene s poslovnimi cilji.

Na primer, v eni od mojih prejšnjih vlog je skupina izdelkov želela uvesti novo funkcijo v naši aplikaciji. Očitno so bili za podporo njihove odločitve potrebni podatki. Za vpoglede v vedenje uporabnikov v zvezi s podobnimi funkcijami so se obrnili na mene in na preostalo skupino podatkovne znanosti.

Hkrati je marketinška ekipa želela vedeti, kako bi lahko ta nova funkcija vplivala na angažiranost in zadrževanje uporabnikov. Medtem je morala inženirska ekipa razumeti tehnične zahteve in kako bi to vplivalo na podatkovne cevi.

Naša ekipa je postala osrednja pri tem. Zbrati smo morali zahteve produktne ekipe, zagotoviti vpogled marketinški ekipi in sodelovati z inženirsko ekipo, da smo zagotovili nemoten pretok podatkov. To ne zahteva le tehničnega znanja, temveč tudi sposobnost razumevanja potreb vsake ekipe, učinkovitega komuniciranja – in včasih posredovanja med nasprotujočimi si interesi.

Ubiram pot izstopa in ne omenjam reševanje problema kot ultimativno mehko veščino, ker mislim, da se preveč uporablja. Ampak iskreno, radovednost pomeni isto.

Kot podatkovnemu znanstveniku vam verjetno ni treba povedati, da boste naleteli na veliko težav. Toda v svojem bistvu je vsak problem pravzaprav vprašanje.

»Naši uporabniki ne izvajajo konverzij,« postane »Kako lahko ta izdelek naredimo privlačnejši?«

»Moj model mi ne daje natančnih napovedi,« postane »Kaj lahko spremenim, da bo moj model bolj realističen?« 

»Naša prodaja je v zadnjem četrtletju padla,« postane »Kateri dejavniki so vplivali na ta upad in kako jih lahko obravnavamo?«

Vsaka od teh težav se, če se ji približamo z radovednim načinom razmišljanja, spremeni v vprašanje, ki išče razumevanje in izboljšave. Radovednost vas žene, da kopljete globlje, da stvari ne sprejemate le zares in da nenehno iščete boljše rešitve.

Kevin, iz mojega uvoda, je bil na splošno radovedna oseba. Toda iz nekega razloga, ko je prišlo do podatkovne znanosti, je imel prižgane utripalke. Vsak problem je postal žebelj, ki ga je bilo treba rešiti s kodnim kladivom. In resničnost je, da na ta način ni mogoče opraviti veliko podatkovne znanosti.

Povedal mi je primer nečesa, kar so ga pred kratkim vprašali na intervjuju: »Skupina za podporo strankam je prejemala pritožbe glede postopka nakupa na spletnem mestu. Kako bi se tega lotil?«

Kevin je podrobno opisal, kako bo popravil tehnično napako. Toda odgovor, ki ga je iskal njegov anketar, je bilo vprašanje, kot je: "Zakaj se uporabnikom zdi postopek nakupa okoren?"

V resničnem svetu bi moral podatkovni znanstvenik postaviti to vprašanje, da bi rešil težavo. Morda se uporabniki iz določene regije soočajo s težavami zaradi integracije lokalnega plačilnega prehoda. Ali pa morda mobilna različica spletnega mesta ni tako uporabniku prijazna, kar vodi v opustitev vozička.

Z oblikovanjem problema kot vprašanja se podatkovni znanstvenik ne ustavi le pri prepoznavanju problema; poglobijo se v "zakaj" za tem. Ta pristop ne vodi samo do učinkovitejših rešitev, ampak tudi odkriva globlje vpoglede, ki lahko vodijo strateške odločitve.

Obstaja ogromno mehkih veščin, ki jih tukaj nisem omenil, kot so empatija, odpornost, upravljanje časa in kritično razmišljanje, če naštejemo le nekatere. Ampak če dobro pomislite, vsi spadajo v te oklepaje.

Komunicirajte z ljudmi. Vedeti, kako se spremeniti. Bodite sposobni sodelovati z drugimi. In k težavam pristopite z radovednostjo. S temi štirimi mehkimi veščinami se boste lahko spopadli z vsako težavo, razgovorom za službo ali napako, ki vam pride naproti.
 
 

Nate Rosidi je podatkovni znanstvenik in v strategiji izdelkov. Je tudi izredni profesor, ki poučuje analitiko in je ustanovitelj StrataScratch, platforma, ki pomaga podatkovnim znanstvenikom pri pripravi na intervjuje z resničnimi vprašanji za intervjuje vrhunskih podjetij. Povežite se z njim Twitter: StrataScratch or LinkedIn.

• Distribucija vsebine in PR s pomočjo SEO. Okrepite se še danes.
• PlatoData.Network Vertical Generative Ai. Opolnomočite se. Dostopite tukaj.
• PlatoAiStream. Web3 Intelligence. Razširjeno znanje. Dostopite tukaj.
• PlatoESG. Ogljik, CleanTech, Energija, Okolje, sončna energija, Ravnanje z odpadki. Dostopite tukaj.
• PlatoHealth. Obveščanje o biotehnologiji in kliničnih preskušanjih. Dostopite tukaj.
• vir: https://www.kdnuggets.com/soft-skills-every-data-scientist-needs?utm_source=rss&utm_medium=rss&utm_campaign=soft-skills-every-data-scientist-needs