Soft Skills Every Data Scientist Needs - KDnuggets

افلاطون کے ذریعہ دوبارہ شائع کیا گیا۔

فالونگ: 0

سافٹ سکلز ہر ڈیٹا سائنسدان کی ضرورت ہوتی ہے۔
مصنف کی طرف سے تصویر

میں اس آدمی کو جانتا ہوں جو ایک ناقابل یقین کوڈر ہے۔ اس نے اپنے کیریئر کے سوئچ کے لیے ازگر کو اٹھایا، پھر جاوا اسکرپٹ، گو، ایس کیو ایل، اور کچھ دیگر پر صرف کک کے لیے اسٹیک کر دیا۔ اور وہ بھی اچھا ہے، نہ صرف ان لوگوں میں سے ایک جو اپنے تجربے کی فہرست میں زبانیں نمبر کے ساتھ ڈالتے ہیں۔ ڈیٹا سائنسدان کی مہارت ان کا بیک اپ لینے کے لیے۔

لیکن اسے ملازمت حاصل کرنے میں مشکل پیش آرہی ہے۔ میں نے چند ہفتے پہلے اس سے کافی کے لیے ملاقات کی تھی، اور ہماری گفتگو نے اس مضمون کو متاثر کیا۔ اس کی بہت زیادہ توہین کرنا چاہتے ہوئے بغیر، میں نے بتایا کہ اس کا آخری انٹرویو کیسے گزرا تھا۔ اس نے تھوڑی دیر سے ظاہر کیا تھا، اس کے بعد اس نے شکریہ ای میل نہیں بھیجا تھا، اور جب اس نے کوڈنگ کے ہر مسئلے کو حل کیا تھا، اس نے بالکل درست جواب دینے کے علاوہ وائٹ بورڈ کے سوالات کے ساتھ مزید مشغول نہیں کیا تھا۔

"کیو،" میں نے اس سے کہا، "آپ کی کوڈنگ ناقابل یقین حد تک اچھی ہے۔ کوئی بھی کمپنی آپ کو ڈیٹا سائنسدان کے طور پر حاصل کرنے میں خوش قسمت ہوگی۔ لیکن آپ کو اپنی نرم مہارتوں پر کام کرنے کی ضرورت ہے۔

یہ چار کلیدی نرم مہارتیں ہیں جو میں ہر ڈیٹا سائنسدان کے لیے تجویز کرتا ہوں، چاہے آپ میدان میں جانا چاہتے ہو، اپنے کیریئر میں آگے بڑھنا چاہتے ہو، یا صرف ایک بہتر کام کرنا چاہتے ہو۔

سافٹ سکلز ہر ڈیٹا سائنسدان کی ضرورت ہوتی ہے۔
مصنف کی طرف سے تصویر

ہر کوئی سوچتا ہے کہ اس کا مطلب ہے بات کرنا جاننا۔ یہ اس کے برعکس ہے: اچھی بات چیت یہ جاننا ہے کہ کس طرح سننا ہے، خاص طور پر ڈیٹا سائنس میں۔

اس منظر نامے کا تصور کریں: ایک اسٹیک ہولڈر، شاید مارکیٹنگ کا VP، آپ کے پاس اس مہم کے بارے میں سوال لے کر آتا ہے جو وہ چلانا چاہتی ہے۔ وہ اس کے بارے میں پرجوش ہے اور اس کے ذہن میں ایک وژن ہے، لیکن اسے یقین نہیں ہے کہ اس کے اثرات کی پیمائش کیسے کی جائے یا اسے کس ڈیٹا کی ضرورت ہے۔ آپ ڈیٹا کو کس طرح کھینچ سکتے ہیں یا آپ کون سے ماڈل استعمال کر سکتے ہیں اس کی تکنیکی خصوصیات میں فوری طور پر غوطہ لگانے کے بجائے، آپ پہلے سنیں۔ آپ اسے اس کے اہداف، اس کے خدشات، اور اس مہم کے ساتھ کیا حاصل کرنے کی امید رکھتے ہیں کی وضاحت کرنے دیں۔

فعال طور پر سن کر، آپ اس کی درخواست کے وسیع تر سیاق و سباق کو سمجھ سکتے ہیں۔ ہو سکتا ہے کہ وہ صرف ایک سادہ تجزیہ کی تلاش میں نہیں ہے بلکہ گاہک کے رویے کو سمجھنا چاہتی ہے یا سامعین کو اس طرح تقسیم کرنا چاہتی ہے جس پر اس نے غور نہیں کیا تھا۔ پہلے سن کر، آپ ایک ایسا حل فراہم کر سکتے ہیں جو اس کی اصل ضروریات کے مطابق ہو، نہ کہ صرف ابتدائی کام۔

ڈیٹا سائنس میں مواصلت کلیدی حیثیت رکھتی ہے۔ آپ پورے دن کی بورڈ میں تاریک تہہ خانے میں ٹائپنگ کوڈ میں کام نہیں کریں گے۔ آپ کو درخواستیں موصول ہوں گی اور آپ کو پیشکشیں جمع کرنی ہوں گی اور لوگوں سے ڈیل کرنی ہوگی۔ جیسا کہ ڈیٹا تجزیہ کار کی مہارت، آپ کو کامیابی کے لیے بات چیت کرنے کا طریقہ معلوم ہونا چاہیے۔

StackOverflow 2023 ڈیولپر سروے دراصل موافقت کی ایک بہترین مثال ہے۔ مصنفین نے پہلی بار متعارف کرایا ایک AI سیکشن، ترقی کے بدلتے ہوئے منظر نامے کے ساتھ قابل ذکر موافقت دکھا رہا ہے۔

AI صرف ایک مثال ہے۔ ڈیٹا سائنس اس پرانی کہاوت کی اتنی بڑی مثال ہے: صرف مستقل تبدیلی ہے۔ ایک کامیاب ڈیٹا سائنسدان بننے کے لیے، آپ کو پنچوں کے ساتھ رول کرنے کے لیے تیار رہنے کی ضرورت ہے۔

اس کا مطلب بہت سی مختلف چیزیں ہو سکتی ہیں۔ سب سے واضح ایپلیکیشن آسانی سے نئی ٹیک سیکھنے کے قابل ہے۔ کلاؤڈ ٹیکنالوجی نئی ہے۔ AI نیا ہے۔ FastAPI نیا ہے۔ آپ کو اس سب کو برقرار رکھنے کی ضرورت ہے۔

ایک اور درخواست روزگار کے منظر کو برقرار رکھتی ہے۔ حال ہی میں رجحان صرف روایتی معنوں میں ڈیٹا سائنسدان بننے کا نہیں ہے۔ بہت سے آجر آپ سے بہت سی ٹوپیاں پہننے کی توقع کرتے ہیں۔ آپ کو ڈیٹا انجینئر، مشین لرننگ انجینئر، اور بعض اوقات ڈومین کا ماہر بھی بننا پڑتا ہے۔ ان کرداروں کے درمیان کی لکیریں دھندلی ہوتی جا رہی ہیں، اور جدید ڈیٹا سائنسدان اکثر اپنے آپ کو ایسے کاموں کو پاتے ہیں جو کبھی الگ الگ کرداروں میں بند ہو چکے تھے۔

آپ اسے تاثرات کو سمجھنے اور انضمام کے معنی میں بھی لے سکتے ہیں۔ ڈیٹا سائنسدانوں کے طور پر، ہم اکثر کچھ مفروضوں یا ڈیٹا سیٹس کی بنیاد پر ماڈل یا حل بناتے ہیں۔ لیکن وہ ہمیشہ توقع کے مطابق کام نہیں کرتے۔ موافقت پذیر ہونے کا مطلب یہ ہے کہ اس فیڈ بیک کو تیز رفتاری سے لینا، اپنے ماڈلز پر اعادہ کرنا، اور حقیقی دنیا کے نتائج کی بنیاد پر ان میں بہتری لانا ہے۔

ممکنہ طور پر بدترین لیکن سب سے اہم ایپلیکیشن کو برطرف یا برطرف کرنے کے قابل بنایا جا رہا ہے۔ 2021 اور 2022 مزدوری کے لیے عجیب سال تھے، جس میں بڑی بڑی کمپنیوں نے بہت کم انتباہ کے ساتھ ملازمین کی بڑی تعداد کو فارغ کر دیا۔ اس ممکنہ نتائج کا اندازہ لگانا اور اس کے لیے تیار رہنا اچھا خیال ہے۔

سافٹ سکلز ہر ڈیٹا سائنسدان کی ضرورت ہوتی ہے۔
مصنف کی طرف سے تصویر

یاد ہے کہ میں نے مواصلت کے بارے میں کس طرح آواز اٹھائی؟ ٹیم ورک اور تعاون اسی بریکٹ میں فٹ بیٹھتے ہیں۔ ڈیٹا سائنسدان کے طور پر، آپ صرف دوسرے ڈیٹا سائنسدانوں کے ساتھ کام نہیں کرتے ہیں۔ ہر کسی کو ڈیٹا بیکڈ کوئی بھی چیز پسند ہوتی ہے، اس لیے آپ پاورپوائنٹ پریزنٹیشنز، رپورٹس اور گراف تیار کرنے کے لیے کسی بھی درخواست کے وصول کنندہ ہوں گے۔

کامیابی سے ایسا کرنے کے لیے، آپ کو دوسروں کے ساتھ اچھا کھیلنا ہوگا۔ ڈیٹا سائنس پروجیکٹس میں اکثر کراس فنکشنل ٹیموں کے ساتھ کام کرنا شامل ہوتا ہے، بشمول کاروباری تجزیہ کار، انجینئرز، اور پروڈکٹ مینیجرز۔ مؤثر طریقے سے تعاون کرنے کے قابل ہونا اس بات کو یقینی بناتا ہے کہ ڈیٹا سائنس کے حل کاروباری مقاصد کے مطابق ہوں۔

مثال کے طور پر، میرے پچھلے کرداروں میں سے ایک میں، پروڈکٹ ٹیم ہماری ایپ میں ایک نئی خصوصیت متعارف کروانا چاہتی تھی۔ ظاہر ہے، ان کے فیصلے کی حمایت کے لیے ڈیٹا کی ضرورت تھی۔ انہوں نے اسی طرح کی خصوصیات سے متعلق صارف کے رویے کے بارے میں بصیرت کے لیے مجھ سے اور باقی ڈیٹا سائنس ٹیم سے رابطہ کیا۔

اسی وقت، مارکیٹنگ ٹیم یہ جاننا چاہتی تھی کہ یہ نیا فیچر صارف کی مصروفیت اور برقرار رکھنے پر کیسے اثر انداز ہو سکتا ہے۔ دریں اثنا، انجینئرنگ ٹیم کو تکنیکی ضروریات کو سمجھنے کی ضرورت تھی اور ڈیٹا پائپ لائنز کیسے متاثر ہوں گی۔

ہماری ٹیم اس میں مرکزی بن گئی۔ ہمیں پروڈکٹ ٹیم سے ضروریات اکٹھی کرنی تھیں، مارکیٹنگ ٹیم کو بصیرت فراہم کرنی تھی، اور ہموار ڈیٹا کے بہاؤ کو یقینی بنانے کے لیے انجینئرنگ ٹیم کے ساتھ کام کرنا تھا۔ اس کے لیے نہ صرف تکنیکی مہارت کی ضرورت ہوتی ہے بلکہ ہر ٹیم کی ضروریات کو سمجھنے، مؤثر طریقے سے بات چیت کرنے اور بعض اوقات متضاد مفادات کے درمیان ثالثی کرنے کی صلاحیت بھی درکار ہوتی ہے۔

میں پولیس کا راستہ اختیار کر رہا ہوں اور ذکر نہیں کر رہا ہوں۔ مسائل کو حل کرنے حتمی نرم مہارت کے طور پر کیونکہ مجھے لگتا ہے کہ اس کا زیادہ استعمال ہوا ہے۔ لیکن ایمانداری سے، تجسس ایک ہی چیز کے برابر ہے۔

ایک ڈیٹا سائنسدان کے طور پر، مجھے شاید آپ کو یہ بتانے کی ضرورت نہیں ہے کہ آپ کو بہت سی پریشانیوں کا سامنا کرنا پڑے گا۔ لیکن ان کے مرکز میں، ہر مسئلہ درحقیقت ایک سوال ہے۔

"ہمارے صارفین تبدیل نہیں ہو رہے ہیں،" بن جاتا ہے "ہم اس پروڈکٹ کو مزید پرکشش کیسے بنا سکتے ہیں؟"

"میرا ماڈل مجھے درست پیشین گوئیاں نہیں دے رہا ہے،" بن جاتا ہے "میں اپنے ماڈل کو مزید حقیقت پسندانہ بنانے کے لیے کیا بدل سکتا ہوں؟"

"پچھلی سہ ماہی میں ہماری فروخت میں کمی آئی ہے،" بن جاتا ہے "اس کمی کو کن عوامل نے متاثر کیا اور ہم ان سے کیسے نمٹ سکتے ہیں؟"

ان میں سے ہر ایک مسئلہ، جب ایک متجسس ذہنیت کے ساتھ رابطہ کیا جاتا ہے، تو ایک ایسے سوال میں بدل جاتا ہے جو سمجھنے اور بہتری کی تلاش میں ہے۔ تجسس آپ کو گہرائی میں کھودنے کی طرف لے جاتا ہے، چیزوں کو صرف قیمت پر قبول نہیں کرتا ہے، اور مسلسل بہتر حل تلاش کرتا ہے۔

کیون، میرے تعارف سے، عام طور پر ایک متجسس شخص تھا۔ لیکن کسی وجہ سے جب ڈیٹا سائنس کی بات آئی تو اس کے پاس بلنکرز تھے۔ ہر مسئلہ ایک کیل بن گیا جسے کوڈ ہتھوڑے سے حل کرنا پڑا۔ اور حقیقت یہ ہے کہ ڈیٹا سائنس کا زیادہ کام اس طرح نہیں کیا جا سکتا۔

اس نے مجھے ایک ایسی چیز کی مثال دی جس سے حال ہی میں ایک انٹرویو میں پوچھا گیا تھا: "کسٹمر سپورٹ ٹیم کو ویب سائٹ کے چیک آؤٹ کے عمل کے بارے میں شکایات موصول ہو رہی ہیں۔ آپ اسے کیسے حل کریں گے؟"

کیون نے تفصیل سے بتایا کہ وہ تکنیکی خرابی کو کیسے ٹھیک کرے گا۔ لیکن اس کا انٹرویو لینے والا جس جواب کی تلاش کر رہا تھا وہ ایک سوال تھا، "صارفین کو چیک آؤٹ کے عمل کو بوجھل کیوں لگ رہا ہے؟"

حقیقی دنیا میں، ایک ڈیٹا سائنسدان کو مسئلہ کو حل کرنے کے لیے یہ سوال پوچھنے کی ضرورت ہوگی۔ ہوسکتا ہے کہ کسی مخصوص علاقے کے صارفین کو مقامی ادائیگی کے گیٹ وے کے انضمام کی وجہ سے مسائل کا سامنا ہو۔ یا شاید سائٹ کا موبائل ورژن اتنا صارف دوست نہیں ہے، جس کی وجہ سے کارٹ چھوڑ دیا جاتا ہے۔

مسئلہ کو ایک سوال کے طور پر بنا کر، ڈیٹا سائنسدان صرف مسئلے کی نشاندہی کرنے پر ہی نہیں رکتا؛ وہ اس کے پیچھے 'کیوں' کی تلاش کرتے ہیں۔ یہ نقطہ نظر نہ صرف زیادہ موثر حل کی طرف لے جاتا ہے بلکہ گہری بصیرت سے بھی پردہ اٹھاتا ہے جو اسٹریٹجک فیصلوں کو آگے بڑھا سکتا ہے۔

بہت ساری نرم مہارتیں ہیں جن کا میں نے یہاں ذکر نہیں کیا، جیسے ہمدردی، لچک، وقت کا نظم و نسق، اور تنقیدی سوچ، چند ایک کے نام۔ لیکن اگر آپ اس کے بارے میں سوچتے ہیں، تو وہ سب ان بریکٹ میں آتے ہیں۔

لوگوں کے ساتھ بات چیت کریں۔ تبدیل کرنے کا طریقہ جانیں۔ دوسروں کے ساتھ کام کرنے کے قابل ہو۔ اور تجسس کے ساتھ مسائل سے رجوع کریں۔ ان چار نرم مہارتوں کے ساتھ، آپ کسی بھی مسئلے، نوکری کے انٹرویو، یا مسئلے سے نمٹنے کے قابل ہو جائیں گے جو آپ کے راستے میں آتا ہے۔

نیٹ روزیدی ڈیٹا سائنسدان اور مصنوعات کی حکمت عملی میں ہے۔ وہ تجزیات کی تعلیم دینے والے ایک منسلک پروفیسر بھی ہیں، اور اس کے بانی ہیں۔ StrataScratch، ایک پلیٹ فارم جو ڈیٹا سائنسدانوں کو اعلی کمپنیوں کے حقیقی انٹرویو کے سوالات کے ساتھ ان کے انٹرویوز کی تیاری میں مدد کرتا ہے۔ اس کے ساتھ جڑیں۔ ٹویٹر: StrataScratch or لنکڈ.