Снимка от rawpixel в Unsplash

Как да наемете учен с данни

Исках да напиша публикация за получаване на работа като специалист по данни. Но боже мой, толкова много вече има. Има съвети относно изграждането на портфолио. Има списъци, пълни с предложени умения. Има шаблонни отговори на често задавани въпроси за интервю. Като прочетох всичко това ме накара да се замисля - какви кандидати създава тази общност?

Откъдето стоя, не изглежда добре.

Разбира се, никога не съм работил в голям екип за научни данни. Плюс това, бях един вид, който се запознах с науката за данни, като известно време работех в обикновен стар анализ на данни и BI. Но ми се струва, че тези статии, пълни с умения и съвети за портфолио, изграждат средни кандидати. Това не би имало толкова голямо значение, ако науката за данните е толкова комодитизирана, колкото счетоводството. Но не е

Стойността, която може да има наемането на първия или втория аналитик за бизнес, е луда. Може (и трябва) да е като включване на светлините. Има толкова много компании по тъмно и всички те търсят изключителни, интересни и уверени анализатори. Ако все още не са, скоро ще бъдат.

Ако сте бизнес, който се стреми да наеме страхотен наем, ето моят съвет:

образование

Образованието няма значение. Писна ми да гледам обяви за работа, които казват, че е необходима докторска степен. Бъдете честни със себе си - ако няма да имате нужда от тези хора да правят изследвания (а в някои случаи дори и да ги правите), оставете докторантите сами.

Може да изглежда добре във вашата org-диаграма, но е лошо за човечеството. Необходима е много работа, за да се получи докторска степен. Тези хора са (или поне са били) подтиквани от страст към откриването, за работа в границите. Ако просто ще ги накарате да пишат код и да избутате диаграмата си за растеж нагоре и надясно, оставете науката да ги поддържа. Моля, науката има нужда от тях.

Разбира се, е техен избор какво да правят с кариерата си. Но заплатата на докторант по данни изглежда много убедителна за човек, който току-що е прекарал 4 години на стипендия. Попитайте ги дали ще вземат работата за половината пари. Ако кажат „да“, платете им повече, отколкото поискаха - те си заслужават да запазите и мисията ви очевидно е важна.

Не бива да намалявате заплатите за научни данни. Това би било глупаво. Въпреки това не се подвеждайте, причината тези хора да работят върху повишаването на вашия CTR е същата причина последното поколение докторанти STEM да работят на Wall St.

Какво ще кажете за MOOC?

Най-добрите учени за данни, които съм виждал, са научили своите умения в онлайн курсове. Това е напълно вярно, но има важно предупреждение. Тези хора работиха в бизнес, развиха експертен опит в областта на домейните, взеха курсове за машинно обучение и статистика и комбинираха тези умения със знанията си, за да окажат огромно въздействие.

Не съм виждал много хора с произход само от MOOC да излизат извън компания, за да правят големи вълни в нея. Мисля, че това има по-малко общо с качеството на образованието и повече от липсата на специфичен за бизнеса (или може би бизнес като цяло) опит.

И така, какво да правите?

Е, нека ви попитам това. Случвало ли ви се е да наемете HR асистент, който не е учил за бакалавърска степен по човешки ресурси? Случвало ли ви се е да наемете софтуерен разработчик, който учи музика или счетоводител с магистърска степен по география? Случвало ли ви се е да наемете ръководител на отдел за обслужване на клиенти, който изобщо не е ходил в университет, но има кофи от житейски опит?

Чрез наемане само на специалисти с компютърни науки или статистики ние изграждаме монокултура. Разчитането на квалификации е по подразбиране, когато нямате представа какво ще прави човекът. Така че научете. И след това преценявайте кандидатите по същата евристика, която бихте използвали за всяка друга позиция.

портфейли

Успехът на Kaggle е провал на любопитството. Имате ли представа колко проблеми с данните искам да реша във всеки даден момент? Много.

Световете на бизнеса, науката, спорта, социалните мрежи, новини, финанси, природни ресурси, политика, икономика и медицина са изпълнени до ръба с открити проблеми. Всеки учен с данни, който не е достатъчно любопитен да извлича, чисти, управлява и анализира данни и да разказва история за проблем, който ги интересува, не е този, който трябва да наемете.

Ако помолите кандидат да опише скорошен проект и не можете да ги накарате да спрат да говорят за 15 минути - наемете ги.

Изчистените набори от данни и предварително зададените цели са анатема за учения. Трябва да попитате кандидатите как са намерили проблеми за решаване. Ако отговорът е Kaggle и ви харесва този отговор, бъдете готови да захранвате винаги новите си проблеми, с които да работите.

Може да си помислите, че тъй като аз толкова подкрепям научното начинание, че бих ви посъветвал да погледнете отвъд графиките и графиките и визуализациите. Не. Как учените по данни съобщават решението на даден проблем е едно от най-важните (ако не и най-важните) неща, които ще направят в работата си.

Вижте класациите. Задавайте въпроси. Ако не разбирате какво гледате до края на интервюто, не наемайте този човек.

Меки умения

Това ни води към меки умения. Преди няколко години хората гледаха докторантите, влизащи в индустрията с подозрение. Те смятаха, че ще им бъде трудно да управляват, че може да са риск за полет. Те се защитиха, като им платиха много пари и ги оставиха най-вече да се самоуправляват.

Това е по подразбиране

Компаниите от Силиконовата долина се състезават за най-добрите в таланта за машинно обучение и по този начин правят породи дивоти. Сега всички останали правят същото.

Надарените хора винаги са най-трудни за разбиране, нали?

Това очевидно не е вярно.

Не наемайте някой, който не харесвате.

интерес

Защо искате да работите тук? Това е въпрос, който организациите за наемане задават непрекъснато. Но ако се наемете за първи или втори учен с данни, отговорът, който обикновено получавате, е свързан с тяхната възможност за изграждане на екип или за разработване на нова техника - възможността „greenfield, blue-sky“ да използвате вашата здрава компания като домакин за тяхната амбиция. Като вирус.

Ако кандидатът вижда как вашата компания е свързана с тях и нищо за вашата мисия, не я наемайте. Те ще напуснат, когато зеленото поле стане кафяво.