每个数据科学家都需要的软技能 – KDnuggets

图片作者
 

我认识这个人，他是一位令人难以置信的编码员。 他选择了 Python 来进行职业转换，然后很快就开始学习 JavaScript、Go、SQL 和其他一些语言，只是为了好玩。 他也很优秀，不仅仅是那些把语言写进简历而没有语言的人之一。 数据科学家技能 支持他们。

但他很难被录用。 几周前我在喝咖啡时遇见了他，我们的谈话启发了这篇文章。 我不想过多地侮辱他，而是提到了他上次采访的情况。 他迟到了一点，事后他没有发送感谢电子邮件，虽然他解决了每个编码问题，但除了给出一个完全正确的答案外，他没有进一步参与白板问题。

“凯夫，”我对他说，“你的编码非常好。 任何公司如果有你这样的数据科学家都会很幸运。 但你需要锻炼你的软技能。”

以下是我向每位数据科学家推荐的四项关键软技能，无论您是想进入该领域、在职业生涯中取得进步，还是只是做得更好。

 

图片作者

每个人都认为这意味着知道如何说话。 恰恰相反：良好的沟通就是知道如何倾听，尤其是在数据科学领域。

想象一下这样的场景：一位利益相关者（可能是营销副总裁）向您提出有关她想要开展的活动的问题。 她对此感到兴奋，并且心中有一个愿景，但她不确定如何衡量其影响或她需要哪些数据。 您不必立即深入研究如何提取数据或可以使用哪些模型的技术细节，而是首先倾听。 你让她解释她的目标、她的担忧以及她希望通过竞选实现什么。

通过积极倾听，您可以了解她的请求的更广泛背景。 也许她不仅仅是在寻找简单的分析，而是想了解客户行为或以她没有考虑过的方式细分受众。 通过先倾听，您可以提供适合她实际需求的解决方案，而不仅仅是初始任务。

沟通是数据科学的关键。 你不会整天在黑暗的地下室里用键盘敲代码； 你会收到请求，必须整理演示文稿并与人打交道。 如在 数据分析师技能，你必须懂得如何沟通才能成功。

StackOverflow 2023 开发者调查实际上是适应性的一个很好的例子。 作者首次介绍 人工智能部分，表现出对不断变化的发展格局的卓越适应性。

人工智能只是一个例子。 数据科学很好地诠释了那句古老的格言：唯一不变的是变化。 要成为一名成功的数据科学家，您需要做好迎难而上的准备。

这可能意味着许多不同的事情。 最明显的应用是能够轻松学习新技术。 云技术是新技术。 人工智能是新事物。 FastAPI 是新的。 你需要跟上这一切。

另一个应用是跟上就业场景。 最近的趋势不仅仅是成为传统意义上的数据科学家；而是成为一名数据科学家。 许多雇主希望你身兼数职。 您还必须是数据工程师、机器学习工程师，有时甚至是领域专家。 这些角色之间的界限越来越模糊，现代数据科学家经常发现自己需要同时处理曾经被划分为不同角色的任务。

您也可以将其理解为理解和整合反馈。 作为数据科学家，我们经常根据某些假设或数据集构建模型或解决方案。 但它们并不总是按预期工作。 适应能力意味着从容地接受这些反馈，迭代你的模型，并根据现实世界的结果改进它们。

也许最糟糕但最重要的应用是适应被解雇或解雇。 2021 年和 2022 年对于劳工来说是奇怪的一年，大量大公司在没有任何预警的情况下解雇了大量员工。 预测这种潜在结果并为此做好准备是个好主意。

图片作者
 

还记得我如何喋喋不休地谈论沟通吗？ 团队合作和协作也属于同一范畴。 作为一名数据科学家，您不仅要与其他数据科学家合作。 每个人都喜欢有数据支持的任何东西，因此您将收到任意数量的制作 PowerPoint 演示文稿、报告和图表的请求。

为了成功地做到这一点，你必须与他人和睦相处。 数据科学项目通常涉及与跨职能团队合作，包括业务分析师、工程师和产品经理。 能够有效协作可确保数据科学解决方案与业务目标保持一致。

例如，在我之前的一个角色中，产品团队希望在我们的应用程序中引入一项新功能。 显然，需要数据来支持他们的决定。 他们向我和数据科学团队的其他成员寻求有关与类似功能相关的用户行为的见解。

同时，营销团队希望了解这一新功能如何影响用户参与度和保留率。 同时，工程团队需要了解技术要求以及数据管道将如何受到影响。

我们的团队成为了这一切的核心。 我们必须收集产品团队的需求，向营销团队提供见解，并与工程团队合作以确保数据流顺畅。 这不仅需要技术专业知识，还需要了解每个团队的需求、有效沟通的能力，有时还需要调解利益冲突的能力。

我采取逃避的方式，不提 问题解决 作为终极软技能，因为我认为它被过度使用了。 但老实说，好奇心也是一样的。

作为一名数据科学家，我可能不需要告诉您您会遇到很多问题。 但从本质上讲，每个问题实际上都是一个问题。

“我们的用户没有转化”变成了“我们怎样才能让这个产品更具吸引力？”

“我的模型没有给我准确的预测”变成了“我可以改变什么来使我的模型更现实？” 

“我们的销售额在上个季度有所下降”变成了“哪些因素影响了这种下降以及我们如何解决这些问题？”

当以好奇的心态来处理这些问题时，每个问题都会转化为寻求理解和改进的问题。 好奇心驱使你深入挖掘，不只是接受事物的表面价值，而是不断寻求更好的解决方案。

从我的介绍来看，凯文总体上是一个好奇的人。 但出于某种原因，当谈到数据科学时，他却睁开了眼。 每个问题都变成了必须用电锤来解决的钉子。 现实情况是，没有多少数据科学工作可以通过这种方式完成。

他给我举了一个他最近在采访中被问到的问题的例子：“客户支持团队一直收到有关网站结帐流程的投诉。 你会如何解决这个问题？

凯文继续详细介绍了他如何修复技术故障。 但他的面试官寻找的答案是这样的问题：“为什么用户觉得结帐过程很麻烦？”

在现实世界中，数据科学家需要提出这个问题来解决问题。 也许来自特定地区的用户因本地支付网关的集成而面临问题。 或者该网站的移动版本可能不太用户友好，导致放弃购物车。

通过将问题视为一个问题，数据科学家不仅仅停留在识别问题上；还停留在发现问题上。 他们深入研究其背后的“原因”。 这种方法不仅可以带来更有效的解决方案，还可以揭示可以推动战略决策的更深入的见解。

我在这里没有提到很多软技能，比如同理心、适应力、时间管理和批判性思维等等。 但如果你仔细想想，它们都属于这些括号。

与人沟通。 知道如何改变。 能够与他人合作。 并以好奇心解决问题。 有了这四项软技能，您将能够解决遇到的任何问题、工作面试或错误。
 
 

内特·罗西迪 是一名数据科学家和产品战略。 他也是教授分析学的兼职教授，并且是 地层划痕，一个帮助数据科学家准备面试的平台，回答来自顶级公司的真实面试问题。 与他联系 推特：StrataScratch or LinkedIn.

• SEO 支持的内容和 PR 分发。 今天得到放大。
• PlatoData.Network 垂直生成人工智能。 赋予自己力量。 访问这里。
• 柏拉图爱流。 Web3 智能。 知识放大。 访问这里。
• 柏拉图ESG。 碳， 清洁科技, 能源， 环境， 太阳能， 废物管理。 访问这里。
• 柏拉图健康。 生物技术和临床试验情报。 访问这里。
• Sumber: https://www.kdnuggets.com/soft-skills-every-data-scientist-needs?utm_source=rss&utm_medium=rss&utm_campaign=soft-skills-every-data-scientist-needs