评估 权衡你正在考虑的技术、产品和项目的利弊。

数据科学家工作中最重要的软技能

软技能是数据科学家工作的重要组成部分。从商业价值到人际沟通,许多非技术技能对数据科学项目很重要。

杰夫·赫尔曼不是机车专家。他的背景是数学和工程,然后在数据科学中进行额外的研究。但是,当他是铁路公司的数据科学家时,他的工作是看看有关机车的数据,以便预测他们。

因为他不是机车专家,所以他需要在公司里找到专家。

“与那些人有良好的关系会让我的工作更容易,”他说。他说,关系不只是发生。“一个大的团队合作的一部分就是为对方提供价值。”

例如,他注意到一些分析师正在制作Excel报告,这些报告要求令人讨厌的劳动力劳动力。

“我能够用自动化的Python脚本自动化其中的一些过程,这有助于建立关系,”他说。“团队合作是双向的。你提供价值,你就获得价值。”

关系建设和团队合作是关键的软技能数据科学家的工作.还有其他的必要的技能如沟通,道德和理解商业价值,这不是人们通常会想到他们考虑数据科学时的技能。

软技能字云
获得软技能有助于数据科学家的工作

沟通

每个数据科学家都应该拥有的一项技能是与非本体观众沟通的能力。

“这是我认为是最重要的一个技能,”赫尔曼说,现在是纽约市的斯多国学校的数据科学教练。“主要的是能够满足观众他们在哪里。“

在他以前的铁路工作中,赫尔曼将在向其其余的工作解释他的工作时关注结果。他将专注于模型很重要的原因。

“如果你不能解释你的模型,你的模型就不会投入生产,”赫尔曼说。“如果我不能解释为什么这个模型预测煤火车要比我们过去预测煤火车更准确,然后这只是我为了好玩而做的研究,不会产生什么重要的结果。”

但是没有自然沟通者的人可以获得这项技能吗?绝对地。

赫尔曼的学生除了要写一篇技术文章外,还要为非技术人员做一份幻灯片。

他们会把它呈现给导师,而导师会假装他们是非技术的人问一些与商业有关的问题。”

在课堂外,数据科学家可以练习向朋友或家庭成员,聚会团体或托斯科斯事件向朋友或家庭成员解释他们的项目。

随着大流行,大量的聚会活动,技术会议和其他数据科学家可能会去发表的群体在线上网,但人们还有机会给出演示。而在公司内,即使在办公室没有人,还有将演示文稿赫尔曼说。

“如果我制作了一个模型,除非我介绍它,否则它不会进入生产,即使它是一个缩放类型的会议,”他说。

批判性思考

批判性思维技能在任何职业中都很重要,但由于它涉及数据科学,在数据来源方面有更多的紧迫性思维。

“花一点额外的时间来了解并理解你的数据集,”赫尔曼说。“不要接受它。如果您不确定特定列或价值,请执行一些研究 - 查看是否有原因。”

数据科学家往往练习他们的技能他说,使用个人项目并从刮板或下载文件中获取数据集。

而不是直接跳跃进入分析,这将是一个查看数据集的机会,可以帮助在企业环境中制作或打破项目。

批判性思考不仅仅是关于数据集的批评。这也是关于存在的关键的算法.它从最基本的算法开始,所有的基本算法:问题是否需要机器学习或可以用传统的统计或其他一些方法来解决。

“将机器学习施加到一切,但实际上,只有几个问题才有资格获得机器学习解决方案,”在线编码平台的Hackerearth的联合创始人兼首席执行官Sachin Gupta说。

他说:“我在面试求职者时经常问的一个问题是,列出他们早上起床后使用过的手机应用程序的数量。”然后我会询问他们自己对哪些应用程序可以从中受益的看法机器学习提供更多价值和为什么。“

业务重点

日立万塔拉联邦公司(Hitachi Vantara Federal)的数据情报主管鲍比·朗特里(Bobby Rountree)说,数据科学家在将理论与实践联系起来方面往往做得不够。该公司为联邦机构提供技术服务。

“它的价值在于帮助客户有更好的想法,做出更好的投资,做出更好的决定,”他说。

rountree承认,当他第一次开始他的职业生涯时,他没有用一个开始商业心态.幸运的是,这是一种可以学习的技能。

他说:“能够让自己周围都是首先考虑商业的人,这就是我能够推进自己职业生涯的方式。”

数据科学家需要理解在他们的特定行业,在他们的公司,甚至在特定部门或工作职能。他们还需要能够询问正确的问题,以了解客户或用户想要的内容。

“有时他们不知道自己想要什么,或者他们改变了主意,”他说。“你必须能够在飞行中进行调整。”

博思艾伦咨询公司(Booz Allen Hamilton)的人工智能策略和培训主管凯瑟琳•费瑟汉姆(Kathleen Featheringham)表示,数据科学家可能需要成为调查人员。

“我们被问到的第一件事是,'我们想做艾.' And we ask them, "Do what?" she said. "And just because you can, doesn't mean you should."

一旦数据科学家确定了一个需要解决的业务问题,业务价值问题的另一边是解决方案是否将被使用。采用或其他部署问题可能存在文化或管理障碍,即使其他一切顺为正确,也可以杀死数据科学项目。

“人们可能会反抗,”费瑟汉姆说。“他们可能认为机器人来接替他们的工作。所以你需要从心理上考虑确保你能兼顾这两个方面技术和人类元素。最糟糕的是创造一个没有人会使用的东西。“

另一个常见问题是,当用户或客户正在解释问题的范围时,他们遗漏了工作流的关键方面,他们常常这样做,他们甚至没有考虑过。

另一个经常被忽视的数据科学项目业务价值的方面在管理领域。如果公司将人员送出培训Python但员工的绩效评估没有改变,员工使用新技能也没有得到奖励,这样培训就白费了。

企业数据公司Alation的数据分析主管安德里亚·利维(Andrea Levy)表示,数据科学家可以先试着把自己想象成自己的用户之一。

她建议,穿上组织中其他人的比喻帽子,并问自己会关心的东西。

“更好地了解大图片的另一种方式是与其他团队合作“levy说,在一个非正式的环境中。她说,了解他们所做的事情,向他们询问他们使用和生成的数据。

伦理

数据科学家在构建预测模型时具有很大的力量。这选择他们的选择在选择数据集时,在优先考虑某些特征上,以及它们如何使用数据可能会影响项目的成功 - 即使在公司的生存能力。

延续或加剧现有偏见,或创造新的偏见,只是一个潜在的问题。侵犯隐私可能会导致糟糕的公关、违反合规,或让一家刚刚起步的公司陷入厄运。

仅仅因为可以收集数据并不意味着它应该.有时,问题并不明显。

“如果你在银行工作,你可能不舒服地预测基于性别的贷款,”赫尔曼说。“但不同的特征可能与性别高度相关。”

能够解释你的行为也有一个在这里玩的角色。它不仅可以让模型的价值更容易向业务利益相关者传达,但它也可以帮助人们确定决策是否在道德准则中进行。

终身学习

没有数据科学家可以了解一切,即使他们这样做,这个职业也在发展,这令人愉快的掌握状态只持续了片刻

当你遇到一个新问题时,你需要适应做新的研究和学习新的东西。
杰夫·默曼铅数据科学讲师,Flatiron学校

赫尔曼说:“当你遇到一个新问题时,你需要适应做新研究和学习新东西。”“这就是我所说的终身学习者或黑客心态。”

部分基于旧金山的AIOPS技术公司Moogsoft的首席科学官员罗珀斯的一部分具有自然的好奇心。

“有时数据科学可能比科学更受教育的艺术,”他说。“和许多领域一样,有机会发生一些突破。有毅力和了解何时继续寻找 - 在正确的地方——非常重要。”

数据科学软技能有所不同

根据一项民意调查麻省理工学院(MIT)和波士顿咨询集团(Boston Consulting Group)去年末公布的数据显示,在人工智能领域进行重大投资的机构中,有40%没有报告从人工智能中获得商业收益。

该技术在那里。缺少的人是能够识别技术可以提供有意义的商业价值的领域的人,以适用于所有利益相关者。因此,关键在于数据科学家工作的软技能,而不仅仅是技术能力。

下一步

考虑在2021年使用的15个数据科学工具

深入了解商业智能团队

搜索数据管理
搜索AWS.
搜索内容管理
搜索甲骨文
搜索树液
搜索SQL.服务器
关闭