Sbírky

Co podniky hledají při najímání datových vědců

Co podniky hledají při najímání datových vědců

Dnes je datová věda srdcem téměř každého podnikání a organizace. Rostoucí potřeba nejen shromažďovat data, ale také je procházet a analyzovat na přímá rozhodnutí, vyvolala obrovskou poptávku po kvalifikovaných vědcích v oblasti dat.

Kariéra datového vědce je velkým lákadlem pro ty, kteří hledají nejen požadovanou pozici, ale také pozici, která nabízí vysoký potenciál výdělků a vysokou spokojenost s prací. Je to nejlepší místo pro rok 2019 v Americe na Glassdoor se středním základním platem ve výši $108,000 a hodnost 4,3 z 5 pro pracovní spokojenost.

Chcete-li získat jasnost v rozdílech mezi datovým vědcem a datovým analytikem, přečtěte si následující video:

Co je potřeba k tomu, abychom byli datovým vědcem? Silné technické dovednosti jsou samozřejmě nezbytné. Otázkou však je, jaké konkrétní dovednosti musí zvládnout, aby se vydaly na tuto konkrétní kariérní cestu?

SOUVISEJÍCÍ: VÝVOJ POČÍTAČOVÝCH JAZYKŮ NAD 136 LET

Nezbytné dovednosti

Odpověď na otázku základních dovedností vědců v oblasti dat se stále mění a vyvíjí, o čemž svědčí široce citovaný článek na toto téma KD Nuggets, 9 Aktualizované dovednosti, které musíte mít, abyste se stali Data Scientist. Do názvu byl přidán „aktualizovaný“, protože v průběhu let počet dovedností na seznamu rostl.

V současné době je 13 dovedností v seznamu KD Nuggets následující:

  1. Vzdělání
  2. R Programování
  3. Pythonové kódování
  4. Platforma Hadoop
  5. SQL databáze / kódování
  6. Apache Spark
  7. Strojové učení a AI
  8. Vizualizace dat
  9. Nestrukturovaná data
  10. Intelektuální zvědavost
  11. Obchodní prozíravost
  12. Komunikační dovednosti
  13. Týmová práce

I když některé dovednosti nepřekvapují, očekávali byste, že datový vědec zvládne jazyky a technické dovednosti používané v datové vědě, některé položky jsou o něco obecnější. A to proto, že věda o datech není otázkou pouhého získávání čísel, ale pochopení toho všeho v kontextu obchodních cílů.

Nejen věda, ale umění

Proto před několika letyVenture Beat navrhl, že „datový umělec“ může být přesnější název práce: „Možná, že tito vědci nejsou Einsteinové a Edisonové, ale Van Goghové a Picassové z velké datové revoluce.“ Jde o to si uvědomit, že vědci v oblasti dat nejen pozorují a kvantifikují, ale přicházejí s kreativními přístupy k získávání vhledu a hodnoty z dat.

Úspěšný vědec v oblasti dat není jen někdo, kdo zaškrtl seznam tvrdých dovedností; on nebo ona musí mít schopnost přemýšlet o tom, jak přistupovat k problému novým způsobem, který otevírá cestu k řešení a poté efektivně komunikovat, co fungovalo a proč. Úspěšný vědec v oblasti dat je mnohem víc než pouhé kvantum, je kreativní myslitel a řešitel problémů s porozuměním doménám.

Důkaz pohovoru o tvrdých a měkkých dovednostech

Tato kombinace dovedností vychází ze seznamu, který Roger Huang představujeKaždý rozhovor s Data Science se zredukoval na pět základních otázek. Těchto pět otázek funguje 60% tvrdé dovednosti, 20% měkké dovednosti a 20% schopnost aplikovat znalosti na situaci.

Hard skills tvoří tři otázky: jednu o matematice, druhou o kódování a druhou o statistice. Měkké dovednosti vstupují do hry při poskytování odpovědi na to, co Huang nazývá „behaviorální otázky“, které hodnotí vhodnost žadatele pro firemní kulturu. Pak existuje otázka, kterou nazývá „scénářová otázka“, ta, která vyzývá žadatele, aby prokázali svou schopnost aplikovat to, co se naučili, na konkrétní situaci a nastínili přístup, který by mohl fungovat.

Vidět větší obrázek

Jelikož jedním z charakteristických rysů datového vědce je intelektuální zvědavost, která člověka vybízí k tomu, aby usiloval o skutečné porozumění, očekává se, že ten člověk udělá víc než pouhé zkreslení čísel. Jako Wall Street Journal článek, Co je vlastně datový vědec? prohlásil: „efektivní datový vědec… má schopnost vidět, jak mohou být konkrétní podmnožiny dat užitečnější než jiné a jaké závěry z nich lze vyvodit.“

Je také důležité zajímat se o celkový obraz organizace a o tom, jaké výsledky souvisejí s jejími cíli. To je v souladu s tím, co popsal Dr. John Maiden, datový vědec s digitální inteligencí JP Morgan Chase, v blogu aNYC Data Science Academy.

Jednou z klíčových věcí, které finanční společnost hledá, je schopnost „aplikovat řešení na velké, chaotické problémy v reálném světě“. Vysvětluje to proto, že úloha znamená menší zapojení do „přímé analýzy dat“ než do „hádání chaotických datových souborů, které poskytují užitečné poznatky“.

Cs jsou klíčové

Ve videu níže Bernard Ong, AVP, vedoucí datového vědce, Advanced Analytics ve společnosti Lincoln Financial Group, hovoří o své vlastní kariérní cestě a o tom, co hledá u kandidátů při najímání svého týmu. Kromě kódovacích a matematických dovedností říká, že chce kandidáty, kteří mají to, čemu on říká „3 C“. Jedná se o zvědavost, kreativitu a kritické myšlení.

Ong vysvětlil, proč musí mít dobrý datový vědec tyto schopnosti, aby „nejen porozuměl modelování a prediktivní analýze, ale také tomu, jaké obchodní výzvy se snažíme řešit.“ To je místo, kde je důležité přemýšlet o tom, jak to do sebe zapadá.

"Začíná to kladením správných otázek, které vycházejí ze zvědavosti." Pokračuje v kritickém myšlení k posouzení problému a postupuje s kreativitou při navrhování inovativních řešení a při předávání vize obchodnímu konci v podmínkách, kterým rozumí, “dodal Ong.

Vyprávění příběhu dat, který je hnací silou rozhodnutí

Pokud jde o komunikaci s touto vizí, „technické výrazy“ ji neřeší. Spíše „musíte být schopni vyprávět příběh za daty,“ zdůrazňuje Ong.

Vypracování takových pohybů ve firmě určitě vyžaduje využití měkkých dovedností, ale jsou také zásadní i pro ty, kteří zůstávají v roli datového vědce. Maiden zdůrazňuje, že je důležité umět dobře komunikovat „poskytovat užitečné rady pro rozhodování“. To vyžaduje nejen ústní a písemnou komunikaci, ale také vizualizaci dat, nalezení správných grafů a grafů, které by vyprávěly příběh o datech způsobem, který je srozumitelný i pro ty, kteří nejsou školeni v oblasti datové analýzy.

Jak lidé silně reagují na vizuální důkaz, grafické znázornění korelací a příčin vyplývajících z analýzy dat vyjadřuje vztahy mnohem působivějším způsobem než pouhý text. Vizualizace dat je místo, kde se matematická kvantifikace a kreativní umění spojují na stejném konci podpory rozhodnutí založených na datech.

KD Nuggets se dotýká stejného bodu a zdůrazňuje, jak důležité je vyvinout „důkladné pochopení základů průmyslu a cílů firmy“, aby umožnil datovému vědci využít „technické schopnosti, které mohou v dlouhodobém horizontu změnit. . “ Je to ještě důležitější pro vědce v oblasti dat, jejichž kariérní aspirace zahrnují přesun do role v rámci C-Suite.

Kreativní přístupy řeší problémy s daty

Ve stejném duchu Ong říká, že musíte rozumět širšímu kontextu, abyste se ujistili, že pracujete s údaji potřebnými k vyřešení problému:

"Jednou z výzev je získávání správných dat pro nalezení potřebných odpovědí." Můžete spravovat velké množství dat a stále zjišťovat, že neposkytuje informace, které hledáte. “

Tam se při tvorbě „fúze dat“ uplatní kreativní myšlení. Tento přístup spočívá v kombinaci „různých zdrojů dat do nových kombinací, které by mohly poskytnout správný druh dat“.

"Tady kreativita pomáhá datovým vědcům provádět nové objevy a vypracovávat řešení," prohlašuje Ong.

Práce s Big Data nakonec vyžaduje využití kreativity i metodických procesů v ideální kombinaci, kterou Este popsal jako ideál vědy:

"Pouhá formulace problému je mnohem podstatnější než jeho řešení, které může být pouze otázkou matematických nebo experimentálních dovedností." Klást nové otázky, nové možnosti, dívat se na staré problémy z nového úhlu vyžaduje kreativní představivost a znamená skutečný pokrok ve vědě. “


Podívejte se na video: Laudato si v Africe - Středisko Songhai (Prosinec 2021).