ทักษะทางอารมณ์ที่นักวิทยาศาสตร์ข้อมูลทุกคนต้องการ - KDnuggets

เผยแพร่ซ้ำโดยเพลโต

ผู้ติดตาม: 0

Soft Skills ที่นักวิทยาศาสตร์ข้อมูลทุกคนต้องการ
ภาพโดยผู้เขียน

ฉันรู้จักผู้ชายคนนี้ที่เป็นผู้เขียนโค้ดที่น่าทึ่ง เขาเลือก Python ขึ้นมาเพื่อเปลี่ยนอาชีพ จากนั้นจึงรวม JavaScript, Go, SQL และอีกสองสามอย่างเข้าด้วยกันอย่างรวดเร็ว และเขาก็เป็นคนดีเช่นกัน ไม่ใช่แค่หนึ่งในคนที่ใส่ภาษาในเรซูเม่โดยไม่มีคำว่าไม่ ทักษะนักวิทยาศาสตร์ข้อมูล เพื่อสำรองข้อมูล

แต่เขามีเวลาที่ยากลำบากในการได้รับการว่าจ้าง ฉันพบเขาเพื่อดื่มกาแฟเมื่อสองสามสัปดาห์ก่อน และบทสนทนาของเราเป็นแรงบันดาลใจให้กับบทความนี้ โดยไม่อยากจะดูถูกเขามากเกินไป ฉันจึงหยิบยกขึ้นมาว่าการสัมภาษณ์ครั้งล่าสุดของเขาเป็นอย่างไร เขามาสายนิดหน่อย และไม่ได้ส่งอีเมลขอบคุณหลังจากนั้น และในขณะที่เขาจัดการกับปัญหาการเขียนโค้ดทุกครั้ง เขาไม่ได้ถามคำถามบนกระดานไวท์บอร์ดมากไปกว่าการพ่นคำตอบที่ถูกต้องสมบูรณ์แบบออกมา

“เคฟ” ฉันพูดกับเขา “การเขียนโค้ดของคุณดีอย่างไม่น่าเชื่อ บริษัทไหนๆ ก็คงโชคดีที่มีคุณเป็นนักวิทยาศาสตร์ด้านข้อมูล แต่คุณต้องพัฒนาทักษะด้านอารมณ์ของคุณ”

ต่อไปนี้เป็นทักษะด้านอารมณ์ที่สำคัญสี่ประการที่ฉันแนะนำสำหรับนักวิทยาศาสตร์ข้อมูลทุกคน ไม่ว่าคุณจะต้องการเข้าสู่วงการนี้ ก้าวหน้าในอาชีพการงาน หรือเพียงแค่ทำงานได้ดีขึ้น

Soft Skills ที่นักวิทยาศาสตร์ข้อมูลทุกคนต้องการ
ภาพโดยผู้เขียน

ทุกคนคิดว่านี่หมายถึงการรู้วิธีพูด ตรงกันข้าม: การสื่อสารที่ดีคือการรู้วิธีฟัง โดยเฉพาะในด้านวิทยาการข้อมูล

ลองนึกภาพสถานการณ์นี้: ผู้มีส่วนได้ส่วนเสียซึ่งอาจเป็นรองประธานฝ่ายการตลาดมาหาคุณพร้อมกับคำถามเกี่ยวกับแคมเปญที่เธอต้องการดำเนินการ เธอตื่นเต้นกับเรื่องนี้และมีวิสัยทัศน์อยู่ในใจ แต่ไม่แน่ใจว่าจะวัดผลกระทบได้อย่างไรหรือต้องการข้อมูลใดบ้าง แทนที่จะเจาะลึกถึงเทคนิคทันทีว่าคุณสามารถดึงข้อมูลหรือโมเดลใดที่คุณสามารถใช้ได้ในทันที คุณต้องฟังก่อน คุณปล่อยให้เธออธิบายเป้าหมาย ความกังวลของเธอ และสิ่งที่เธอหวังว่าจะบรรลุผลด้วยแคมเปญนี้

การตั้งใจฟังจะทำให้คุณเข้าใจบริบทที่กว้างขึ้นของคำขอของเธอ บางทีเธออาจไม่ได้เพียงแค่มองหาการวิเคราะห์ง่ายๆ แต่ต้องการเข้าใจพฤติกรรมของลูกค้าหรือแบ่งกลุ่มผู้ชมในแบบที่เธอไม่ได้คำนึงถึง การรับฟังก่อนจะทำให้คุณสามารถเสนอวิธีแก้ปัญหาที่เหมาะกับความต้องการที่แท้จริงของเธอ ไม่ใช่แค่งานเริ่มแรกเท่านั้น

การสื่อสารถือเป็นกุญแจสำคัญในวิทยาศาสตร์ข้อมูล คุณจะไม่ทำงานในห้องใต้ดินที่มืดโดยพิมพ์รหัสลงในคีย์บอร์ดตลอดทั้งวัน คุณจะได้รับคำขอและต้องรวบรวมการนำเสนอและจัดการกับผู้คน เช่นเดียวกับใน ทักษะการวิเคราะห์ข้อมูลคุณต้องรู้วิธีการสื่อสารจึงจะประสบความสำเร็จ

แบบสำรวจนักพัฒนา StackOverflow ปี 2023 เป็นตัวอย่างที่ดีเยี่ยมของความสามารถในการปรับตัว ผู้เขียนแนะนำเป็นครั้งแรก ส่วน AIซึ่งแสดงให้เห็นถึงความสามารถในการปรับตัวอย่างน่าทึ่งต่อภูมิทัศน์การพัฒนาที่เปลี่ยนแปลงไป

AI เป็นเพียงตัวอย่างหนึ่งเท่านั้น วิทยาศาสตร์ข้อมูลเป็นตัวอย่างที่ดีของสุภาษิตโบราณที่ว่า สิ่งเดียวที่คงที่คือการเปลี่ยนแปลง ในการเป็น Data Scientist ที่ประสบความสำเร็จ คุณต้องพร้อมที่จะลุยต่อ

นี่อาจหมายถึงสิ่งต่าง ๆ มากมาย แอปพลิเคชั่นที่ชัดเจนที่สุดคือสามารถเรียนรู้เทคโนโลยีใหม่ ๆ ได้อย่างง่ายดาย เทคโนโลยีคลาวด์เป็นสิ่งใหม่ เอไอเป็นสิ่งใหม่ FastAPI ใหม่ คุณต้องติดตามมันทั้งหมด

แอปพลิเคชั่นอื่นกำลังติดตามฉากการจ้างงาน เทรนด์ล่าสุดไม่ใช่แค่การเป็นนักวิทยาศาสตร์ข้อมูลในความหมายดั้งเดิมเท่านั้น นายจ้างหลายคนคาดหวังให้คุณสวมหมวกหลายใบ คุณต้องเป็นวิศวกรข้อมูล วิศวกรการเรียนรู้ของเครื่อง และบางครั้งก็เป็นผู้เชี่ยวชาญโดเมนด้วย เส้นแบ่งระหว่างบทบาทเหล่านี้เริ่มไม่ชัดเจน และนักวิทยาศาสตร์ด้านข้อมูลสมัยใหม่มักพบว่าตนเองกำลังยุ่งอยู่กับงานต่างๆ ที่ครั้งหนึ่งเคยถูกแยกออกเป็นบทบาทที่แยกจากกัน

คุณยังอาจหมายถึงการทำความเข้าใจและบูรณาการคำติชมได้ด้วย ในฐานะนักวิทยาศาสตร์ข้อมูล เรามักจะสร้างแบบจำลองหรือโซลูชันตามสมมติฐานหรือชุดข้อมูลบางอย่าง แต่มันไม่ได้ผลตามที่คาดหวังเสมอไป ความสามารถในการปรับตัวหมายถึงการรับฟังความคิดเห็นนี้อย่างก้าวกระโดด วนซ้ำโมเดลของคุณ และปรับปรุงตามผลลัพธ์ในโลกแห่งความเป็นจริง

แอปพลิเคชันที่แย่ที่สุดแต่สำคัญที่สุดคือการปรับตัวให้เข้ากับการถูกไล่ออกหรือเลิกจ้าง ปี 2021 และ 2022 เป็นปีที่แปลกสำหรับแรงงาน โดยบริษัทใหญ่ๆ จำนวนมากเลิกจ้างพนักงานจำนวนมากโดยไม่มีการเตือนล่วงหน้า เป็นความคิดที่ดีที่จะคาดการณ์ผลลัพธ์ที่อาจเกิดขึ้นและเตรียมพร้อมสำหรับมัน

Soft Skills ที่นักวิทยาศาสตร์ข้อมูลทุกคนต้องการ
ภาพโดยผู้เขียน

จำได้ไหมว่าฉันพูดถึงการสื่อสารอย่างไร? การทำงานเป็นทีมและการทำงานร่วมกันสอดคล้องกับกลุ่มเดียวกัน ในฐานะนักวิทยาศาสตร์ข้อมูล คุณไม่ได้ทำงานร่วมกับนักวิทยาศาสตร์ข้อมูลคนอื่นๆ เท่านั้น ใครๆ ก็ชอบทุกสิ่งที่มีข้อมูลสำรอง ดังนั้นคุณจะเป็นผู้รับคำขอจำนวนเท่าใดก็ได้เพื่อสร้างงานนำเสนอ PowerPoint รายงาน และกราฟ

เพื่อจะทำสิ่งนี้ให้สำเร็จได้ คุณต้องเล่นกับผู้อื่นให้ดี โครงการวิทยาศาสตร์ข้อมูลมักเกี่ยวข้องกับการทำงานร่วมกับทีมข้ามสายงาน รวมถึงนักวิเคราะห์ธุรกิจ วิศวกร และผู้จัดการผลิตภัณฑ์ ความสามารถในการทำงานร่วมกันอย่างมีประสิทธิภาพทำให้มั่นใจได้ว่าโซลูชันวิทยาศาสตร์ข้อมูลสอดคล้องกับวัตถุประสงค์ทางธุรกิจ

ตัวอย่างเช่น ในบทบาทก่อนหน้านี้ของฉัน ทีมผลิตภัณฑ์ต้องการแนะนำคุณลักษณะใหม่ในแอปของเรา แน่นอนว่าจำเป็นต้องมีข้อมูลเพื่อสนับสนุนการตัดสินใจของพวกเขา พวกเขาติดต่อฉันและทีมวิทยาศาสตร์ข้อมูลที่เหลือเพื่อขอข้อมูลเชิงลึกเกี่ยวกับพฤติกรรมผู้ใช้ที่เกี่ยวข้องกับฟีเจอร์ที่คล้ายกัน

ในเวลาเดียวกัน ทีมการตลาดต้องการทราบว่าคุณลักษณะใหม่นี้อาจส่งผลต่อการมีส่วนร่วมและการรักษาผู้ใช้อย่างไร ในขณะเดียวกัน ทีมวิศวกรจำเป็นต้องเข้าใจข้อกำหนดทางเทคนิคและวิธีที่ไปป์ไลน์ข้อมูลจะได้รับผลกระทบ

ทีมของเรากลายเป็นศูนย์กลางของสิ่งนี้ เราต้องรวบรวมข้อกำหนดจากทีมผลิตภัณฑ์ ให้ข้อมูลเชิงลึกแก่ทีมการตลาด และทำงานร่วมกับทีมวิศวกรเพื่อให้แน่ใจว่าการไหลของข้อมูลราบรื่น สิ่งนี้ไม่เพียงต้องการความเชี่ยวชาญทางเทคนิคเท่านั้น แต่ยังต้องมีความสามารถในการเข้าใจความต้องการของแต่ละทีม สื่อสารอย่างมีประสิทธิภาพ และบางครั้งก็เป็นสื่อกลางระหว่างผลประโยชน์ที่ขัดแย้งกัน

ฉันกำลังใช้เส้นทางตำรวจและไม่พูดถึง การแก้ปัญหา เป็นทักษะด้านอารมณ์ขั้นสูงสุดเพราะฉันคิดว่ามันถูกใช้มากเกินไป แต่จริงๆ แล้ว ความอยากรู้อยากเห็นก็เป็นสิ่งเดียวกัน

ในฐานะนักวิทยาศาสตร์ข้อมูล ฉันไม่จำเป็นต้องบอกคุณว่าคุณจะต้องพบกับปัญหามากมาย แต่โดยแก่นแท้แล้ว ทุกปัญหาล้วนเป็นคำถาม

“ผู้ใช้ของเราไม่ทำให้เกิด Conversion” กลายเป็น “เราจะทำให้ผลิตภัณฑ์นี้น่าสนใจยิ่งขึ้นได้อย่างไร”

“โมเดลของฉันไม่ให้การคาดการณ์ที่แม่นยำ” กลายเป็น “ฉันจะเปลี่ยนแปลงอะไรได้บ้างเพื่อทำให้โมเดลของฉันสมจริงมากขึ้น”

“ยอดขายของเราลดลงในไตรมาสที่แล้ว” กลายเป็น “ปัจจัยใดที่มีอิทธิพลต่อการลดลงนี้ และเราจะจัดการกับสิ่งเหล่านี้ได้อย่างไร”

ปัญหาแต่ละข้อเหล่านี้เมื่อถูกถามด้วยกรอบความคิดที่อยากรู้อยากเห็น จะกลายเป็นคำถามที่แสวงหาความเข้าใจและปรับปรุง ความอยากรู้อยากเห็นผลักดันให้คุณเจาะลึกมากขึ้น ไม่ใช่แค่ยอมรับสิ่งต่างๆ ตามมูลค่าที่กำหนด และแสวงหาแนวทางแก้ไขที่ดีกว่าอย่างต่อเนื่อง

จากคำนำของฉัน เควินเป็นคนอยากรู้อยากเห็นโดยทั่วไป แต่ด้วยเหตุผลบางอย่างเกี่ยวกับวิทยาศาสตร์ข้อมูล เขาจึงเปิดไฟกระพริบ ทุกปัญหากลายเป็นตะปูที่ต้องแก้ไขด้วยค้อนรหัส และความจริงก็คืองานวิทยาศาสตร์ข้อมูลไม่มากนักที่สามารถทำได้เช่นนั้น

เขายกตัวอย่างสิ่งที่เขาถูกถามในการสัมภาษณ์เมื่อเร็วๆ นี้แก่ฉัน: “ทีมสนับสนุนลูกค้าได้รับการร้องเรียนเกี่ยวกับกระบวนการชำระเงินของเว็บไซต์ คุณจะจัดการกับเรื่องนี้อย่างไร”

Kevin อธิบายรายละเอียดเกี่ยวกับวิธีแก้ไขข้อผิดพลาดทางเทคนิค แต่คำตอบที่ผู้สัมภาษณ์ของเขากำลังมองหาคือคำถามเช่น "เหตุใดผู้ใช้จึงพบว่ากระบวนการชำระเงินยุ่งยาก"

ในโลกแห่งความเป็นจริง นักวิทยาศาสตร์ข้อมูลจะต้องถามคำถามนี้เพื่อแก้ไขปัญหา บางทีผู้ใช้จากภูมิภาคใดภูมิภาคหนึ่งอาจประสบปัญหาเนื่องจากการบูรณาการเกตเวย์การชำระเงินในพื้นที่ หรือบางทีไซต์เวอร์ชันมือถืออาจไม่ใช้งานง่ายจนนำไปสู่การละทิ้งรถเข็น

ด้วยการตั้งปัญหาให้เป็นคำถาม นักวิทยาศาสตร์ด้านข้อมูลไม่เพียงแต่หยุดอยู่แค่การระบุปัญหาเท่านั้น พวกเขาเจาะลึกถึง 'ทำไม' ที่อยู่เบื้องหลัง แนวทางนี้ไม่เพียงแต่นำไปสู่โซลูชันที่มีประสิทธิภาพมากขึ้นเท่านั้น แต่ยังเผยให้เห็นข้อมูลเชิงลึกที่ลึกซึ้งยิ่งขึ้นซึ่งสามารถขับเคลื่อนการตัดสินใจเชิงกลยุทธ์ได้

มีทักษะด้านอารมณ์มากมายที่ฉันไม่ได้กล่าวถึงในที่นี้ เช่น ความเห็นอกเห็นใจ ความยืดหยุ่น การจัดการเวลา และการคิดอย่างมีวิจารณญาณ และอื่นๆ อีกมากมาย แต่ถ้าคุณลองคิดดู พวกมันทั้งหมดก็ตกอยู่ในวงเล็บเหล่านั้น

สื่อสารกับผู้คน รู้วิธีการเปลี่ยนแปลง สามารถทำงานร่วมกับผู้อื่นได้ และแก้ไขปัญหาด้วยความอยากรู้อยากเห็น ด้วยทักษะด้านอารมณ์ทั้งสี่นี้ คุณจะสามารถจัดการกับปัญหา การสัมภาษณ์งาน หรือข้อบกพร่องใดๆ ที่เข้ามาหาคุณได้

เนท โรซิดิ เป็นนักวิทยาศาสตร์ข้อมูลและในกลยุทธ์ผลิตภัณฑ์ เขายังเป็นผู้ช่วยศาสตราจารย์สอนการวิเคราะห์และเป็นผู้ก่อตั้ง StrataScratchซึ่งเป็นแพลตฟอร์มที่ช่วยให้นักวิทยาศาสตร์ด้านข้อมูลเตรียมพร้อมสำหรับการสัมภาษณ์ด้วยคำถามสัมภาษณ์จริงจากบริษัทชั้นนำ เชื่อมต่อกับเขาที่ ทวิตเตอร์: StrataScratch or LinkedIn.