Her Veri Bilimcisinin İhtiyaç Duyduğu Sosyal Beceriler – KDnuggets

Yazara göre resim
 

İnanılmaz bir kodlayıcı olan bu adamı tanıyorum. Kariyer değişikliği için Python'u seçti, ardından sırf eğlence olsun diye hızla JavaScript, Go, SQL ve diğer birkaç tanesine yöneldi. Ve o da iyi, sadece özgeçmişlerine hiçbir şey olmadan dil ekleyen insanlardan biri değil. veri bilimcisi becerileri onları yedeklemek için.

Ancak işe alınırken zorlanıyor. Birkaç hafta önce onunla kahve içmek için tanıştım ve sohbetimiz bu makaleye ilham verdi. Ona çok fazla hakaret etmek istemeden son röportajının nasıl geçtiğini anlattım. Biraz geç gelmişti, sonrasında bir teşekkür e-postası göndermemişti ve her kodlama probleminde başarılı olmasına rağmen, tamamen doğru bir cevap vermek dışında beyaz tahta sorularıyla ilgilenmemişti.

“Kev,” dedim ona, “kodlaman inanılmaz derecede iyi. Herhangi bir şirket, veri bilimci olarak size sahip olduğu için şanslı olacaktır. Ancak sosyal becerileriniz üzerinde çalışmanız gerekiyor.

İster alana girmek, ister kariyerinizde ilerlemek, ister sadece daha iyi bir iş yapmak isteyin, her veri bilimcisine önerdiğim dört temel sosyal beceriyi burada bulabilirsiniz.

 

Yazara göre resim

Herkes bunun nasıl konuşulacağını bilmek anlamına geldiğini düşünüyor. Tam tersi: İyi iletişim, özellikle veri biliminde, nasıl dinleyeceğini bilmekle ilgilidir.

Şu senaryoyu hayal edin: Bir paydaş, belki de pazarlamadan sorumlu bir başkan yardımcısı, yürütmek istediği bir kampanyayla ilgili bir soruyla size geliyor. Bu konuda heyecanlı ve kafasında bir vizyon var ancak bunun etkisini nasıl ölçeceğinden veya hangi verilere ihtiyacı olduğundan emin değil. Verileri nasıl çekebileceğinizin veya hangi modelleri kullanabileceğinizin teknik ayrıntılarına hemen dalmak yerine, önce dinlersiniz. Hedeflerini, endişelerini ve kampanyayla neyi başarmayı umduğunu açıklamasına izin verin.

Aktif olarak dinleyerek isteğinin daha geniş bağlamını anlayabilirsiniz. Belki sadece basit bir analiz aramıyor, müşteri davranışını anlamak veya hedef kitleyi daha önce düşünmediği bir şekilde segmentlere ayırmak istiyor. Önce dinleyerek, yalnızca başlangıçtaki göreve değil, gerçek ihtiyaçlarına göre uyarlanmış bir çözüm sağlayabilirsiniz.

Veri biliminde iletişim çok önemlidir. Bütün gün karanlık bir bodrum katında klavyeye kod yazarak çalışmayacaksınız; talepler alacaksınız ve sunumlar hazırlayıp insanlarla ilgilenmeniz gerekecek. De olduğu gibi veri analisti becerileriBaşarılı olmak için nasıl iletişim kuracağınızı bilmelisiniz.

StackOverflow 2023 Geliştirici anketi aslında uyarlanabilirliğin harika bir örneğidir. Yazarlar ilk kez tanıtıldı bir yapay zeka bölümüdeğişen gelişim ortamına dikkate değer bir uyum yeteneği gösteriyor.

Yapay zeka sadece bir örnek. Veri bilimi şu eski atasözünün harika bir örneğidir: Değişmeyen tek şey değişimdir. Başarılı bir veri bilimcisi olmak için zorluklara göğüs germeye hazır olmanız gerekir.

Bu birçok farklı anlama gelebilir. En belirgin uygulama yeni teknolojileri kolaylıkla öğrenebilmektir. Bulut teknolojisi yeni. Yapay zeka yeni. FastAPI yenidir. Bunların hepsine ayak uydurmanız gerekiyor.

Bir diğer uygulama ise istihdam sahnesine ayak uydurmak. Son zamanların trendi sadece geleneksel anlamda veri bilimci olmak değil; birçok işveren sizden birçok şapka takmanızı bekliyor. Ayrıca bir veri mühendisi, bir makine öğrenimi mühendisi ve hatta bazen bir alan uzmanı olmanız gerekir. Bu roller arasındaki çizgiler bulanıklaşıyor ve modern veri bilimcileri sıklıkla kendilerini bir zamanlar ayrı rollere bölünmüş görevleri hokkabazlık yaparken buluyorlar.

Bunu aynı zamanda geri bildirimi anlamak ve entegre etmek olarak da anlayabilirsiniz. Veri bilimcileri olarak genellikle belirli varsayımlara veya veri kümelerine dayalı modeller veya çözümler oluştururuz. Ancak her zaman beklendiği gibi çalışmazlar. Uyarlanabilir olmak, bu geri bildirimi dikkate almak, modellerinizi yinelemek ve onları gerçek dünyadaki sonuçlara göre geliştirmek anlamına gelir.

Muhtemelen en kötü ama en önemli uygulama kovulmaya veya işten çıkarılmaya uyarlanabilmektir. 2021 ve 2022, emek açısından tuhaf yıllar oldu; tonlarca büyük şirket, çok sayıda çalışanı çok az uyarıyla işten çıkardı. Bu potansiyel sonucu öngörmek ve buna hazır olmak iyi bir fikirdir.

Yazara göre resim
 

İletişim konusunu nasıl tartıştığımı hatırlıyor musun? Ekip çalışması ve işbirliği aynı çerçeveye sığar. Bir veri bilimci olarak yalnızca diğer veri bilimcilerle çalışmazsınız. Herkes veri destekli her şeyi sever; dolayısıyla PowerPoint sunumları, raporlar ve grafikler oluşturmaya yönelik her türlü talebin alıcısı olacaksınız.

Bunu başarılı bir şekilde yapmak için başkalarıyla iyi oynamanız gerekir. Veri bilimi projeleri genellikle iş analistleri, mühendisler ve ürün yöneticileri dahil olmak üzere işlevler arası ekiplerle çalışmayı içerir. Etkili bir şekilde işbirliği yapabilmek, veri bilimi çözümlerinin iş hedefleriyle uyumlu olmasını sağlar.

Örneğin, önceki görevlerimden birinde ürün ekibi uygulamamıza yeni bir özellik eklemek istiyordu. Açıkçası, kararlarını desteklemek için verilere ihtiyaç vardı. Benzer özelliklerle ilgili kullanıcı davranışları hakkında bilgi almak için bana ve veri bilimi ekibinin geri kalanına başvurdular.

Aynı zamanda pazarlama ekibi, bu yeni özelliğin kullanıcı etkileşimini ve kullanıcıyı elde tutmayı nasıl etkileyebileceğini bilmek istiyordu. Bu arada mühendislik ekibinin teknik gereksinimleri ve veri hatlarının nasıl etkileneceğini anlaması gerekiyordu.

Ekibimiz bunun merkezi haline geldi. Sorunsuz veri akışını sağlamak için ürün ekibinden gereksinimleri toplamamız, pazarlama ekibine içgörüler sunmamız ve mühendislik ekibiyle birlikte çalışmamız gerekiyordu. Bu sadece teknik uzmanlık değil aynı zamanda her ekibin ihtiyaçlarını anlama, etkili iletişim kurma ve bazen çatışan çıkarlar arasında arabuluculuk yapma becerisini de gerektirir.

Kaçış yolunu seçiyorum ve bahsetmiyorum problem çözme Nihai sosyal beceri olarak görüyorum çünkü aşırı kullanıldığını düşünüyorum. Ama dürüst olmak gerekirse merak da aynı anlama geliyor.

Bir veri bilimci olarak pek çok sorunla karşılaşacağınızı muhtemelen söylememe gerek yok. Ancak özünde her sorun aslında bir sorudur.

"Kullanıcılarımız dönüşüm gerçekleştirmiyor" ifadesi, "Bu ürünü nasıl daha çekici hale getirebiliriz?" haline gelir.

"Modelim bana doğru tahminler vermiyor" ifadesi "Modelimi daha gerçekçi hale getirmek için neyi değiştirebilirim?" 

"Satışlarımız son çeyrekte düştü", "Bu düşüşü hangi faktörler etkiledi ve bunlarla nasıl başa çıkabiliriz?"

Bu sorunların her biri meraklı bir bakış açısıyla yaklaşıldığında anlaşılmaya ve geliştirilmeye çalışılan bir soruya dönüşür. Merak sizi daha derine inmeye, olayları sadece göründüğü gibi kabul etmeye değil, sürekli olarak daha iyi çözümler aramaya iter.

Kevin genel olarak meraklı bir insandı. Ancak konu veri bilimi olduğunda bazı nedenlerden dolayı at gözlüğü takıyordu. Her sorun, kod çekiciyle çözülmesi gereken bir çiviye dönüştü. Ve gerçek şu ki veri bilimi çalışmalarının pek çoğu bu şekilde yapılamaz.

Geçenlerde bir röportajda kendisine sorulan bir şeyin örneğini bana verdi: “Müşteri destek ekibi, web sitesinin ödeme süreciyle ilgili şikayetler alıyor. Bu konuyu nasıl ele alırsınız?

Kevin teknik aksaklığı nasıl düzelteceğini ayrıntılı olarak anlattı. Ancak görüşmecinin aradığı cevap şuna benzer bir soruydu: "Kullanıcılar ödeme sürecini neden hantal buluyor?"

Gerçek dünyada, bir veri bilimcinin sorunu çözmek için bu soruyu sorması gerekir. Belki belirli bir bölgedeki kullanıcılar, yerel ödeme ağ geçidinin entegrasyonu nedeniyle sorunlarla karşılaşıyor olabilir. Veya belki de sitenin mobil sürümü o kadar kullanıcı dostu değildir ve bu da alışveriş sepetinin terk edilmesine yol açmaktadır.

Sorunu bir soru olarak çerçeveleyen veri bilimci, yalnızca sorunu tanımlamakla kalmaz; arkasındaki 'neden'i araştırırlar. Bu yaklaşım yalnızca daha etkili çözümlere yol açmakla kalmaz, aynı zamanda stratejik kararları yönlendirebilecek daha derin içgörüleri de ortaya çıkarır.

Empati, dayanıklılık, zaman yönetimi ve eleştirel düşünme gibi burada bahsetmediğim tonlarca sosyal beceri var. Ama düşünürseniz hepsi bu parantez içine giriyor.

İnsanlarla iletişim kurmak. Nasıl değişeceğinizi bilin. Başkalarıyla çalışabilmek. Ve sorunlara merakla yaklaşın. Bu dört sosyal beceriyle, karşınıza çıkan her türlü sorunu, iş görüşmesini veya hatayı çözebileceksiniz.
 
 

Nate Rosidi bir veri bilimcisi ve ürün stratejisidir. Aynı zamanda analitik öğreten bir yardımcı profesördür ve kurucusudur. StrataScratch, veri bilimcilerinin en iyi şirketlerden gelen gerçek röportaj sorularıyla röportajlarına hazırlanmalarına yardımcı olan bir platform. onunla bağlantı kurun Twitter: StrataScratch or LinkedIn.

• SEO Destekli İçerik ve Halkla İlişkiler Dağıtımı. Bugün Gücünüzü Artırın.
• PlatoData.Network Dikey Üretken Yapay Zeka. Kendine güç ver. Buradan Erişin.
• PlatoAiStream. Web3 Zekası. Bilgi Genişletildi. Buradan Erişin.
• PlatoESG. karbon, temiz teknoloji, Enerji, Çevre, Güneş, Atık Yönetimi. Buradan Erişin.
• PlatoSağlık. Biyoteknoloji ve Klinik Araştırmalar Zekası. Buradan Erişin.
• Kaynak: https://www.kdnuggets.com/soft-skills-every-data-scientist-needs?utm_source=rss&utm_medium=rss&utm_campaign=soft-skills-every-data-scientist-needs