Als je mensen vertelt dat je een datawetenschapper bent, gaat dat gepaard met veel aannames en hoge verwachtingen. Elk bedrijf heeft zijn unieke definitie van wat een Data Scientist doet, dit is afhankelijk van hun verwachtingen. 
Ik dook in de wereld van Data Science na het voltooien van een 9 maanden durende Bootcamp in september 2019. Het curriculum omvatte lineaire algebra, statistiek, toegepaste modellering, SQL, machine learning, computerwetenschappen en productie-implementaties (bijv. git, Flask, AWS). Ik was opgewonden om deel uit te maken van iets dat in een belachelijk tempo groeide. Tesla had zelfrijdende auto's, Instagram creëerde gekke algoritmen en bijna elk bedrijf implementeerde het gebruik van data in hun bedrijfsplannen. 
Na het voltooien van de Bootcamp dacht ik dat ik grote hoeveelheden data zou krijgen, waarbij ik patronen tussen de variabelen zou moeten vinden. Er zou veel data worden opgeschoond en machine learning-modellen worden geïmplementeerd om een ​​beter begrip te krijgen van de huidige en toekomstige output. Ik zag vacatures voor Data Scientists in bijna elke sector, van het voor de hand liggende, zoals Amazon tot nieuwelingen, zoals grote huidverzorgingsmerken. Ik dacht dat ik een carrière tegemoet ging die elk bedrijf nodig had, en hoewel dat waar is, was de realiteit anders.
Ik had veel aannames en verwachtingen over wat de rol van een Data Scientist inhield. In mijn recente jaren in de branche en ook in gesprek met andere datawetenschappers, machine learning-ingenieurs en analisten, begon ik manieren te zien waarop datawetenschap niet aan de verwachtingen in de branche heeft voldaan.
Hieronder zal ik elk punt doornemen. 

Jehyun gezongen via Unsplash

Ik geloof dat om iets succesvol te laten zijn, je het juiste team moet hebben, waarbij elk lid een specifieke vaardigheden heeft. Wanneer alle vaardigheden van het lid bij elkaar komen, is de kans op succes groot. 

In de meeste bedrijven hebben de leidinggevenden die verantwoordelijk zijn voor datawetenschap en het besluitvormingsproces met behulp van datawetenschap, weinig of geen kennis van of kennis van daadwerkelijke datawetenschap. 

Waar laat dat je als Data Scientist? Wanneer u de Data Science-workflow doorloopt, zullen er momenten zijn waarop u wordt geblokkeerd of advies nodig hebt van een expert in het veld. Spreken met leidinggevenden zonder kennis van datawetenschap zal uw werk moeilijk maken, omdat u de verantwoordelijkheid krijgt om het op te lossen. 

Dit wordt een groot probleem wanneer bedrijven de top-downbenadering toepassen, waarbij het besluitvormingsproces op het hoogste niveau plaatsvindt en vervolgens wordt gecommuniceerd aan de rest van het team. Deze aanpak wordt nog steeds sterk geïmplementeerd in veel datagestuurde bedrijven, wat leidt tot hiërarchie en de algehele tevredenheid van het personeel. Als datawetenschapper zit u misschien niet aan tafel of wordt u niet genoeg gewaardeerd en gerespecteerd om deel uit te maken van het besluitvormingsproces. U zult erg gefrustreerd zijn omdat het uw tijd en energie was die is besteed aan het opschonen van de gegevens, het bouwen van modellen en het produceren van nauwkeurige resultaten. 

 
Dit punt hangt samen met het bovenstaande. Het afgelopen decennium is het aantal datagestuurde start-ups drastisch toegenomen. Sommige start-ups doen het vanaf de sprong goed en bouwen efficiënt op, maar de meerderheid heeft <100 werknemers. 

Zodra u de leidinggevenden, directeuren, het HR-team en meer uitsluit, zijn er maar een paar medewerkers die bekwaam zijn in gegevensanalyse, gegevensvisualisatie, machine learning en SQL. Als je een van de primaire Data Scientists in het team bent, is de kans groot dat je overweldigd wordt door de vele verzoeken van verschillende teamleden. 

In dit soort gevallen kan het geen kwaad om nee te zeggen tegen deze verzoeken. Er komt een punt waarop te veel werk u en uw welzijn begint te beïnvloeden. Op dit punt moet het bedrijf de groei van het bedrijf begrijpen en beginnen met het zoeken naar uitbreiding van het datateam. 

Patrick Tomas via Unsplash

Het sollicitatieproces voor een Data Scientist is normaal gesproken erg complex. Kijk even naar eenvoudig leren, om de Top 60 Data Science-interviewvragen en -antwoorden te bekijken: van basis tot technisch. In het verleden zijn mij vragen gesteld over SQL, lineaire en logistieke regressie, beslisboom en meer. 

Je kunt je voorstellen hoe ontmoedigend het is om je voor te bereiden op een Data Science-interview, je moet een breed scala aan concepten door en door kennen! Laat dit je er echter niet van weerhouden om een ​​carrière in Data Science na te streven. Hoe meer context je weet, hoe meer kans je hebt. Blijf doorgaan en oefen de belangrijkste interviewvragen totdat je je zelfverzekerd voelt. U kunt uw personeelsmanagers om details vragen over het sollicitatieproces, wat u zal helpen bij de voorbereiding. 

Als je eenmaal je baan als datawetenschapper hebt gevonden, kan je worden gevraagd om een ​​probleem op te lossen, met minimale of geen richting. Dit kan zijn omdat het wordt aangevraagd door leden van het team die geen kennis hebben van Data Science, of vanwege het misvatting dat Data Scientists alles weten. Mijn advies aan jou is om nauw samen te werken met anderen in het datateam, zoals software engineers en analisten om je hierbij te ondersteunen. Als u helaas de enige gegevenspersoon in het team bent, is het een goed standpunt om een ​​deskundige of zeer bekwame mentor te hebben om u te adviseren. 

 
Het doel van dit artikel was niet om iemand te ontmoedigen om een ​​carrière in Data Science na te streven, het was om mensen een beter begrip te geven van wat de baan kan inhouden. 

Ik wou dat iemand me de uitsplitsing en het advies had gegeven voordat ik aan mijn eerste commerciële Data Science-baan begon. Het is goed om deze dingen on the job te leren, het helpt je groeien. Maar het kan uw leven gemakkelijker maken als u de kennis kunt meenemen en voorbereid bent. 

Dit artikel is ook bedoeld om bedrijven te helpen begrijpen waar ze de fout in gaan en hoe ze kunnen verbeteren. Het algemene doel van een bedrijf is een efficiënt en succesvol bedrijf, en dat begint voor mij bij uw medewerkers. 

 
 
Nisha Arja is een datawetenschapper en freelance technisch schrijver. Ze is vooral geïnteresseerd in het geven van loopbaanadvies op het gebied van Data Science of tutorials en op theorie gebaseerde kennis rond Data Science. Ze wil ook de verschillende manieren onderzoeken waarop kunstmatige intelligentie de levensduur van de mens ten goede komt. Een scherpe leerling, die haar technische kennis en schrijfvaardigheid wil verbreden, terwijl ze anderen helpt te begeleiden.
 

• Coinsmart. Europa's beste Bitcoin- en crypto-uitwisseling.
• Platoblockchain. Web3 Metaverse Intelligentie. Kennis versterkt. GRATIS TOEGANG.
• CryptoHawk. Altcoin-radar. Gratis proefversie.
• Bron: https://www.kdnuggets.com/2022/03/data-science-reality-expectations.html?utm_source=rss&utm_medium=rss&utm_campaign=data-science-reality-vs-expectations