شعار زيفيرنت

5 أخطاء كنت أتمنى أن أكون قد تجنبتها في عملي في علم البيانات

التاريخ:

5 أخطاء كنت أتمنى أن أكون قد تجنبتها في عملي في علم البيانات

الجميع يرتكب أخطاء ، والتي يمكن أن تكون شيئًا جيدًا عندما تؤدي إلى التعلم والتحسين بمرور الوقت. ولكن يمكننا أيضًا أن نحاول التعلم أولاً من الآخرين لتسريع نمونا الشخصي. للبدء ، ضع في اعتبارك هذه الدروس المستفادة بالطريقة الصعبة ، حتى لا تضطر إلى ذلك.


By تيسا شيه، كبير علماء البيانات في Cruise.

تصوير بروس المريخ on Unsplash.

عندما انتقلت لأول مرة من المالية إلى علم البيانات ، شعرت وكأنني في قمة العالم - حصلت على وظيفة في مجال أحلامي ، وتم تعيين مسار حياتي المهنية ، وسأبقي رأسي منخفضًا وأعمل بجد ، ما الخطأ الذي يمكن أن يحدث؟ حسنًا ، كان هناك شيئان ... للسنة التالية كعالم بيانات ، كان هناك العديد من الأخطاء التي يسعدني أنني وجدت نفسي أرتكبها في وقت مبكر من حياتي المهنية. بهذه الطريقة ، كان لدي الوقت للتفكير وتصحيح المسار قبل فوات الأوان. بعد فترة ، أدركت أن هذه الأخطاء شائعة جدًا. في الواقع ، لقد لاحظت أن الكثير من DS من حولي ما زالوا يرتكبون هذه الأخطاء ، غير مدركين أنهم يمكن أن يضروا بمهنة البيانات الخاصة بهم على المدى الطويل.

إذا كان "5 دروس تعلمتها ماكنزي من شأنها أن تجعلك عالم بيانات أفضل"كان ما تعلمته من الأفضل ، الدروس في هذه المقالة هي تلك التي تعلمتها بالطريقة الصعبة ، وآمل أن أتمكن من مساعدتك في تجنب ارتكاب نفس الأخطاء.

الخطأ الأول: النظر إلى نفسك كجندي مشاة بدلاً من شريك في التفكير

كبرنا ، تم تقييمنا دائمًا بناءً على مدى قدرتنا على اتباع القواعد والأوامر ، خاصة في المدرسة. ستكون أفضل طالب إذا اتبعت الكتاب المدرسي وتمرنت على الامتحانات وقمت فقط بالعمل الشاق. يبدو أن الكثير من الناس يحملون عقلية "الجندي المشاة" هذه في بيئة عملهم. في رأيي ، هذه هي العقلية الدقيقة التي تمنع الكثير من علماء البيانات من تعظيم تأثيرهم والتميز عن أقرانهم. لقد لاحظت الكثير من DS ، وخاصة المبتدئين منهم ، يعتقدون أنه ليس لديهم ما يساهمون به في عملية صنع القرار ويفضلون التراجع إلى الخلفية وتنفيذ القرارات المتخذة من أجلهم بشكل سلبي. يؤدي هذا إلى حلقة مفرغة - فكلما قلت مساهمتك في تلك المناقشات ، قل احتمال إشراك أصحاب المصلحة لك في الاجتماعات المستقبلية ، وستقل الفرصة التي ستتاح لك للمساهمة في المستقبل.

اسمحوا لي أن أقدم لكم مثالًا ملموسًا على الاختلاف بين الجندي المشاة وشريك التفكير في حالة تطوير النموذج. في اجتماعات جمع البيانات والعصف الذهني للميزات ، اعتدت أنا القديم على تدوين الملاحظات بشكل سلبي حول اقتراحات أصحاب المصلحة حتى أتمكن من تنفيذها "بشكل مثالي" لاحقًا. عندما اقترح شخص ما ميزة كنت أعلم أنه ليس لدينا بيانات عنها ، فلن أقول أي شيء بناءً على افتراض أنهم أكبر سنا ويجب أن يعرفوا شيئًا أغفلت عنه. لكن خمنوا ماذا ، لم يفعلوا. سأواجه لاحقًا الموقف المتمثل في أن 50 ٪ من الميزات التي قمنا بالعصف الذهني تتطلب جمع بيانات إضافية من شأنها أن تعرض الموعد النهائي لمشروعنا للخطر. نتيجة لذلك ، وجدت نفسي غالبًا في وضع غير مرغوب فيه للرسول الذي يحمل أخبارًا سيئة في النهاية. أجتهد في أن أكون شريكًا فكريًا في الوقت الحاضر ، أشرك نفسي في وقت مبكر في المحادثة وأستفيد من موقعي الفريد كشخص أقرب إلى البيانات. بهذه الطريقة ، يمكنني إدارة توقعات أصحاب المصلحة في وقت مبكر وتقديم اقتراحات لمساعدة الفريق على المضي قدمًا.

كيف تتجنب هذا:

  • تأكد من أنك لا تتراجع في الاجتماعات التي يمكنك المساهمة فيها بشيء من منظور البيانات: هل تعريفات أصحاب المصلحة للمقاييس كافية لما يريدون قياسه؟ هل البيانات متاحة لقياس مجموعة المقاييس؟ إذا لم يكن الأمر كذلك ، فهل يمكننا العثور على وكلاء للبيانات الموجودة لدينا؟
  • متلازمة الدجال حقيقي ، خاصة بين صغار DS. تأكد من أنك على دراية بهذا ، وكلما كنت تتساءل عما إذا كان يجب عليك قول شيء "ربما يكون الآخرون قد فكروا به بالفعل" أو طرح "سؤال توضيحي غبي" ، يجب عليك.
  • حافظ على مستوى من الفضول حول ما يعمل عليه الآخرون. هناك الكثير من المناسبات التي وجدت فيها أنه يمكنني إضافة قيمة من خلال ملاحظة الفجوات التي قد يغفلها الآخرون بسبب عدم فهمهم لبيانات الشركة.

الخطأ الثاني: اقتحم نفسك في مجال معين من علم البيانات

هل أريد أن أصبح مهندس بيانات أو عالم بيانات؟ هل أرغب في العمل مع بيانات التسويق والمبيعات أم إجراء التحليل الجغرافي المكاني؟ ربما لاحظت أنني كنت أستخدم مصطلح DS حتى الآن في هذه المقالة كمصطلح عام لكثير من المسارات الوظيفية المتعلقة بالبيانات (على سبيل المثال ، مهندس بيانات ، عالم بيانات ، محلل بيانات ، إلخ). ذلك لأن الخطوط غير واضحة للغاية بين هذه العناوين في عالم البيانات هذه الأيام ، خاصة في الشركات الصغيرة. لقد لاحظت أن الكثير من علماء البيانات يرون أنفسهم على أنهم علماء بيانات فقط يبنون نماذج ولا يهتمون بأي جوانب عمل أو مهندسي بيانات يركزون فقط على خطوط أنابيب البيانات ولا يريدون معرفة أي شيء عن النمذجة التي تجري في الشركة.

أفضل مواهب البيانات هم الأشخاص الذين يمكنهم ارتداء قبعات متعددة أو على الأقل قادرون على فهم عمليات أدوار البيانات الأخرى. يكون هذا مفيدًا بشكل خاص إذا كنت ترغب في العمل في مرحلة مبكرة أو بدء التشغيل في مرحلة النمو ، حيث قد لا تكون الوظائف متخصصة حتى الآن ، ويُتوقع منك أن تكون مرنًا وتغطي مجموعة متنوعة من المسؤوليات المتعلقة بالبيانات. حتى إذا كنت في ملف تعريف وظيفي محدد بوضوح ، فكلما اكتسبت المزيد من الخبرة بمرور الوقت ، قد تكتشف أنك مهتم بالانتقال إلى نوع مختلف من دور البيانات. سيكون هذا المحور أسهل بكثير إذا لم تقم بتقسيم نفسك ومجموعة مهاراتك إلى التركيز الضيق لدور واحد محدد.

كيف تتجنب هذا:

  • مرة أخرى ، كن مهتمًا بالمشروعات التي تعمل عليها أدوار البيانات الأخرى. قم بجدولة اجتماعات دورية مع الزملاء للتحدث مع بعضهم البعض حول المشاريع الشيقة أو اجعل فرق البيانات المختلفة تشارك عملهم / مشاريعهم مع بعضهم البعض بشكل دوري.
  • إذا لم تتمكن من التعرض لأدوار البيانات الأخرى في العمل ، فحاول مواكبة / ممارسة مهارات البيانات التي لا تستخدمها أثناء وقت فراغك. على سبيل المثال ، إذا كنت محلل بيانات ولم تتطرق إلى النمذجة منذ فترة ، ففكر في ممارسة المهارات من خلال مشاريع خارجية مثل مسابقة Kaggle.

الخطأ الثالث: عدم مواكبة التطور في المجال

الرضا يقتل

كل جندي يعرف هذا ، ويجب على كل DS أيضًا. يعد الشعور بالرضا عن مهارات البيانات الخاصة بك وعدم تخصيص الوقت لتعلم مهارات جديدة خطأ شائعًا. يعد القيام بذلك في مجال البيانات أكثر خطورة من بعض المجالات الأخرى لأن علم البيانات هو مجال جديد نسبيًا ولا يزال يشهد تغييرات وتطورات جذرية. هناك خوارزميات جديدة باستمرار ، وأدوات جديدة ، وحتى لغات برمجة جديدة يتم تقديمها.

إذا كنت لا تريد أن تكون عالم بيانات واحدًا لا يزال يعرف فقط كيفية استخدام STATA في عام 2021 (هو موجود ، لقد عملت معه) ، فأنت بحاجة إلى مواكبة التطورات في هذا المجال.

لا تدع هذا يكون أنت (GIF بواسطة GIPHY).

كيف تتجنب هذا:

  • اشترك في فصول عبر الإنترنت للتعرف على المفاهيم والخوارزميات الجديدة أو لتحسين المفاهيم التي تعرفها بالفعل ولكنك لم تستخدمها منذ فترة في الوظيفة. القدرة على التعلم هي عضلة يجب على الجميع الاستمرار في ممارستها ، وربما يكون كونك متعلمًا مدى الحياة هو أفضل هدية يمكنك تقديمها لنفسك.
  • اشترك في نشرة إخبارية في DS أو اتبع مدون / منشور DS على Medium واكتسب عادة متابعة "أخبار" DS.

الخطأ الرابع: إرهاق عضلاتك التحليلية

إذا كان كل ما لديك مطرقة ، فإن كل شيء يبدو وكأنه مسمار. لا تكن ذلك DS الذي يحاول استخدام ML في كل شيء. عندما دخلت عالم علوم البيانات لأول مرة ، كنت متحمسًا جدًا لجميع النماذج الفاخرة التي تعلمتها في المدرسة ولم أستطع الانتظار لتجربتها جميعًا على مشاكل العالم الحقيقي. لكن العالم الحقيقي يختلف عن البحث الأكاديمي ، و 80 / 20 حكم دائما في اللعب.

في مقالتي السابقة حول "5 دروس علمتها ماكنزي، "لقد كتبت عن مدى أهمية تأثير الأعمال وقابلية تفسيرها أحيانًا أكثر من النقاط المئوية الإضافية لدقة نموذجك. في بعض الأحيان ، ربما يكون نموذج Excel المستند إلى الافتراضات أكثر منطقية من الشبكة العصبية متعددة الطبقات. في هذه الحالات ، لا تبالغ في استعراض عضلاتك التحليلية وتجعل منهجك مبالغة. بدلاً من ذلك ، قم باستعراض عضلات عملك وكن المدير الذي يتمتع أيضًا بالفطنة التجارية.

كيف تتجنب هذا:

  • تمتع بمجموعة كاملة من المهارات / الأدوات التحليلية في مستودع الأسلحة الخاص بك ، بدءًا من برنامج Excel البسيط وحتى مهارات نمذجة ML المتقدمة ، بحيث يمكنك دائمًا تقييم الأداة الأفضل لاستخدامها في الموقف وعدم إحضار سلاح إلى معركة سكين.
  • افهم احتياجات العمل قبل الخوض في التحليل. في بعض الأحيان ، قد يطلب أصحاب المصلحة نموذج ML لأنه مفهوم شائع ، ولديهم توقعات غير واقعية حول ما يمكن أن تفعله نماذج ML. إن وظيفتك بصفتك DS هو إدارة التوقعات ومساعدتهم على إيجاد طرق أفضل وأبسط لتحقيق أهدافهم. يتذكر؟ كن شريكًا فكريًا ، وليس جنديًا.

الخطأ الخامس: التفكير في بناء ثقافة البيانات هو عمل شخص آخر

في مقالتي "6 خطوات أساسية لبناء ثقافة بيانات عظيمة، "كتبت عن كيف يمكن أن تكون حياة علماء البيانات مروعة وغير منتجة إذا لم يكن لدى الشركة ثقافة بيانات رائعة. في الواقع ، لقد سمعت الكثير من DS يشكو من طلبات بيانات مخصصة غير منتجة والتي ينبغي أن يتعامل معها أصحاب المصلحة بسهولة بطريقة مكتفية ذاتيًا (على سبيل المثال ، تغيير التجميع من شهري إلى يومي في Looker ، والذي يتكون حرفيًا من نقرتين ). لا تعتقد أن تغيير هذه الثقافة هو عمل شخص آخر. إذا كنت تريد رؤية التغييرات ، قم بإجراءها. بعد كل شيء ، من هو الأفضل لبناء ثقافة البيانات وتثقيف أصحاب المصلحة حول البيانات من علماء البيانات أنفسهم؟ إن المساعدة في بناء ثقافة البيانات في الشركة سيجعل حياتك أسهل كثيرًا على الطريق وكذلك أصحاب المصلحة.

كيف تتجنب هذا:

  • اجعل من مسؤوليتك إجراء التدريب لأصحاب المصلحة غير التحليليين وتطوير موارد الخدمة الذاتية.
  • تأكد من بدء ممارسة ما تعظ به ، وابدأ في ربط الاستعلامات بالشرائح ، وربط مصادر بيانات الحقيقة بالوثائق ، وابدأ في توثيق التعليمات البرمجية وقواعد البيانات الخاصة بك. لا يمكنك بناء ثقافة بيانات بين عشية وضحاها ، لذلك من المؤكد أن الأمر يتطلب الصبر.

أريد أن أشير إلى أنه من المقبول ارتكاب أخطاء في حياتك المهنية. أهم شيء هو التعلم من تلك الأخطاء وتجنبها في المستقبل. أو الأفضل من ذلك ، قم بتدوينها لمساعدة الآخرين على تجنب ارتكاب نفس الأخطاء.

أصلي. تم إعادة النشر بإذن.

السيرة الذاتية: تيسا شيه هو مستشار تحليلات متقدم ذو خبرة ماهر في علوم البيانات و SQL و R و Python وأبحاث المستهلك والبحوث الاقتصادية مع خلفية هندسية قوية بعد درجة الماجستير التي تركز على الهندسة المالية من معهد ماساتشوستس للتكنولوجيا.

هذا الموضوع ذو علاقة بـ:


أفلاطون. Web3 مُعاد تصوره. تضخيم ذكاء البيانات.
انقر هنا للوصول.

المصدر: https://www.kdnuggets.com/2021/07/5-mistakes-data-science-career.html

بقعة_صورة

أحدث المعلومات الاستخباراتية

بقعة_صورة