كيف توظف عالم بيانات

مع الوفرة المتزايدة من البيانات المتاحة الآن ، تركز الشركات على تحليل البيانات - وظهر طلب شرس على علماء البيانات.

زادت أدوار علماء البيانات بنسبة 650٪ منذ عام 2012 ، وهو أمر لا يثير الدهشة بالنظر إلى عائد الاستثمار. من المتوقع أن تحصل الشركات التي تفهم كيفية استخدام البيانات لدفع عملية صنع القرار على 1.2 تريليون دولار من منافسيها بحلول عام 2020.

ولكن لا تزال هناك فجوة واسعة بين الشركات التي تستخدم البيانات بشكل فعال وتلك التي لا تستخدم البيانات. وجدت دراسة أجرتها Forrester عام 2016 أن 22 بالمائة فقط من الشركات كانت تعتبر "رواد رؤى" - الشركات التي تستخدم علم البيانات لتحقيق ميزة تنافسية - وأن هذه الشركات كانت على الأرجح بمرتين لتحتل مكانة رائدة في السوق.

للانضمام إلى هؤلاء الموجودين في الجزء الأمامي من الحزمة ، لن تحتاج فقط إلى تعيين عالم بيانات ولكن أيضًا عالم البيانات المناسب ، ومع هذا الطلب المذكور أعلاه لخدماتهم ، قد لا يكون الأمر بهذه السهولة. يقدر جيريمي ستانلي ، كبير علماء البيانات و EVP Engineering في Sailthru ، أن التوظيف وحده يمكن أن يستهلك بسهولة 20 بالمائة أو أكثر من وقت فريق علوم البيانات.

لضمان عملية أكثر كفاءة ، إليك بعض النصائح حول ما يجب طرحه وما الذي تبحث عنه.

اعرف ما الذي تريد

يبدو الأمر بسيطًا ، لكنها حقيقة مؤسفة أن العديد من المنظمات توظف علماء البيانات دون التفكير أولاً في أهدافهم.

يجب أن تعكس عملية التوظيف الاحتياجات المحددة لفريقك. هل سيكون مرشحك مسؤولاً بشكل أساسي عن إنشاء تصورات ولوحات معلومات جذابة لغير المحللين ، أو تصميم وتطوير الشبكات العصبية العميقة ونماذج التعلم الآلي ، أو عمل نماذج أولية لتطبيقات حقيقية؟

إن تعيين عالم بيانات لا تتوافق قوته مع احتياجات شركتك لن يعمل بشكل جيد لأي من الطرفين. يعد بناء خارطة طريق بيانات واقعية قبل بدء العملية أمرًا بالغ الأهمية.

تطوير عملية عملية

يمكن أن تكون إجراء مقابلات مع علماء البيانات عملية صعبة لأنه ، كما ذكرنا ، لدى المرشحين خيارات. أشار ستانلي من سيلثرو إلى أن المرشحين الأقوياء في هذا المجال يمكنهم غالبًا تلقي ثلاثة عروض أو أكثر ، وعادة ما تكون معدلات نجاح التوظيف للمديرين أقل من 50 بالمائة.

هذا شيء يجب مراعاته في كل مرحلة من مراحل عملية التوظيف ، وعلى الرغم من أنك تريد أن تكون دقيقًا ، إلا أنه من الضروري أيضًا عدم إخافة المرشحين المحتملين.

ضع في اعتبارك ، على سبيل المثال ، الاختبار المنزلي الذي يعد خطوة أولية في عملية التوظيف لمعظم المؤسسات. إذا كان هناك طلب على أحد المرشحين ومن المحتمل أن تلاحقه بالفعل عدة شركات أخرى - ومن المحتمل أن يكون قد تم توظيفه بالفعل في المقام الأول - فلن يكون لديه حافزًا كبيرًا لإكمال مهمة شاقة بلا داع تتطلب أيام عمل.

قال رايلي نيومان ، الرئيس السابق للتحليلات في Airbnb ، إن الشركة طرحت "تحديًا أساسيًا للبيانات" في هذه الخطوة من العملية ، بدلاً من أي شيء يتطلب الكثير.

كتب "الهدف هنا هو التحقق من صحة قدرة المرشح على العمل مع البيانات ، كما هو موضح في سيرته الذاتية" . "نرسل بعض مجموعات البيانات إليهم ونطرح سؤالاً أساسياً ؛ يجب أن يكون التمرين سهلاً لأي شخص لديه خبرة ".

عندما يتم جلب المرشحين في نهاية المطاف لتحدٍ أكثر صرامة ، يجب أن يُنظر إليه ليس فقط كفرصة لاختبار مهاراتهم ، ولكن أيضًا لإظهار ما يجعل شركتك مميزة. تذكر: عملية الشعور بالخارج تعمل في كلا الاتجاهين.

قال نيومان: "نحاول أن نتحلى بالشفافية بشأن (تحدي البيانات الداخلية لدينا) قدر الإمكان". "يمكنك أن ترى ما يشبه العمل معنا والعكس صحيح. لذلك لدينا المرشح يجلس مع الفريق ، ويمنحهم إمكانية الوصول إلى بياناتنا ، وطرح سؤال واسع. ثم يكون لديهم اليوم لمهاجمة المشكلة ولكنهم يميلون ، بدعم من الناس من حولهم.

"نشجع الأسئلة ، نتناول الغداء معهم لتخفيف التوتر ، وقم بتسجيل الوصول بشكل دوري للتأكد من أنهم ليسوا عالقين في شيء تافه."

اطرح الأسئلة الصحيحة

في بعض الأحيان ، يميل مديرو التوظيف إلى استخدام المقابلة للتعمق في كل التفاصيل الأخيرة لمجموعة المهارات الفنية للمرشح ، ويقابلون من تتم مقابلتهم باستفسارات حول مجموعة واسعة من الكفاءات التي قد لا تكون ذات صلة بالوظيفة الحالية. هذا خطأ. قصر أسئلتك على الأدوات التي تستخدمها بالفعل ، ثم المتابعة عن طريق التحقيق في كيفية قيام المرشح بتطبيق هذه الأدوات على مشكلة معينة.

للحصول على فكرة أفضل عن طريقة تفكير عالم البيانات المرتقب ، اطلب منهم شرح مشكلة حديثة بدأوا في حلها. اسأل كيف تعاملوا مع المشروع - ولماذا اتخذوا الخيارات التي قاموا بها - وكيف حددوا كيفية تخصيص وقتهم ومواردهم. أخيرًا ، اسألهم عما تعلموه من المشروع - وماذا سيفعلون بشكل مختلف.

إلى جانب إعطائك نافذة على عملية المرشح ، سيمنحك هذا أيضًا نظرة ثاقبة حول ما إذا كان يمتلك مهارة ناعمة يمكن أن تكون ضرورية لعلماء البيانات: القدرة على سرد القصص أم لا.

عندما يتطلب الموقف نظرة أعمق على البراعة الفنية للمرشح ، توصي عالمة البيانات جاكلين نوليس بإبقاء الأسئلة أساسية نسبيًا. على سبيل المثال ، عند التحقيق في معرفة المرشح بالإحصاءات ، تقترح السؤال عن كيفية شرح الانحدار الخطي لأحد المديرين التنفيذيين في الشركة ، أو إذا كان بإمكان الشخص الذي تمت مقابلته سرد بعض النماذج البديلة للانحدار الخطي وشرح سبب كونها أفضل أو أسوأ.

"بالنظر إلى منطقة معينة ، أطرح الأسئلة على مستوى تمهيدي فقط. على سبيل المثال ، إذا طرحت سؤالاً حول نماذج التعلم الآلي ، فسأطلب فقط عن الانحدارات الخطية واللوجستية وأتجنب السؤال عن مواضيع أكثر تقدمًا مثل الغابات العشوائية أو التعزيز ، كما كتبت. "السبب في ذلك هو أنهم إذا فهموا الأساسيات ، فيجب أن يكونوا قادرين على اختيار الموضوعات المتقدمة في الوظيفة."

حتى قبل الوصول إلى هذه النقطة ، ينصح نوليس بسؤال المرشح أولاً عن مدى إلمامه بالموضوع.

قالت: "إذا قالوا إنهم لا يملكون الكثير ، أتخطى ذلك". "أريد أن أتجنب شعور المرشح بالإرهاق أو الإحباط بسبب هذا الموضوع ، لأن ذلك قد يعرض بقية المقابلة للخطر".

ابحث عن هذه المهارات والمؤهلات

لطالما ربط مخطط Venn الكلاسيكي لعلماء البيانات مجموعات مهاراتهم بأنها تجلس في حلقة الوصل بين الأعمال وعلوم الكمبيوتر والرياضيات. في حين أن هذا صحيح إلى حد كبير ، لا تتطلب جميع الأدوار التمكن من الإستراتيجية والهندسة والنمذجة الرياضية. لذا ، مرة أخرى ، من الأفضل التعمق في الاحتياجات المحددة للوظيفة التي تملأها.

ومع ذلك ، يمكن تقسيم المهارات التقنية العامة التي يحتاج علماء البيانات في الغالب إلى امتلاكها إلى ثلاث فئات:

• لجمع البيانات وتخزينها باستخدام قواعد البيانات و Excel ولغات الاستعلام مثل XML و SQL
• لتحليل ونمذجة مجموعات البيانات باستخدام أدوات مثل Python و R و Hadoop و Spark
• لإنشاء تصورات جذابة وثاقبة باستخدام أدوات بما في ذلك Tableau و PowerBL

على الرغم من أنه ليس كل عالم بيانات يحتاج إلى إتقان جميع جوانب الدور ، فإن هذه المهارات والكفاءات مرغوبة عالميًا تقريبًا.

في الواقع ، أعرب مايكل لي ، عالم البيانات الذي عمل في Google و Foursquare ، عن أسفه لأن الكثير من الأشخاص الذين يطلقون على أنفسهم علماء البيانات هم حقًا "نقرون" ، ولا يرتاحون إلا لأدوات التأشير والنقر لتحليل البيانات والتخيل.

كتب لي: "حان الوقت لتوظيف علماء البيانات الذين يمكنهم البرمجة باستخدام أدوات أكثر قوة ، مثل R و Python و TensorFlow" . "ويجب على الشركات التفكير في تدريب القوى العاملة الحالية لديها على علوم البيانات ومهارات الذكاء الاصطناعي من أجل تعليم مستخدمي النقرات بعض المهارات التي سيحتاجون إليها ليصبحوا مبرمجين."

ومع ذلك ، من المهم عدم إغفال قيمة المهارات الأقل تقنية مثل الإبداع والتفكير النقدي والحس التجاري.

تقترح سارة فيرا ، عالمة البيانات في Insightly ، أن أفضل نهج هو توظيف موهوبين في علوم البيانات وإرسال موظفيك لبرامج تدريبية إضافية حسب الحاجة.

كتبت: "التفكير التحليلي ومهارات الاتصال أصعب في التدريس من SQL و Python و R" . "الميزة الإضافية للتدريب على المهارات التقنية هي أنك تخلق بيئة يكون فيها الإرشاد قويًا حقًا ، مما يخلق فريقًا أكثر تماسكًا. سيرغب أفضل المرشحين في التعلم دائمًا من بعضهم البعض على أي حال ".

تقديم رواتب تنافسية

أخيرًا ، من الجدير بالذكر أن المتخصصين المطلوبين مثل علماء البيانات لا يأتون بثمن بخس ؛ يسرد Glassdoor متوسط ​​راتب عالم البيانات في الولايات المتحدة بمبلغ 139،840 دولارًا في السنة.

بعد هذه العملية الطويلة ، تأكد من عدم خسارة مرشحك الحائز على جوائز بسبب عرض راتب منخفض. تذكر: من المحتمل أن يكون لديه خيارات.

تعلم مهارات البيانات لتعزيز حياتك المهنية - من المنزل!

تقدم BrainStation دورات شهادات مباشرة عبر الإنترنت في علوم البيانات ، وتحليلات البيانات ، والتعلم الآلي ، وبرمجة Python. احضر دروسًا مباشرة وتفاعل مع المدرسين والأقران من أي مكان في العالم.

تحدث إلى مستشار التعلم