Kỹ năng mềm mà mọi nhà khoa học dữ liệu đều cần – KDnuggets

Hình ảnh của Tác giả
 

Tôi biết anh chàng này là một lập trình viên xuất sắc. Anh ấy đã chọn Python để chuyển đổi nghề nghiệp của mình, sau đó nhanh chóng sử dụng JavaScript, Go, SQL và một số thứ khác chỉ để bắt đầu. Và anh ấy cũng tốt, không chỉ là một trong những người đưa ngôn ngữ vào sơ yếu lý lịch của họ mà không có kỹ năng nhà khoa học dữ liệu để hỗ trợ họ.

Nhưng anh ấy đang gặp khó khăn trong việc tuyển dụng. Tôi đã gặp anh ấy trong quán cà phê cách đây vài tuần và cuộc trò chuyện của chúng tôi đã truyền cảm hứng cho bài viết này. Không muốn xúc phạm anh ấy quá nhiều, tôi kể lại cuộc phỏng vấn gần đây nhất của anh ấy đã diễn ra như thế nào. Anh ấy đến hơi muộn một chút, sau đó anh ấy không gửi email cảm ơn và trong khi giải quyết mọi vấn đề về mã hóa, anh ấy không tham gia vào các câu hỏi trên bảng trắng hơn là đưa ra một câu trả lời hoàn toàn chính xác.

“Kev,” tôi nói với anh ấy, “mã hóa của anh tốt đến mức không thể tin được. Bất kỳ công ty nào cũng sẽ may mắn khi có bạn là nhà khoa học dữ liệu. Nhưng bạn cần phải rèn luyện các kỹ năng mềm của mình.”

Dưới đây là bốn kỹ năng mềm quan trọng mà tôi khuyên dùng cho mọi nhà khoa học dữ liệu, cho dù bạn muốn tham gia vào lĩnh vực này, thăng tiến trong sự nghiệp hay chỉ đơn giản là làm một công việc tốt hơn.

 

Hình ảnh của Tác giả

Mọi người đều nghĩ điều này có nghĩa là biết cách nói chuyện. Ngược lại: giao tiếp tốt là biết cách lắng nghe, đặc biệt là trong khoa học dữ liệu.

Hãy tưởng tượng kịch bản này: một bên liên quan, có thể là Phó Giám đốc tiếp thị, đến gặp bạn để hỏi về chiến dịch mà cô ấy muốn thực hiện. Cô ấy rất hào hứng với nó và có một tầm nhìn trong đầu, nhưng cô ấy không chắc chắn làm cách nào để đo lường tác động của nó hoặc những dữ liệu nào cô ấy cần. Thay vì ngay lập tức đi sâu vào các vấn đề kỹ thuật về cách bạn có thể lấy dữ liệu hoặc những mô hình nào bạn có thể sử dụng, trước tiên bạn hãy lắng nghe. Bạn để cô ấy giải thích mục tiêu, mối quan tâm của cô ấy và những gì cô ấy hy vọng đạt được với chiến dịch.

Bằng cách tích cực lắng nghe, bạn có thể hiểu được bối cảnh rộng hơn trong yêu cầu của cô ấy. Có thể cô ấy không chỉ tìm kiếm một phân tích đơn giản mà còn muốn hiểu hành vi của khách hàng hoặc phân khúc đối tượng theo cách mà cô ấy chưa từng cân nhắc. Bằng cách lắng nghe trước, bạn có thể đưa ra giải pháp phù hợp với nhu cầu thực tế của cô ấy chứ không chỉ là nhiệm vụ ban đầu.

Giao tiếp là chìa khóa trong khoa học dữ liệu. Bạn sẽ không làm việc trong tầng hầm tối tăm gõ mã vào bàn phím cả ngày; bạn sẽ nhận được yêu cầu và phải tập hợp các bài thuyết trình và giải quyết với mọi người. Như trong kỹ năng phân tích dữ liệu, bạn phải biết cách giao tiếp để thành công.

Cuộc khảo sát dành cho nhà phát triển StackOverflow 2023 thực sự là một ví dụ tuyệt vời về khả năng thích ứng. Lần đầu tiên tác giả giới thiệu phần AI, cho thấy khả năng thích ứng vượt trội với bối cảnh phát triển đang thay đổi.

AI chỉ là một ví dụ. Khoa học dữ liệu là một minh họa tuyệt vời cho câu ngạn ngữ cổ đó: hằng số duy nhất là sự thay đổi. Để trở thành một nhà khoa học dữ liệu thành công, bạn cần sẵn sàng đương đầu với những cú đấm.

Điều này có thể có nghĩa là nhiều thứ khác nhau. Ứng dụng rõ ràng nhất là có thể học công nghệ mới một cách dễ dàng. Công nghệ đám mây là mới. AI là mới. FastAPI là mới. Bạn cần phải theo kịp tất cả những điều đó.

Một ứng dụng khác là theo dõi tình hình việc làm. Xu hướng gần đây không chỉ là trở thành nhà khoa học dữ liệu theo nghĩa truyền thống; nhiều nhà tuyển dụng mong đợi bạn đội nhiều mũ. Bạn cũng phải là kỹ sư dữ liệu, kỹ sư máy học và đôi khi là chuyên gia về miền. Ranh giới giữa các vai trò này ngày càng mờ nhạt và các nhà khoa học dữ liệu hiện đại thường thấy mình phải giải quyết các nhiệm vụ từng được chia thành các vai trò riêng biệt.

Bạn cũng có thể hiểu nó có nghĩa là hiểu và tích hợp phản hồi. Là nhà khoa học dữ liệu, chúng tôi thường xây dựng mô hình hoặc giải pháp dựa trên các giả định hoặc bộ dữ liệu nhất định. Nhưng không phải lúc nào chúng cũng hoạt động như mong đợi. Khả năng thích ứng có nghĩa là tiếp nhận phản hồi này một cách dễ dàng, lặp lại các mô hình của bạn và cải thiện chúng dựa trên kết quả thực tế.

Có thể ứng dụng tồi tệ nhất nhưng quan trọng nhất là khả năng thích ứng với việc bị sa thải hoặc sa thải. Năm 2021 và 2022 là những năm kỳ lạ đối với lao động, với hàng loạt công ty lớn sa thải một lượng lớn nhân viên mà không hề có cảnh báo trước. Bạn nên lường trước kết quả tiềm năng này và sẵn sàng đón nhận nó.

Hình ảnh của Tác giả
 

Bạn có nhớ tôi đã nói về giao tiếp như thế nào không? Làm việc theo nhóm và cộng tác phù hợp với cùng một khung đó. Là một nhà khoa học dữ liệu, bạn không chỉ làm việc với các nhà khoa học dữ liệu khác. Mọi người đều yêu thích bất kỳ thứ gì được hỗ trợ dữ liệu, vì vậy bạn sẽ là người nhận được bất kỳ yêu cầu nào về việc tạo bản trình bày, báo cáo và biểu đồ PowerPoint.

Để làm được điều này thành công, bạn phải cư xử tử tế với người khác. Các dự án khoa học dữ liệu thường liên quan đến việc làm việc với các nhóm đa chức năng, bao gồm các nhà phân tích kinh doanh, kỹ sư và quản lý sản phẩm. Khả năng cộng tác hiệu quả sẽ đảm bảo rằng các giải pháp khoa học dữ liệu phù hợp với mục tiêu kinh doanh.

Ví dụ: ở một trong những vai trò trước đây của tôi, nhóm sản phẩm muốn giới thiệu một tính năng mới trong ứng dụng của chúng tôi. Rõ ràng, dữ liệu là cần thiết để ủng hộ quyết định của họ. Họ đã tiếp cận tôi và những người còn lại trong nhóm khoa học dữ liệu để tìm hiểu sâu hơn về hành vi của người dùng liên quan đến các tính năng tương tự.

Đồng thời, nhóm tiếp thị muốn biết tính năng mới này có thể ảnh hưởng như thế nào đến mức độ tương tác và giữ chân người dùng. Trong khi đó, nhóm kỹ thuật cần hiểu các yêu cầu kỹ thuật và đường ống dữ liệu sẽ bị ảnh hưởng như thế nào.

Nhóm của chúng tôi đã trở thành trung tâm của việc này. Chúng tôi phải thu thập các yêu cầu từ nhóm sản phẩm, cung cấp thông tin chuyên sâu cho nhóm tiếp thị và làm việc với nhóm kỹ thuật để đảm bảo luồng dữ liệu trôi chảy. Điều này không chỉ đòi hỏi chuyên môn kỹ thuật mà còn cả khả năng hiểu nhu cầu của từng nhóm, giao tiếp hiệu quả – và đôi khi là hòa giải giữa các xung đột lợi ích.

Tôi đang chọn con đường trốn tránh và không đề cập đến giải quyết vấn đề là kỹ năng mềm tối thượng vì tôi nghĩ nó bị lạm dụng quá mức. Nhưng thành thật mà nói, sự tò mò cũng có ý nghĩa tương tự.

Là một nhà khoa học dữ liệu, có lẽ tôi không cần phải nói với bạn rằng bạn sẽ gặp rất nhiều vấn đề. Nhưng cốt lõi của họ, mọi vấn đề thực sự là một câu hỏi.

“Người dùng của chúng tôi không chuyển đổi” trở thành “Làm cách nào chúng tôi có thể làm cho sản phẩm này hấp dẫn hơn?”

“Mô hình của tôi không đưa ra dự đoán chính xác” trở thành “Tôi có thể thay đổi điều gì để làm cho mô hình của mình thực tế hơn?” 

“Doanh số bán hàng của chúng tôi đã giảm trong quý vừa qua” trở thành “Yếu tố nào ảnh hưởng đến sự sụt giảm này và chúng tôi có thể giải quyết chúng như thế nào?”

Mỗi vấn đề này, khi được tiếp cận với tư duy tò mò, sẽ biến thành một câu hỏi nhằm tìm kiếm sự hiểu biết và cải thiện. Sự tò mò thúc đẩy bạn đào sâu hơn, không chỉ chấp nhận mọi thứ theo giá trị bề ngoài mà còn liên tục tìm kiếm các giải pháp tốt hơn.

Kevin, từ phần giới thiệu của tôi, nói chung là một người tò mò. Nhưng vì lý do nào đó khi nói đến khoa học dữ liệu, anh ấy đã chớp mắt. Mọi vấn đề đều trở thành một cái đinh phải được giải quyết bằng búa mã. Và thực tế là không có nhiều công việc về khoa học dữ liệu có thể được thực hiện theo cách đó.

Anh ấy đưa cho tôi một ví dụ về điều mà anh ấy được hỏi trong một cuộc phỏng vấn gần đây: “Nhóm hỗ trợ khách hàng đã nhận được nhiều khiếu nại về quy trình thanh toán của trang web. Bạn sẽ giải quyết vấn đề này như thế nào?”

Kevin tiếp tục chi tiết về cách anh ấy khắc phục trục trặc kỹ thuật. Nhưng câu trả lời mà người phỏng vấn anh đang tìm kiếm là một câu hỏi như "Tại sao người dùng lại thấy quy trình thanh toán rườm rà?"

Trong thế giới thực, một nhà khoa học dữ liệu sẽ cần đặt câu hỏi này để giải quyết vấn đề. Có thể người dùng từ một khu vực cụ thể đang gặp phải sự cố do tích hợp cổng thanh toán địa phương. Hoặc có lẽ phiên bản di động của trang web không thân thiện với người dùng, dẫn đến việc bỏ giỏ hàng.

Bằng cách đóng khung vấn đề dưới dạng một câu hỏi, nhà khoa học dữ liệu không chỉ dừng lại ở việc xác định vấn đề; họ đi sâu vào tìm hiểu 'lý do' đằng sau nó. Cách tiếp cận này không chỉ dẫn đến các giải pháp hiệu quả hơn mà còn khám phá những hiểu biết sâu sắc hơn có thể thúc đẩy các quyết định chiến lược.

Có rất nhiều kỹ năng mềm mà tôi chưa đề cập ở đây, như sự đồng cảm, khả năng phục hồi, quản lý thời gian và tư duy phê phán, cùng một số kỹ năng khác. Nhưng nếu bạn nghĩ về nó, tất cả chúng đều rơi vào những dấu ngoặc đó.

Giao tiếp với mọi người. Biết cách thay đổi. Có thể làm việc với những người khác. Và tiếp cận vấn đề với sự tò mò. Với bốn kỹ năng mềm đó, bạn sẽ có thể giải quyết mọi vấn đề, phỏng vấn xin việc hoặc lỗi xảy ra theo cách của bạn.
 
 

Nate Rosidi là một nhà khoa học dữ liệu và trong chiến lược sản phẩm. Anh ấy cũng là một giáo sư trợ giảng dạy phân tích và là người sáng lập StrataScratch, một nền tảng giúp các nhà khoa học dữ liệu chuẩn bị cho cuộc phỏng vấn của họ với các câu hỏi phỏng vấn thực tế từ các công ty hàng đầu. Kết nối với anh ấy trên Twitter: StrataScratch or LinkedIn.

• Phân phối nội dung và PR được hỗ trợ bởi SEO. Được khuếch đại ngay hôm nay.
• PlatoData.Network Vertical Generative Ai. Trao quyền cho chính mình. Truy cập Tại đây.
• PlatoAiStream. Thông minh Web3. Kiến thức khuếch đại. Truy cập Tại đây.
• Trung tâmESG. Than đá, công nghệ sạch, Năng lượng, Môi trường Hệ mặt trời, Quản lý chất thải. Truy cập Tại đây.
• PlatoSức khỏe. Tình báo thử nghiệm lâm sàng và công nghệ sinh học. Truy cập Tại đây.
• nguồn: https://www.kdnuggets.com/soft-skills-every-data-scientist-needs?utm_source=rss&utm_medium=rss&utm_campaign=soft-skills-every-data-scientist-needs