Afbeelding door auteur
 

Ik ken een man die een ongelooflijke codeur is. Hij pakte Python op voor zijn carrièreswitch en stapte vervolgens snel over op JavaScript, Go, SQL en een paar andere, gewoon voor de kick. En hij is ook goed, niet alleen een van die mensen die talen op hun cv zetten zonder 'nee' datawetenschapper vaardigheden om ze te ondersteunen.

Maar hij heeft moeite om aangenomen te worden. Ik ontmoette hem een ​​paar weken geleden voor een kopje koffie, en ons gesprek inspireerde dit artikel. Zonder hem al te veel te willen beledigen, bracht ik ter sprake hoe zijn laatste interview was verlopen. Hij was wat laat gekomen, hij had daarna geen bedankmail gestuurd, en hoewel hij elk codeerprobleem oploste, ging hij niet verder in op de vragen op het whiteboard dan het uitspugen van een perfect correct antwoord.

‘Kev,’ zei ik tegen hem, ‘je codering is ongelooflijk goed. Elk bedrijf zou blij zijn met jou als datawetenschapper. Maar je moet aan je soft skills werken.”

Hier zijn de vier belangrijkste soft skills die ik elke datawetenschapper aanbeveel, of je nu het veld in wilt, vooruitgang wilt boeken in je carrière of gewoon beter werk wilt leveren.

Afbeelding door auteur

Iedereen denkt dat dit betekent dat je moet kunnen praten. Het tegenovergestelde is waar: bij goede communicatie gaat het erom dat je kunt luisteren, vooral in de datawetenschap.

Stel je dit scenario voor: een stakeholder, misschien een VP marketing, komt naar je toe met een vraag over een campagne die ze wil voeren. Ze is er enthousiast over en heeft een visie in haar hoofd, maar ze weet niet zeker hoe ze de impact ervan moet meten of welke gegevens ze nodig heeft. In plaats van meteen in de technische details te duiken van hoe je de gegevens kunt ophalen of welke modellen je kunt gebruiken, luister je eerst. Je laat haar haar doelen, haar zorgen en wat ze hoopt te bereiken met de campagne uitleggen.

Door actief te luisteren, kunt u de bredere context van haar verzoek begrijpen. Misschien is ze niet alleen op zoek naar een eenvoudige analyse, maar wil ze het gedrag van klanten begrijpen of het publiek segmenteren op een manier waar ze nog niet aan had gedacht. Door eerst te luisteren, kunt u een oplossing bieden die is afgestemd op haar werkelijke behoeften, en niet alleen op de initiële taak.

Communicatie is de sleutel in datawetenschap. Je werkt niet de hele dag in een donkere kelder en typt code op een toetsenbord; je krijgt aanvragen en moet presentaties maken en met mensen omgaan. Als in data-analist vaardigheden, moet u weten hoe u moet communiceren om te slagen.

De StackOverflow 2023 Developer-enquête is eigenlijk een goed voorbeeld van aanpassingsvermogen. De auteurs introduceerden voor het eerst een AI-sectie, waaruit een opmerkelijk aanpassingsvermogen blijkt aan een veranderend ontwikkelingslandschap.

AI is slechts één voorbeeld. Datawetenschap is een geweldige illustratie van dat oude gezegde: de enige constante is verandering. Om een ​​succesvolle datawetenschapper te zijn, moet je klaar zijn om met de klap aan de slag te gaan.

Dit kan veel verschillende dingen betekenen. De meest voor de hand liggende toepassing is dat je gemakkelijk nieuwe technologie kunt leren. Cloudtechnologie is nieuw. AI is nieuw. FastAPI is nieuw. Je moet het allemaal bijhouden.

Een andere toepassing is het bijhouden van de arbeidsmarkt. De trend van de laatste tijd is niet alleen een datawetenschapper in de traditionele zin van het woord; veel werkgevers verwachten dat je veel hoeden draagt. Je moet ook een data-ingenieur, een machine learning-ingenieur en soms zelfs een domeinexpert zijn. De grenzen tussen deze rollen vervagen en moderne datawetenschappers moeten vaak jongleren met taken die ooit in afzonderlijke rollen waren ondergebracht.

Je kunt het ook opvatten als het begrijpen en integreren van feedback. Als datawetenschappers bouwen we vaak modellen of oplossingen op basis van bepaalde aannames of datasets. Maar ze werken niet altijd zoals verwacht. Aanpasbaar zijn betekent dat u deze feedback op de voet volgt, uw modellen herhaalt en deze verbetert op basis van resultaten uit de praktijk.

Misschien wel de slechtste maar belangrijkste toepassing is het aanpassingsvermogen om ontslagen te worden. 2021 en 2022 waren rare jaren voor de arbeidsmarkt, met tonnen grote bedrijven die zonder enige waarschuwing grote hoeveelheden werknemers ontsloegen. Het is een goed idee om op deze mogelijke uitkomst te anticiperen en erop voorbereid te zijn.

Afbeelding door auteur
 

Weet je nog hoe ik doorzeurde over communicatie? Teamwerk en samenwerking passen in hetzelfde plaatje. Als datawetenschapper werk je niet alleen samen met andere datawetenschappers. Iedereen houdt van alles wat met gegevens wordt ondersteund, dus u zult de ontvanger zijn van een groot aantal verzoeken om PowerPoint-presentaties, rapporten en grafieken te maken.

Om dit met succes te doen, moet je aardig met anderen spelen. Bij datawetenschapsprojecten wordt vaak gewerkt met multifunctionele teams, waaronder bedrijfsanalisten, ingenieurs en productmanagers. Effectief kunnen samenwerken zorgt ervoor dat de data science-oplossingen aansluiten bij de bedrijfsdoelstellingen.

In een van mijn vorige rollen wilde het productteam bijvoorbeeld een nieuwe functie in onze app introduceren. Uiteraard waren er gegevens nodig om hun beslissing te ondersteunen. Ze benaderden mij en de rest van het datawetenschapsteam voor inzichten in gebruikersgedrag met betrekking tot vergelijkbare functies.

Tegelijkertijd wilde het marketingteam weten hoe deze nieuwe functie de betrokkenheid en retentie van gebruikers zou kunnen beïnvloeden. Ondertussen moest het technische team de technische vereisten begrijpen en begrijpen hoe de datapijplijnen zouden worden beïnvloed.

Ons team werd hierin centraal. We moesten de vereisten van het productteam verzamelen, inzichten verschaffen aan het marketingteam en samenwerken met het technische team om een ​​soepele gegevensstroom te garanderen. Dit vereist niet alleen technische expertise, maar ook het vermogen om de behoeften van elk team te begrijpen, effectief te communiceren – en soms te bemiddelen tussen tegenstrijdige belangen.

Ik neem de vluchtroute en zeg niets probleemoplossing als de ultieme zachte vaardigheid, omdat ik denk dat deze te veel wordt gebruikt. Maar eerlijk gezegd komt nieuwsgierigheid op hetzelfde neer.

Als datawetenschapper hoef ik je waarschijnlijk niet te vertellen dat je tegen veel problemen aanloopt. Maar in de kern is elk probleem eigenlijk een vraag.

“Onze gebruikers converteren niet”, wordt “Hoe kunnen we dit product aantrekkelijker maken?”

“Mijn model geeft me geen nauwkeurige voorspellingen”, wordt “Wat kan ik veranderen om mijn model realistischer te maken?” 

‘Onze omzet is het afgelopen kwartaal gedaald’, wordt ‘Welke factoren hebben deze daling beïnvloed en hoe kunnen we deze aanpakken?’

Elk van deze problemen verandert, wanneer ze met een nieuwsgierige instelling worden benaderd, in een vraag die begrip en verbetering nastreeft. Nieuwsgierigheid drijft je om dieper te graven, om dingen niet zomaar voor lief te nemen, en om voortdurend naar betere oplossingen te zoeken.

Kevin was vanaf mijn intro over het algemeen een nieuwsgierig persoon. Maar om de een of andere reden had hij oogkleppen op als het op datawetenschap aankwam. Elk probleem werd een spijker die met een codehamer moest worden opgelost. En de realiteit is dat op die manier niet veel datawetenschappelijk werk kan worden gedaan.

Hij gaf me een voorbeeld van iets dat hem onlangs tijdens een interview werd gevraagd: “Het klantenserviceteam heeft klachten ontvangen over het afrekenproces op de website. Hoe zou jij dit aanpakken?”

Kevin vertelde gedetailleerd hoe hij de technische storing zou oplossen. Maar het antwoord waar zijn interviewer naar op zoek was, was een vraag als: "Waarom vinden gebruikers het afrekenproces omslachtig?"

In de echte wereld zou een datawetenschapper deze vraag moeten stellen om het probleem op te lossen. Misschien ondervinden gebruikers uit een bepaalde regio problemen als gevolg van de integratie van een lokale betalingsgateway. Of misschien is de mobiele versie van de site niet zo gebruiksvriendelijk, waardoor het winkelwagentje wordt verlaten.

Door het probleem als een vraag te formuleren, stopt de datawetenschapper niet alleen bij het identificeren van het probleem; ze verdiepen zich in het ‘waarom’ erachter. Deze aanpak leidt niet alleen tot effectievere oplossingen, maar brengt ook diepere inzichten aan het licht die strategische beslissingen kunnen aansturen.

Er zijn talloze zachte vaardigheden die ik hier niet heb genoemd, zoals empathie, veerkracht, timemanagement en kritisch denken, om er maar een paar te noemen. Maar als je erover nadenkt, vallen ze allemaal in die haakjes.

Met mensen communiceren. Weet hoe je moet veranderen. Met anderen kunnen samenwerken. En benader problemen met nieuwsgierigheid. Met deze vier zachte vaardigheden kunt u elk probleem, sollicitatiegesprek of bug die op uw pad komt, aanpakken.
 
 

Nate Rosidi is een datawetenschapper en in productstrategie. Hij is ook een adjunct-professor onderwijsanalyse en is de oprichter van StrataScratch, een platform dat datawetenschappers helpt bij het voorbereiden van hun interviews met echte interviewvragen van topbedrijven. Maak contact met hem op Twitter: StrataScratch or LinkedIn.

• Door SEO aangedreven content en PR-distributie. Word vandaag nog versterkt.
• PlatoData.Network Verticale generatieve AI. Versterk jezelf. Toegang hier.
• PlatoAiStream. Web3-intelligentie. Kennis versterkt. Toegang hier.
• PlatoESG. carbon, CleanTech, Energie, Milieu, Zonne, Afvalbeheer. Toegang hier.
• Plato Gezondheid. Intelligentie op het gebied van biotech en klinische proeven. Toegang hier.
• Bron: https://www.kdnuggets.com/soft-skills-every-data-scientist-needs?utm_source=rss&utm_medium=rss&utm_campaign=soft-skills-every-data-scientist-needs