Навички програмного забезпечення, які потрібні кожному досліднику даних – KDnuggets

Зображення автора
 

Я знаю цього хлопця, який є неймовірним програмістом. Він вибрав Python для зміни кар’єри, а потім швидко перейшов на JavaScript, Go, SQL і кілька інших просто для розваги. І він також хороший, а не просто один із тих людей, які ставлять у своєму резюме мови без навички аналізу даних для їх резервного копіювання.

Але йому важко влаштуватися на роботу. Я зустрівся з ним за кавою кілька тижнів тому, і наша розмова надихнула цю статтю. Не бажаючи сильно його образити, я згадав, як пройшло його останнє інтерв’ю. Він з’явився трохи пізно, після цього він не надіслав електронного листа з подякою, і хоча він справлявся з кожною проблемою кодування, він не займався запитаннями на дошці, окрім того, як виплюнув абсолютно правильну відповідь.

«Кев, — сказав я йому, — твоє кодування неймовірно гарне. Будь-якій компанії пощастило б мати вас як науковця з даних. Але вам потрібно працювати над своїми навичками спілкування».

Ось чотири ключові навички м’якого спілкування, які я рекомендую кожному фахівцеві з обробки даних, незалежно від того, чи хочете ви працювати в цій галузі, просуватися в кар’єрі чи просто робити кращу роботу.

 

Зображення автора

Усі думають, що це означає вміти розмовляти. Це навпаки: хороша комунікація полягає в умінні слухати, особливо в науці про дані.

Уявіть такий сценарій: зацікавлена ​​сторона, можливо, віце-президент із маркетингу, приходить до вас із запитанням про кампанію, яку вона хоче провести. Вона в захваті від цього, і в її голові є бачення, але вона не впевнена, як виміряти його вплив або які дані їй потрібні. Замість того, щоб відразу занурюватися в технічні нюанси того, як ви можете отримувати дані або які моделі ви можете використовувати, ви спочатку слухаєте. Ви дозволяєте їй пояснити свої цілі, свої проблеми та те, чого вона сподівається досягти за допомогою кампанії.

Активно слухаючи, ви можете зрозуміти ширший контекст її прохання. Можливо, вона не просто шукає простий аналіз, а хоче зрозуміти поведінку клієнтів або сегментувати аудиторію так, як вона не розглядала. Вислухавши спочатку, ви можете запропонувати рішення, яке буде відповідати її реальним потребам, а не лише початковому завданню.

Комунікація є ключовою в науці про дані. Ви не будете працювати в темному підвалі, вводячи код на клавіатурі цілий день; ви отримуватимете запити, вам доведеться складати презентації та мати справу з людьми. А саме навички аналізу даних, ви повинні знати, як спілкуватися, щоб досягти успіху.

Опитування розробників StackOverflow 2023 насправді є чудовим прикладом адаптивності. Автори представлені вперше розділ AI, демонструючи чудову адаптивність до мінливого ландшафту розвитку.

ШІ – лише один приклад. Наука про дані є чудовою ілюстрацією старої приказки: єдина константа – це зміни. Щоб бути успішним науковцем з обробки даних, вам потрібно бути готовим до всіх ударів.

Це може означати багато різних речей. Найбільш очевидним застосуванням є можливість легко вивчати нові технології. Хмарна технологія нова. ШІ новий. FastAPI є новим. Ви повинні встигати за всім цим.

Інша програма — це не відставати від працевлаштування. Останнім часом тенденція полягає не лише в тому, щоб бути науковцем даних у традиційному розумінні; багато роботодавців очікують, що ви носите багато головних уборів. Ви також повинні бути інженером з обробки даних, інженером з машинного навчання, а іноді навіть експертом із домену. Межі між цими ролями стираються, і сучасні дослідники даних часто виявляють, що жонглюють завданнями, які колись були розділені на окремі ролі.

Ви також можете вважати, що це означає розуміння та інтегрування зворотного зв’язку. Як дослідники даних ми часто створюємо моделі або рішення на основі певних припущень або наборів даних. Але вони не завжди працюють, як очікувалося. Бути адаптованим означає спокійно сприймати цей відгук, повторювати свої моделі та вдосконалювати їх на основі реальних результатів.

Можливо, найгіршим, але найважливішим застосуванням є адаптація до звільнення або звільнення. 2021 і 2022 роки були дивними для праці: безліч великих компаній звільнили величезну кількість співробітників без попередження. Варто передбачити такий потенційний результат і бути до нього готовим.

Зображення автора
 

Пам'ятаєш, як я журився про спілкування? Командна робота та співпраця належать до цієї самої категорії. Як фахівець із обробки даних ви працюєте не лише з іншими спеціалістами з обробки даних. Кожен любить будь-що з підтримкою даних, тому ви будете одержувачем будь-якої кількості запитів на створення презентацій, звітів і графіків PowerPoint.

Щоб зробити це успішно, ви повинні грати добре з іншими. Проекти Data Science часто передбачають роботу міжфункціональних команд, зокрема бізнес-аналітиків, інженерів і менеджерів із продуктів. Можливість ефективної співпраці гарантує, що рішення з обробки даних відповідають цілям бізнесу.

Наприклад, на одній із моїх попередніх посад команда продукту хотіла представити нову функцію в нашому додатку. Очевидно, потрібні були дані, щоб підтвердити їхнє рішення. Вони звернулися до мене та решти команди з обробки даних, щоб дізнатися про поведінку користувачів, пов’язану з подібними функціями.

У той же час маркетингова команда хотіла знати, як ця нова функція може вплинути на залучення та утримання користувачів. Тим часом команді інженерів потрібно було зрозуміти технічні вимоги та те, як це вплине на канали даних.

Наша команда стала центральною в цьому. Нам довелося зібрати вимоги команди продукту, надати інформацію команді маркетингу та співпрацювати з командою інженерів, щоб забезпечити безперебійний потік даних. Це вимагає не лише технічного досвіду, але й здатності розуміти потреби кожної команди, ефективно спілкуватися, а інколи виступати посередником між суперечливими інтересами.

Я беру шлях відмови і не згадую вирішення проблем як найкращий soft skill, тому що я вважаю, що його використовують надмірно. Але, чесно кажучи, цікавість — це те ж саме.

Як досліднику даних, мені, ймовірно, не потрібно говорити вам, що ви зіткнетеся з багатьма проблемами. Але в своїй основі кожна проблема насправді є питанням.

«Наші користувачі не здійснюють конверсії» стає «Як ми можемо зробити цей продукт привабливішим?»

«Моя модель не дає мені точних прогнозів», стає «Що я можу змінити, щоб зробити свою модель більш реалістичною?» 

«Наші продажі впали в останньому кварталі», стає «Які фактори вплинули на це падіння і як ми можемо їх вирішити?»

Кожна з цих проблем, якщо підходити до неї з цікавим мисленням, перетворюється на запитання, яке вимагає розуміння та вдосконалення. Цікавість спонукає вас копати глибше, не просто приймати речі за чисту монету, а постійно шукати кращі рішення.

Кевін, з мого вступу, взагалі був цікавою людиною. Але чомусь, коли справа дійшла до науки про дані, у нього були включені мигалки. Кожна проблема ставала цвяхом, який потрібно було розв’язати кодовим молотком. І реальність така, що не так багато роботи з науки про дані можна зробити таким чином.

Він навів мені приклад того, що його нещодавно запитали під час співбесіди: «Команда підтримки клієнтів отримує скарги щодо процесу оформлення замовлення на веб-сайті. Як би ви відповіли на це?»

Кевін детально розповів, як він міг би виправити технічну помилку. Але відповіддю, яку шукав його інтерв’юер, було запитання на кшталт: «Чому користувачі вважають процес оплати громіздким?»

У реальному світі фахівець із обробки даних мав би поставити це запитання, щоб вирішити проблему. Можливо, користувачі з певного регіону стикаються з проблемами через інтеграцію локального платіжного шлюзу. Або, можливо, мобільна версія сайту не така зручна для користувачів, що призводить до відмови від кошика.

Формулюючи проблему як запитання, фахівець з обробки даних не зупиняється лише на визначенні проблеми; вони заглиблюються в «чому», що стоїть за цим. Цей підхід не тільки веде до більш ефективних рішень, але й розкриває глибші знання, які можуть керувати стратегічними рішеннями.

Є безліч навичок спілкування, про які я тут не згадував, як-от емпатія, стійкість, тайм-менеджмент і критичне мислення. Але якщо подумати, усі вони потрапляють у ці дужки.

Спілкуйтеся з людьми. Знати, як змінитися. Вміти працювати з іншими. І підходьте до проблем з цікавістю. Завдяки цим чотирьом м’яким навичкам ви зможете впоратися з будь-якою проблемою, співбесідою або помилкою, яка трапиться на вашому шляху.
 
 

Нейт Розіді є фахівцем із даних та стратегією продукту. Він також є ад’юнкт-професором, який викладає аналітику, і є засновником StrataScratch, платформа, яка допомагає науковцям з даних готуватися до інтерв’ю з реальними запитаннями для інтерв’ю від провідних компаній. Зв'яжіться з ним Twitter: StrataScratch or LinkedIn.

• Розповсюдження контенту та PR на основі SEO. Отримайте посилення сьогодні.
• PlatoData.Network Vertical Generative Ai. Додайте собі сили. Доступ тут.
• PlatoAiStream. Web3 Intelligence. Розширення знань. Доступ тут.
• ПлатонЕСГ. вуглець, CleanTech, Енергія, Навколишнє середовище, Сонячна, Поводження з відходами. Доступ тут.
• PlatoHealth. Розвідка про біотехнології та клінічні випробування. Доступ тут.
• джерело: https://www.kdnuggets.com/soft-skills-every-data-scientist-needs?utm_source=rss&utm_medium=rss&utm_campaign=soft-skills-every-data-scientist-needs