نحوه درخواست برای فرصت های شغلی علم داده چگونه است؟ در سال ۲۰۱۲، مجله هاروارد بیزینس ریویو (Harvard Business Review) دانشمند داده (Data Scientist) را به‌عنوان جذاب‌ترین شغل قرن بیست‌ویکم معرفی کرد. ۱۰ سال بعد، به‌رغم ظهور پلتفرم‌های AutoML (مانند AWS Redshift ML و Google Cloud AutoML) و کندی‌های دوره همه‌گیری کووید-۱۹، دانشمند داده همچنان یکی از مهم‌ترین نقش‌هاست. درواقع دانشمند داده، با میانگین حقوق سالانه ۱۵۰هزار دلار، پردرآمدترین نقش را در صنعت فناوری دارد. اگرچه مسئولیت‌های خاص آنان ممکن است از صنعتی به صنعتی دیگر و از شرکتی به شرکتی دیگر متفاوت باشد، اما اکثر دانشمندان داده در این مأموریت به سازمان‌ها کمک می‌کنند تا از داده‌ها ارزش ایجاد کنند. آنان این کار را با کاوش الگوها و روندها در حجم زیادی از داده‌ها، انتقال نتیجه‌ها به طیف وسیعی از ذی‌نفعان و ایجاد و حفظ مدل‌هایی برای امکان تصمیم‌گیری خودکار انجام می‌دهند؛ از این رو، تبدیل‌شدن به یک دانشمند داده مستلزم مجموعه مهارت‌های منحصربه‌فرد و متنوعی است که آمار، کدنویسی، حس تجاری و ارتباطات را پوشش می‌دهد. در این مطلب چند نکته از دیدگاه متقاضی و مصاحبه‌کننده به اشتراک خواهیم گذاشت تا به شما کمک کند هنگام درخواست برای فرصت های شغلی علم داده و مصاحبه با کارفرما برای نقش شغلی دانشمند داده برجسته‌تر از متقاضیان دیگر شوید و پیشنهاد رؤیایی خود را دریافت کنید.
نکته ۱: با نقش شغلی مدنظر و شرکت آشنا شوید!
همان‌طور که گفتیم، «دانشمند داده» یک اصطلاح مبهم است که می‌تواند به هر نقشی که حول داده می‌چرخد اشاره کند. دو دانشمند داده از شرکت‌های مختلف یا صنایع مختلف ممکن است خود را درگیر انواع مختلفی از وظیفه‌ها بیابند؛ از این رو، خواندن بخش مسئولیت‌ها در شرح شغل ضروری است یا از مصاحبه‌کننده بپرسید: «یک روز در این نقش شغلی چگونه خواهد بود؟ آیا این نقش بیشتر وقت را صرف کاوش و تجسم داده‌ها یا ساختن مدل‌ها می‌کند؟» هر چه جزئیات بیشتری درمورد این نقش بیاموزید، زودتر متوجه خواهید شد که آیا این نقش با مشخصات و علاقه‌های شما مطابقت دارد یا خیر. این به شما کمک می‌کند تا موقعیت‌هایی را که مناسب‌تر هستند هدف قرار دهید و شانس شما را برای رسیدن به شغلی که واقعاً می‌خواهید افزایش می‌دهد.
می‌توانید نکته‌های مفیدی درمورد چگونگی بهبود برندسازی شخصی و تطبیق پروفایل در وب‌سایت‌های شغلی مانند indeed و linkedin یا وب‌سای‌های ایرانی مانند جابینجا و ایران تلنت بیابید. هنگامی که نقش مناسب را برای خود مشخص کردید، گام بعدی این است که اشتیاق خود را به شرکت نشان دهید. این ممکن است برای کسانی که به‌تازگی به‌عنوان یک دانشمند داده شروع به کار کرده‌اند یا کسانی که می‌خواهند شغل خود را تغییر دهند کمی مشکل باشد؛ زیرا ممکن است تجربه زیادی در حل سؤالات تجاری در صنعتی که برای آن درخواست می‌دهید نداشته باشید.
یکی از مواردی که به نظر ما واقعا مفید است این است که روی پروژه‌هایی که مربوط به صنایع هدف هستند کار کنیم و آن‌ها را در رزومه و فرآیندهای مصاحبه ذکر کنیم. به عنوان مثال، اگر هرگز در زمینه امور مالی آموزش ندیده اید اما می خواهید برای نقش دانشمند داده در یک بانک سرمایه گذاری درخواست دهید، کار بر روی یک پروژه هدایت شده می‌تواند به شما کمک کند تا بدانید چه انتظاری از یک دانشمند داده که در امور مالی کار می کند وجود دارد. Kaggle نیز یک پلتفرم خوب است که در آن می‌توانید رقابت‌ها و مجموعه داده‌های جالب زیادی پیدا کنید. با کار بر روی این پروژه‌ها و صحبت در مورد آن‌ها در طول مصاحبه، نه تنها دانش اولیه آن صنعت را ایجاد می‌کنید، بلکه به شرکت نشان می‌دهید که آنقدر به تجارت آن‌ها علاقه‌مند هستید که اوقات فراغت خود را صرف بررسی پروژه‌های آن‌ها می‌کنید.
پیشنهاد می‌کنیم با نقش شغلی دانشمند داده هم بیشتر آشنا شوید.
نکته‌ی شماره‌ی ۲. تخصص فنی خود را ازطریق چالش‌های خانگی نشان دهید!
معمولاً فرایند استخدام دانشمندان داده شامل یک چالش خانگی (چالشی که به شما زمان داده می‌شود در خانه حل کنید) است که در آن یک یا چند مجموعه داده به نامزدها داده می‌شود و چند سؤال تجاری برای حل آن‌ها ارائه می‌شود. اگرچه الزامات ارسال ممکن است متفاوت باشد، معمولاً از داوطلبان انتظار می‌رود کد، مدل‌ها و خروجی تجزیهوتحلیل انجام شده را به اشتراک بگذارند. بسیاری از نامزدها این را فرصتی عالی برای نشان دادن مهارت‌های فنی خود می‌دانند. R و Python زبان‌های اصلی علم داده هستند و هر دو پکیج‌های ضروری خود را برای تجزیهوتحلیل داده‌ها، مدل‌سازی آماری و یادگیری ماشین (Machine Learning) دارند، مانند Pandas، sklearn و statsmodels برای پایتون، و همچنین tidyr، dplyr و caret برای .R اگر در علم داده تازه‌کار هستید، توصیه می‌شود چند دوره حرفه‌ای مانند دوره‌های علم‌داده و هوش تجاری کافه تدریس را بگذرانید.
پیشنهاد می‌کنیم با کاربرد زبان برنامه نویسی پایتون در علم داده هم بیشتر آشنا شوید.
چیزی که گاهی‌اوقات می‌تواند در هنگام درخواست برای فرصت های شغلی علم داده دست‌کم گرفته شود نقش داستان‌سرایی داده (Data Storytelling) است. دانشمندان داده خوب همچنین داستان‌سرایان مؤثری هستند که می‌توانند خروجی‌های مدل خود را به‌خوبی به اشتراک بگذارند تا ذی‌نفعان را متقاعد کنند. به‌قول معروف، «یک عکس ارزش هزار کلمه را دارد»؛ بنابراین مطمئن شوید که تجسم داده‌های بصری را در گزارش تجزیهوتحلیل خود گنجانده‌اید تا به مصاحبه‌گران کمک کنید تا بفهمند چگونه الگوهای موجود در داده‌ها را کشف می‌کنید و همچنین نشان دهید که چگونه مدل شما می‌تواند ارزش ایجاد کند. برای این کار می‌توان از پکیج‌های رایج، مانند matplotlib (Python)، seaborn (Python) و ggplot2 (R)، استفاده کرد.
آخرین اما نه کم‌اهمیت‌ترین موضوع تحویل کد است که بسیار مهم است. همیشه ایده‌ی خوبی است که راه‌حل خود را بر روی Git بسازید و همه فایل‌های وابسته را به‌راحتی در کد خود قرار دهید، مگر آنکه از شما خواسته باشند به شکل دیگری این کار را انجام دهید. هیچ چیز بیشتر از زمانی که مصاحبه‌کننده‌ها یک فایل زیپ (Zip File) دریافت می‌کنند و سعی می‌کنند کد را اجرا کنند نا‌امیدی ایجاد نمی‌کند؛ زیرا فقط پیام‌های خطایی مانند «بسته XYZ یافت نشد» را مشاهده می‌کنند. در همین حال مطمئن شوید که کد شما داکیومنت تمیز و مناسبی دارد که باعث می‌شود افراد بتوانند به‌راحتی کار شما را دنبال کنند.
نکته‌ی شماره‌ی ۳. هنگام به‌اشتراک‌گذاشتن تجربه پروژه‌ی قبلی خود چرخه‌ی عمر محصول داده را در نظر بگیرید!
بیشتر اوقات هنگام درخواست برای فرصت های شغلی علم داده از داوطلبان انتظار می‌رود که تجربه‌ی پروژه‌ی قبلی خود را به اشتراک بگذارند. یک مشکل رایج این است که زمان زیادی را برای توصیف تلاش‌های فنی صرف کنید، برای مثال، نحوه‌ی پاک‌سازی داده‌ها و تنظیم دقیق هایپرپارامترها. این موضوع ممکن است به انتقال بیش‌ازحد اطلاعات غیرضروری به مصاحبه کنندگان بینجامد که نه‌تنها ممکن است به‌طور کامل آن را درک نکنند و درعین‌حال از زمان محدودی که آن‌ها برای تشخیص هوش تجاری و مهارت‌های مدیریتی شما دارند کم می‌کند؛ از این رو، ما توصیه می‌کنیم هنگام آماده‌شدن برای سؤال مصاحبه‌ی درمورد پروژه‌های قبلی خود مطمئن شوید که حتی اگر مستقیماً در همه‌ي این زمینه‌ها درگیر نباشید، پاسخ شما از چارچوب STAR پیروی کند و تمامی مراحل چرخه‌ی عمر محصول داده را پوشش دهد:
- هدف‌ها و سؤالات کسب و کار: پروژه‌ی شما برای حل چه مشکل تجاری تلاش می‌کند؟ پروژه‌ی شما به کدام هدف یا KPI کمک می‌کند؟
- جمع‌آوری داده‌ها: چه چالش(هایی) در جمع‌آوری داده‌ها داشتید و چگونه با آن‌ها مقابله کردید؟
- تجزیهوتحلیل داده‌های اکتشافی: چگونه نتیجه تجزیهوتحلیل خود را به سهامداران غیرفناوری ارائه کردید؟ چه سؤالات یا انتقاداتی را مطرح کردند و چگونه به آن‌ها پاسخ دادید؟
- مدل‌سازی و منطق: چرا مدل(هایی) را که درنهایت اجرا کردید (درمورد انگیزه‌ی فنی و غیرفنی بحث کنید) انتخاب کردید؟ محدودیت‌های کلیدی رویکرد شما چیست؟
- تست و استقرار: چگونه مدل(های) خود را آزمایش و اجرا کردید؟
- نظارت: چه معیارهایی را برای ارزیابی عملکرد مدل انتخاب کردید؟ چه آموخته‌هایی داشتید و چگونه مدل را براساس آموخته‌های خود بهبود بخشیدید؟
علاوه‌براین فراموش نکنید که نقش‌های مختلفی را که در آن دخیل بودند برجسته کنید (برای مثال، مدیران محصول، تحلیلگران داده، مهندسان داده و مدیران عملیات تجاری)، مسئولیت‌های آنان و نحوه‌ی تعامل شما با آنان. با شنیدن این، مصاحبه‌کنندگان شما احتمالاً تحت‌تأثیر حس تجاری و کار تیمی شما قرار می‌گیرند.
جمع‌بندی
در این مطلب به رشد اخیر تقاضا برای دانشمندان داده اشاره کردیم؛ سپس درباره‌ی چند نکته را صحبت کردیم که می‌تواند به شما در پاسخگویی به سؤالات مصاحبه، چه فنی و چه غیرفنی، در حوزه فرصت های شغلی علم داده کمک کند. اگر می‌خواهید در آینده شغلی در حوزه علم داده پیدا کنید، این نکته‌ها را امتحان کنید یا با شروع یک دوره علم داده در کافه تدریس راه خود را به‌سمت پیشنهاد رویایی خود بسازید.
علم داده را آسان بیاموزید!
اگر ورود به حوزه علم داده و دیتا ساینس برای شما جذاب است و دوست دارید در بازارکار جذاب این حوزه فعال شوید، همین حالا می‌توانید دست‌به‌کار شوید و قدم‌های ابتدایی را بردارید.
کلاس‌های آنلاین و ویدئوهای آموزشی کافه‌تدریس به شما کمک می‌کند با به‌روزترین و کامل‌ترین آموزش علم داده و دیتا ساینس دسترسی داشته باشید.
برای آشنایی با کلاس‌های آنلاین و ویدئوهای آموزشی و همین‌طور مشاوره رایگان دوره‌های علم داده روی این لینک کلیک کنید: