Что компании ищут, когда нанимают ученых-данныхщиков.

Для того, чтобы стать успешным специалистом по информатике, требуется нечто большее, чем навыки программирования на самом высоком уровне. Также важна возможность увидеть общую картину и представить историю данных.

Большие данные - Анализ данных
Специалист по сбору данных – Советы и хитрости при приеме на работу

Сегодня Data Science находится в центре почти каждого бизнеса и организации. Растущая потребность не только в сборе данных, но и в их просеивании и анализе для принятия решений привела к огромному спросу на квалифицированных специалистов по данным.

Карьера специалиста по информатике очень привлекательна для тех, кто ищет не только востребованную должность, но и такую, которая предлагает высокий потенциал заработка и удовлетворенность работой. На Glassdoor она занимает первое место в Америке по количеству рабочих мест в 2019 г. со средней базовой зарплатой 108 000 долл. и оценкой удовлетворенности работой в 4,3 балла из 5.

Для большей ясности о различиях между учеными и аналитиками, посмотрите видео ниже:

Что нужно для того, чтобы быть специалистом по данным? Очевидно, что сильные технические навыки крайне важны. Но вопрос в том, какими конкретными навыками вы должны овладеть, чтобы идти по этому конкретному карьерному пути?

Незаменимые навыки

Ответ на вопрос об основных навыках для Ученых по Данным продолжает меняться и развиваться, о чем свидетельствует широко цитируемая статья KD Nuggets на эту тему: 9 Должны иметь навыки, необходимые для того, чтобы стать специалистом по данным, обновлено . Обновленный” был добавлен в заголовок, так как количество навыков в списке с годами выросло.

На момент написания этой статьи, следующие 13 навыков находятся в списке KD Nuggets:

Хотя некоторые из этих навыков не удивительны, так как вы ожидаете, что ученый, изучающий данные, владеет языками и техническими навыками, используемыми в науке о данных, некоторые из них немного более общие. И это потому, что наука о данных заключается не только в извлечении чисел по каналу, но и в понимании всего этого в контексте бизнес-целей.

Не просто наука, а искусство

Вот почему несколько лет назад Venture Beat предположила, что “художник по данным” может быть более точным названием работы: “Может быть, эти ученые – не Эйнштейны и Эдисоны, а Ван Гогы и Пикассо революции Больших Данных”. Дело в том, чтобы признать, что ученые, занимающиеся данными, не просто ведут наблюдения и количественную оценку, но и разрабатывают творческие подходы к получению понимания и ценности данных.

Успешный Специалист по Данным – это не просто тот, кто вычеркнул из списка трудных навыков. Он или она должны иметь возможность подумать о том, как подойти к проблеме по-новому, что открывает путь к решению, а затем эффективно сообщить, что сработало и почему. Успешный ученый по данным – это гораздо больше, чем просто квант, он творчески мыслит и решает проблемы с пониманием домена.

Интервью доказательство твердых и мягких навыков

Это сочетание навыков взято из списка, представленного Роджером Хуангом в Every Data Science Interview Boiled Down To Five Basic Questions (Интервью по науке о данных, кипяченая до пяти основных вопросов). Эти пять вопросов состоят из 60% твердых навыков, 20% мягких навыков и 20% умения применить знания в ситуации.

Трудные навыки составляют три вопроса: один по математике, один по кодированию и один по статистике. Мягкие навыки вступают в игру, когда дело доходит до ответов на то, что Хуанг называет “поведенческими” вопросами, которые оценивают соответствие заявителя культуре компании. Затем есть то, что он называет “вопросом сценария”, который просит заявителя продемонстрировать свою способность применять то, что он узнал в конкретной ситуации, и наметить подход, который может сработать.

Видя общую картину

Поскольку одной из отличительных черт ученого, занимающегося данными, является интеллектуальное любопытство, которое побуждает человека искать истинного понимания, от него ожидают большего, чем просто хрустящие цифры. Согласно статье в “Уолл Стрит Джорнал”, “Эффективный специалист по сбору данных … Имеет возможность видеть, как одни подмножества данных более полезны, чем другие, и какие выводы из них можно сделать”.

Важно также проявлять интерес к более широкой картине организации и к тому, какие результаты имеют отношение к ее целям. Это согласуется с тем, что д-р Джон Мейден, ученый в области цифрового интеллекта Джей-Пи Морган Чейз, описал в блоге Академии наук о данных Нью-Йоркского университета .

Одна из самых важных вещей, которую они ищут в финансовой фирме, – это способность “применять решения больших, грязных проблем реального мира”. Он объясняет это тем, что работа имеет меньшее отношение к “простому анализу данных” и большее отношение к “работе с грязными наборами данных, чтобы придумать что-нибудь действенное”.

Cs – это ключ

В следующем видео Бернард Онг, AVP, ведущий специалист по анализу данных, Advanced Analytics в Lincoln Financial Group, рассказывает о своем собственном карьерном пути и о том, что он ищет в кандидатах, когда нанимает их в свою команду. В дополнение к программированию и математическим навыкам, говорит он, он хочет кандидатов, которые обладают тем, что он называет “3 Cs”. Это означает любопытство, креативность и критическое мышление.

Онг объяснил, почему хороший специалист по данным должен обладать этими навыками, чтобы “понимать не только моделирование и прогнозный анализ, но и какие бизнес-задачи мы пытаемся решить”. Здесь важно подумать о том, как все устроено.

“Она начинается с того, что задает правильные вопросы из любопытства. Она продолжает критическое мышление, чтобы оценить проблему, и творческий подход, чтобы найти инновационные решения и донести видение до бизнес-персоны в понятных для них терминах”, – добавляет Онг.

Расскажите историю данных, которая способствует принятию решений

Когда дело доходит до передачи этого видения, “технических терминов” просто недостаточно. Скорее, “вы должны быть в состоянии рассказать историю, лежащую в основе данных”, – подчеркивает Онг.

Совершение таких шагов внутри организации, безусловно, требует использования мягких навыков, но они также важны для тех, кто остаётся в роли Ученого по Данным. Дева подчеркивает важность умения хорошо общаться, “давать действенные советы для принятия решений”. Это требует не только устной и письменной коммуникации, но и визуализации данных, поиска нужных диаграмм и графиков, чтобы рассказать историю данных таким образом, чтобы ее могли понять те, кто не имеет подготовки в области анализа данных.

Поскольку люди сильно реагируют на визуальные данные, графическое представление корреляций и причинно-следственных связей, выявленных в результате анализа данных, передает эти связи гораздо более убедительным образом, чем простой текст.  Визуализация данных – это то место, где математическое количественное определение и творческий подход объединяются для принятия решений, основанных на данных.

KD Nuggets затрагивает тот же момент, подчеркивая важность развития “твердого понимания основ отрасли и целей компании”, чтобы специалист по данным мог “использовать технические навыки для достижения долгосрочных результатов”. Это представляет еще больший интерес для ученых, занимающихся данными, чьи карьерные устремления включают в себя переход на роль в наборе С.

Креативные подходы решают проблемы с данными

В том же ключе Онг говорит, что вам нужно иметь представление о более широком контексте, чтобы быть уверенным в том, что вы работаете с данными, необходимыми для решения проблемы:

“Одна из проблем заключается в получении правильных данных, чтобы найти нужные ответы. Вы можете курировать большие объемы данных и при этом обнаружить, что они не дают той информации, которую вы ищете”.

Именно здесь приходит творческое мышление, чтобы выработать “слияние данных”. Этот подход заключается в том, чтобы “объединить различные источники данных в новые комбинации, которые могли бы обеспечить правильный вид данных”.

“Именно здесь творческий подход помогает ученым, работающим с данными, делать новые открытия и придумывать решения”, – объясняет Онг.

В конечном итоге, эффективная работа с Большими данными требует использования творчества и методологических процессов в идеальной комбинации, которую Эйнштейн охарактеризовал как идеал науки:

“Простая постановка задачи гораздо важнее ее решения, которое может быть только математическим или экспериментальным”. Поднять новые вопросы, по-новому взглянуть на старые проблемы, требует творческого воображения и знаменует собой реальный прогресс в науке”.