۴ ویژگی کلیدی که هنگام استخدام یک دانشمند داده باید به دنبال آن باشید

منتشرشده در TowardsDataScience به تاریخ ۹ نوامبر ۲۰۲۰
لینک مطلب اصلی: 4 key traits to look for when hiring a Data Scientist

پیدا کردن دانشمند داده خوب می‌تواند یک کار دشوار باشد. جستجوی «شکاف مهارت‌های علم داده» در گوگل نشان می‌دهد که در بسیاری از کشورهای جهان، شرکت‌ها در تلاش هستند تا نامزدهای مناسبی برای نیازهای رو به رشد علم داده خود پیدا کنند.

انتخاب بد در زمان استخدام می‌تواند بسیار گران تمام شود و در نتیجه، مهم است که بتوانید داوطلبان را به طور موثر زیر نظر بگیرید، تا مطمئن شوید که آن‌ها برای این موقعیت مناسب هستند و در معرفی / گسترش دانش داده در شرکت شما موثر خواهند بود.

دقت زیاد

درک منبع داده‌ای که فرد در دسترس دارد، همراه با هر مساله کیفیت داده، برای تولید خروجی با کیفیت بالا ضروری است. هنگام استفاده از هر مجموعه داده، اولین کاری که یک دانشمند باید انجام دهد انجام یک تجزیه و تحلیل آماری عمیق برای کاوش مواد خام آن‌ها و جلوگیری از ایجاد هر گونه فرض از روی تنبلی است.

همراه با دقت زیاد، کنجکاوی نیز وارد می‌شود. یک دانشمند داده خوب سوالات زیادی از داده‌هایی که با آن کار می‌کند خواهد پرسید، و قبل از این که مدت زیادی طول بکشد باید ویژگی‌ها، محدودیت‌ها، ویژگی‌های خاص و روابط داخلی جالب آن را درک کند. به هر حال، داده‌ها چیزی که در دنیای واقعی اتفاق می‌افتد را توصیف می‌کنند، و استفاده از ابتکار برای شیرجه زدن در داده‌ها و کشف رازهای آن، فرصت‌های جدیدی را فراتر از خلاصه اصلی ایجاد می‌کند.

پرسش‌های نمونه:

• «زمانی را مثل بزنید که یک مساله کیفیت داده بر کار شما تاثیر گذاشته‌است، اینکه چگونه آن را کشف کرده‌اید و چگونه با آن برخورد کرده‌اید.»
• یک سوال عملی با استفاده از مجموعه داده در دسترس عموم که مربوط به حوزه کاری شما است، مطرح کنید. نشانه خوبی که باید به دنبال آن باشید این است که آیا نامزد قبل از شروع به ارائه بینش‌ها، سوالات زیادی برای تایید درک خود از داده‌ها می‌پرسد یا خیر.

مقاومت

کار کردن با داده‌ها می‌تواند کار سختی باشد.

اما اغلب اوقات، سخت‌ترین کار، مقابله با عدم‌قطعیت است. وقتی یک پروژه مدل‌سازی یا تجزیه و تحلیل را شروع می‌کنید، هیچ تضمینی وجود ندارد که بتوانید چیز مفیدی پیدا کنید. مهم نیست که چقدر زمان و تلاش صرف این کار می‌کنید، داده‌هایی که دارید ممکن است هیچ کدام به درد شما نخورند.

این که به نظر برسد هیچ چیز کارآیی ندارد، می‌تواند ناامید کننده و دلسرد کننده باشد و بنابراین انعطاف‌پذیری ویژگی مهمی است که باید به دنبال آن بگردید. داشتن این توانایی که مسائل جدید را بدون تسلیم شدن و یا بدتر از آن، به خطر انداختن انسجام حرفه‌ای خود، امتحان کرده و به جلو ببرید، مهم است. اما همچنین مهم است که یک مغز تجاری شفاف داشته باشید و بدانید وقتی قانون برگشت کسری‌ها تمام تلاش‌های شما را بیهوده می‌کند، چطور باید همه چیز را جمع کنید.

پرسش‌های نمونه:

• «زمانی را مثال بزنید که یک کار که از آن هیجان‌زده بودید طبق برنامه‌ریزی پیش نرفت.»
• «چگونه تصمیم می‌گیرید که چه زمانی یک کار آماده تحویل است؟»

همدردی

علم داده تمرینی برای ترجمه است. ورودی آن یک مشکل درهم پیچیده،‌ آشفته و بدتعریف‌شده انسانی است. خروجی آن راه حلی برای یک تخمین دیجیتالی پیشرفته و به وضوح تعریف‌شده از آن مساله است. این کار پژوهشگر داده است تا اطمینان حاصل کند که این تقریب به خوبی مشکل انسان را ترسیم می‌کند، نکات ظریف آن را به دست می‌آورد و نیازهای ذی‌نفعان و کاربران را به طور یک‌سان برآورده می‌کند. برای این کار آن‌ها باید خود را جای افراد زیادی قرار دهند، سوالات زیادی بپرسند و به طور جدی درک کنند که چه چیزی باعث کار کردن افراد می‌شود.

بنابراین، تمرین همدلی، مهارت اصلی علم داده است. درک تجربیات و خواسته‌های خاص همه افراد درگیر و ارتباط موثر برای موفقیت پروژه بسیار مهم است و نباید به نفع مهارت‌های فنی باشد.

پرسش‌های نمونه:

• درباره افراد درگیر در یک پروژه اخیر به من بگویید، و انتظارات متفاوت آن‌ها چه بود؟

مهارت‌های فنی

همه ما دیده‌ایم که در شرح شغل یک لیست بی‌پایان از هر تکنولوژی که آن‌ها انتظار دارند نامزدها در آن متخصص باشند، قرار دارد.

«نامزد ایده‌آل بیشتر از ۱۰ سال تجربه در SQL، پایتون، TensorFlow, Keras, PyTorch, Tableau, PowerBI, Qlikview و و و خواهد داشت که همگی در یک محیط مالی سطح شرکت به مدیران اجرایی سطح C تحویل داده می‌شوند».

چشم‌انداز تکنولوژیکی علم داده همواره در حال تغییر است. به این ترتیب، مهم‌ترین توانایی این است که بتوانید به سرعت مهارت‌های فنی جدید را به دست آورید و آن‌ها را در مجموعه مهارت‌های خود جای دهید.

تجربه در یک تکنولوژی خاص ممکن است به طور خاص در شرکت شما مهم باشد، بنابراین بهتر است آن را در شرح شغل توضیح دهید. اما سعی کنید همه چیز را آزاد نگاه دارید تا از نامزدهای فنی با استعداد که ممکن است خیلی با این لیست تجربیات همخوانی نداشته باشند اما توانایی‌های مورد نیاز را به سرعت دریافت کنند، دور نشوید.

پرسش‌های نمونه:

به تجربیاتی که خود افراد ادعا می‌کنند و یا تاییدیه‌های LinkedIn تکیه نکنید. همه «تجربیات» به صورت برابر خلق نمی‌شوند! یک سوال عملی، کار کردن در یک مطالعه موردی از حوزه کاری تان، اطلاعات بیشتری در مورد نحوه کار فرآیند فکری یک فرد و نحوه استفاده از مهارت‌های تکنیکی او برای حل یک مشکل به شما خواهد داد. برای مثال، من در گذشته با چندین نامزد مصاحبه کرده‌ام که ادعا می‌کردند در SQL مهارت دارند، اما هنگامی که تعداد کمی جدول و یک سوال در مورد داده‌ها به آن‌ها ارائه شد، در به کار بردن مفهوم یک JOIN به مشکل برخوردند.

سایت‌هایی مانند HackerRank محیط‌های تست را در بسیاری از زبان‌های برنامه‌نویسی ارائه می‌دهند، که می‌تواند برای بررسی در مراحل اولیه انتخاب نامزدها مفید باشد. هر داوطلب را به جای مهارت‌های ذکر شده در شرح شغل، در مورد نقاط قوتی که خودش گفته تست کنید.

این مقاله توسط ربات هوشمند ترجمه مقالات علم داده ترجمه شده و به صورت محدود مورد بازبینی انسانی قرار گرفته است، در نتیجه ممکن است دارای برخی اشکالات ترجمه باشد.