آیا دانشمند داده شدن با روحیه شما سازگار است؟

منتشر‌شده در: towardsdatascience به تاریخ ۱۷ فوریه ۲۰۲۱
لینک منبع: Is data scientist the right job for you?

دانشمند داده به یکی از بالاترین مشاغل مورد تقاضا تبدیل شده‌است. از آنجایی که بسیاری به دنبال تبدیل شدن به یک دانشمند داده هستند، امروز، من خلاصه‌ای کوتاه از یک دانشمند داده بودن را کنار هم قرار داده‌ام.

یک دانشمند داده همانطور که در شرح وظایف نوشته شده، چه کارهایی انجام می‌دهد؟

• با مجموعه داده‌های بزرگ و پیچیده کار می‌کند و جمع‌آوری، پردازش و تجزیه و تحلیل داده‌ها را انجام می‌دهد.
• تصمیمات کلیدی محصول و کسب‌وکار را با توسعه محصول داده‌ای و یا اجرای تجزیه و تحلیل استراتژیک و در صورت نیاز استفاده از روش‌های تحلیلی پیشرفته (آزمایش‌ها، مدل‌های یادگیری آماری یا یادگیری ماشینی)، شکل داده و تحت‌تاثیر قرار می‌دهد.
• معیارهای اصلی را طوری طراحی می‌کند که به عنوان یک چراغ راه برای تلاش‌های تیمی در نظر گرفته شوند.
• با مهارت‌های ارتباطی و ارائه موثر از نظر عملکرد کار می‌کند.

انواع دانشمندان داده

بسیاری از شرکت‌ها دانشمندان داده را در سه دسته زیر قرار می‌دهند. توصیف بالا برای هر سه نوع از دانشمندان داده قابل‌اجرا است.

• محصول: تمرکز بر ساخت ویژگی‌ها یا محصولات جدید برای مشتریان. شرکای عملیاتی متقابل اصلی شامل محصولات و مهندسی هستند.
• رشد / بازاریابی: تمرکز بر رشد پایه کاربر از طریق تاکتیک‌های اکتساب و حفظ / تعامل. شرکای اصلی عملیاتی متقابل شامل بازاریابی و محصول هستند.
• تحقیق / الگوریتم‌ها: توسعه روش‌های جدید آماری یا یادگیری ماشینی مقیاس‌پذیر. شرکای عملیاتی متقابل اصلی شامل مهندسی و محصول هستند.

کار روزانه

به طور کلی، ما وقت خود را صرف انجام کارهای زیر به صورت روزانه می‌کنیم.

• درک مشکل: مهم‌ترین بخش کار ما درک مشکل کسب‌وکار موجود است. ما باید قادر به پاسخ به این سوال باشیم که ما برای چه چیزی تلاش می‌کنیم؟ این کار به ایجاد یک برنامه تحقیقاتی روشن و موثر کمک خواهد کرد.
• جمع‌آوری و پردازش داده‌ها: باور کنید یا نه، این کار زمان زیادی را در تکمیل پروژه‌های علوم داده‌ها صرف می‌کند. هیچ داده‌ای کامل نیست، دوره‌ای است. ما باید بررسی کنیم که داده‌ها چگونه جمع‌آوری می‌شوند و روش‌های مشترکی را که تیم / شرکت داده‌ها را تعریف و جمع‌آوری می‌کند، یاد بگیریم (به عنوان مثال، آیا کاربر فعال روزانه در سطح اکانت شمارش می‌شود یا در سطح افراد؟
• تجزیه و تحلیل در حال اجرا: هنگامی که مشکل را درک کردید و داده‌ها را پردازش کردید، آن را با روش «مناسب» تجزیه و تحلیل کنید. توجه داشته باشید که یافتن و اعمال روش درست یکی از مهم‌ترین بخش‌های کار یک دانشمند داده است. استفاده از یک روش یادگیری ماشین پیچیده برای نشان دادن مهارت‌های شما مسیر درستی نیست.
• ارتباط دادن دیدگاه‌ها و پیشنهادها: ارتباط موثر یافته‌ها برای تاثیرگذاری بر تصمیمات کلیدی کسب‌وکار برای تاثیرگذاری پروژه بسیار مهم است. تصویرسازی داده‌ها، تعریف یک داستان از طریق بینش‌ها، و به اشتراک گذاری توصیه‌ها برای گام‌های بعدی، آخرین گام یک پروژه علوم داده است.

یک درک غلط رایج در میان دانشمندان داده این است که آن‌ها قادر خواهند بود تمام تکنیک‌های بزرگی که یاد گرفته‌اند را به محض اینکه کار را شروع کنند، به کار گیرند.
به شما هشدار می‌دهم که همیشه اوضاع خوشایند نیست. اغلب اوقات ما بیشتر وقت خود را صرف جلسات با شرکای متقابل یا نشستن در مقابل کامپیوترمان می‌کنیم تا داده‌ها را درک کرده و آن‌ها را پاکسازی کنیم.

همچنین توجه داشته باشید که وقتی یک دانشمند داده در حرفه خود ارشد می‌شود، ممکن است زمان بیشتری را صرف درک مشکل کسب‌وکار گسترده‌تر، تجزیه آن به برنامه‌های تجزیه و تحلیل کوچک‌تر و قابل‌اجرا، و ارتباط با شرکای متقابل کند.

پس من به عنوان یک مدیر علوم داده، در زمان استخدام به دنبال چه چیزی هستم؟

• تخصص فنی: همانطور که در بالا نوشته شد، یافتن روش‌شناسی مناسب برای حل یک مشکل کسب‌وکار از طریق داده‌ها، یک مهارت مورد نیاز است. به همین دلیل است که دانشمندان داده از طریق مصاحبه‌های فنی دامنه‌دار ۳ تا ۴ مرحله‌ای یعنی درگیری با داده‌ها (SQL)، برنامه‌نویسی (پایتون / R)، آزمایش و یادگیری ماشین عبور می‌کنند.
• یک حل‌کننده مشکلات: من به دنبال کاندیدهایی می‌گردم که فعالانه مشکل کسب‌وکار را از طریق داده حل کنند. یک دانشمند داده باید سوالات خود را مطرح کرده و فعالانه به دنبال روش‌شناسی باشد. کسی که تنها می‌تواند یک نوع راه‌حل را برای یک مشکل به کار ببرد یا کسی که یک جواب کتابی می‌دهد، اغلب بهترین کاندید نیست.
• یک شریک استراتژیک: من به دنبال کاندیداهایی می‌گردم که مهارت‌های ارتباطی خوبی دارند و می‌توانند در محیط‌های کاری مشترک موفق شوند. به هر حال، یک دانشمند داده در یک گوشه نمی‌نشیند و تمام روز به داده خیره نمی‌شود.

من می‌خواهم روشن کنم که این به این معنی نیست که شرکت‌ها یا مدیران همیشه به دنبال یک تعمیم‌دهنده عالی هستند. شرکت‌های بزرگ‌تر مانند گوگل یا فیسبوک معمولا در مرحله مصاحبه، متخصصان عمومی را پیدا می‌کنند و بعد از اینکه کسی مصاحبه را قبول می‌شود، وارد مرحله تطبیق با تیم می‌شوند. با این حال، شرکت‌های کوچک‌تر یا شرکت‌های نوپا ممکن است برای یک مهارت خاص در زمان‌های خاص استخدام کنند. به عنوان مثال، زمانی که من در حال ساخت یک تیم علوم داده در شروع یک کار بودم، در یک زمان من به کسی نیاز داشتم که بتواند الگوریتم های ML را مقیاس‌گذاری کند و در زمان دیگر من به کسی نیاز داشتم که بتواند چارچوب آزمایش غیرمتعارف را بسازد. در آن زمان‌ها، من مجبور بودم از کاندیداهایی که در کل عالی بودند اما دانش عمیقی در زمینه‌های خاص نداشتند، را قبول کنم.

شاید به مطالعه مقاله برنامه آموزشی کامل ۵۲ هفته‌ای برای تبدیل شدن به یک دانشمند داده علاقمند باشید.

پس آیا واقعا می‌خواهید یک دانشمند داده شوید؟ اگر این کار را می‌کنید، این آخرین توصیه من است:

• اصول اولیه خود را درست به دست آورید!
• زیاد بخوانید! امروزه منابع زیادی وجود دارند، از جمله Medium، لینکداین، Quora، وب‌سایت‌های شرکت‌ها و سایر مواردی که می‌توانید در مورد نحوه حل مشکلات کسب‌وکار از طریق داده مطالعه کنید.
• با مردم ملاقات کنید! البته ما نمی‌توانیم این کار را در طول کرونا انجام دهیم. اما زمانی که این مشکل حل شد، با دیگران ملاقات کنید تا ببینید چگونه با مشکلات مقابله می‌کنند. به جلسات آشنایی شرکت‌های بزرگ بروید که در آن‌ها دیگر دانشمندان اطلاعات تجربی‌یشان را به اشتراک می‌گذارند.

از سفر خود به عنوان یک دانشمند داده لذت ببرید!

این متن با استفاده از ربات ترجمه مقاله علم داده ترجمه شده و به صورت محدود مورد بازبینی انسانی قرار گرفته است.در نتیجه می‌تواند دارای برخی اشکالات ترجمه باشد.

مقالات لینک‌شده در این متن می‌توانند به صورت رایگان با استفاده از مقاله‌خوان ترجمیار به فارسی مطالعه شوند.