데이터 과학자를 고용하는 방법

현재 사용할 수 있는 데이터의 양이 계속 늘어남에 따라 기업은 데이터 분석에 집중하고 있으며 데이터 과학자에 대한 수요가 급증했습니다.

데이터 과학자의 역할은 2012년 이후 650% 증가 했으며 ROI를 고려할 때 놀라운 일이 아닙니다. 데이터를 사용하여 의사 결정을 내리는 방법을 이해하는 기업은 2020년까지 경쟁업체로부터 1조 2천억 달러를 가져갈 것으로 예상 됩니다.

그러나 데이터를 효과적으로 사용하는 기업과 그렇지 않은 기업 사이에는 여전히 큰 격차가 존재합니다. 2016 년 Forrester 연구 에 따르면 경쟁 우위를 위해 데이터 과학을 사용하는 회사인 "Insights Leaders"로 간주되는 기업은 22%에 불과했으며 이러한 기업은 시장을 선도하는 위치에 설 가능성이 2배 더 높은 것으로 나타났습니다.

최전선에 있는 사람들과 합류하려면 데이터 과학자뿐만 아니라 적합한 데이터 과학자를 고용해야 하며 앞서 언급한 서비스 수요로 인해 쉽지 않을 수 있습니다. Sailthru 의 수석 데이터 과학자이자 EVP 엔지니어링인 Jeremy Stanley 는 고용만으로도 데이터 과학 팀의 시간 중 20% 이상을 쉽게 소비할 수 있다고 추정 합니다.

보다 효율적인 프로세스를 보장하기 위해 무엇을 물어보고 무엇을 찾아야 하는지에 대한 몇 가지 팁이 있습니다.

당신이 원하는 것을 알고

간단해 보이지만 너무 많은 조직에서 먼저 목표를 고려하지 않고 데이터 과학자를 고용하는 것은 안타까운 현실입니다.

채용 프로세스는 팀의 특정 요구 사항을 반영해야 합니다. 지원자가 분석가가 아닌 사람들을 위한 매력적인 시각화 및 대시보드 생성, 심층 신경망 및 머신 러닝 모델 설계 및 개발, 실제 애플리케이션 프로토타이핑을 주로 담당하게 됩니까?

강점이 회사 요구 사항과 일치하지 않는 데이터 과학자를 고용하는 것은 어느 쪽에게도 효과가 없을 것입니다. 프로세스를 시작하기 전에 현실적인 데이터 로드맵을 구축하는 것이 중요합니다.

실용적인 프로세스 개발

데이터 과학자를 인터뷰하는 것은 우리가 언급했듯이 후보자에게 선택권이 있기 때문에 까다로운 과정이 될 수 있습니다. Sailthru의 Stanley는 현장의 유력한 후보자는 종종 3개 이상의 제안을 받을 수 있으며 관리자의 채용 성공률은 일반적으로 50% 미만이라고 지적했습니다.

이는 채용 프로세스의 모든 단계에서 고려해야 할 사항이며, 철저하게 하고 싶지만 잠재적인 후보자를 겁주지 않는 것도 마찬가지로 중요합니다.

예를 들어, 대부분의 조직에서 채용 프로세스의 예비 단계인 가정 시험을 생각해 보십시오. 후보자가 수요가 있고 이미 여러 다른 회사에서 잠재적으로 추구하고 있는 경우(애초부터 이미 고용되었을 가능성이 높음), 며칠 동안의 작업이 필요한 불필요하게 고된 과제를 완료할 인센티브가 거의 없습니다.

Airbnb의 전 분석 책임자인 Riley Newman은 회사가 프로세스의 이 단계에서 너무 까다로운 것이 아니라 "기본 데이터 문제"를 제시했을 뿐이라고 말했습니다.

"여기서 목표는 이력서에 설명된 대로 후보자의 데이터 작업 능력을 검증하는 것입니다."라고 그는 적었 습니다. “우리는 그들에게 몇 가지 데이터 세트를 보내고 기본적인 질문을 합니다. 운동은 경험이 있는 사람이라면 누구나 쉽게 할 수 있어야 합니다.”

더 엄격한 도전을 위해 후보자를 영입할 때, 이는 단순히 기술을 테스트할 수 있는 기회일 뿐만 아니라 회사를 특별하게 만드는 요소를 보여줄 수 있는 기회로 여겨져야 합니다. 기억하십시오: 감정을 느끼는 과정은 두 가지 방식으로 작동합니다.

Newman은 "우리는 (내부 데이터 문제)에 대해 최대한 투명하려고 노력합니다."라고 말했습니다. “저희와 함께 일하는 것이 어떤 것인지 그리고 그 반대의 경우도 마찬가지입니다. 그래서 우리는 후보자가 팀과 함께 앉아 우리 데이터에 대한 액세스 권한을 부여하고 광범위한 질문을 하도록 했습니다. 그런 다음 주변 사람들의 지원을 받아 원하는 대로 문제를 해결할 수 있는 날이 있습니다.

"우리는 질문을 장려하고, 긴장을 풀기 위해 그들과 점심을 먹고, 사소한 일에 얽매이지 않도록 주기적으로 체크인합니다."

올바른 질문을 하세요

때때로 고용 관리자는 인터뷰를 통해 후보자의 기술적 기술 세트의 모든 세부 사항을 드릴다운하고 현재 직무와 관련이 없을 수도 있는 광범위한 역량에 대한 질문을 인터뷰 대상자에게 퍼붓고 싶어합니다. 그건 실수야. 질문을 실제로 사용하는 도구로 제한한 다음 후보자가 특정 문제에 이러한 도구를 적용하는 방법을 조사하여 후속 조치를 취하십시오.

장래의 데이터 과학자가 어떻게 생각하는지 더 잘 이해하려면 해결하려고 시작한 최근 문제를 설명하도록 요청하십시오. 그들이 프로젝트에 어떻게 접근했는지, 그리고 왜 그런 선택을 했는지, 그리고 어떻게 시간과 자원을 할당할지 결정했는지 물어보십시오. 마지막으로, 그들이 프로젝트에서 무엇을 배웠는지, 그리고 무엇을 다르게 할 것인지 물어보십시오.

후보자의 프로세스에 대한 창을 제공하는 것 외에도 데이터 과학자에게 중요할 수 있는 소프트 스킬인 스토리텔링 능력을 보유하고 있는지 여부에 대한 통찰력도 제공합니다.

상황이 후보자의 기술 능력에 대해 더 깊은 검토를 요구할 때 데이터 과학자 Jacqueline Nolis 는 질문을 상대적으로 기본적으로 유지할 것을 권장 합니다. 예를 들어, 후보자의 통계 지식을 조사하는 경우, 그녀는 비즈니스 임원에게 선형 회귀를 설명하는 방법을 묻거나 인터뷰 대상자가 선형 회귀에 대한 몇 가지 대안 모델을 나열하고 그것이 더 좋거나 더 나쁜 이유를 설명할 수 있는지 묻는 것을 제안합니다.

“특정 영역이 주어지면 입문 단계에서만 질문을 던집니다. 예를 들어, 기계 학습 모델에 대해 질문하는 경우 선형 및 로지스틱 회귀에 대해서만 묻고 랜덤 포레스트 또는 부스팅과 같은 고급 주제에 대해서는 묻지 않을 것입니다.”라고 그녀는 썼습니다. "그 이유는 그들이 기본을 이해해야 직업에서 고급 주제를 선택할 수 있어야하기 때문입니다."

그 지점에 도달하기 전에도 Nolis는 후보자에게 주제에 대한 친숙도를 먼저 물어볼 것을 조언합니다.

“그들이 그들이 별로 없다고 말하면, 나는 그것을 건너뜁니다.”라고 그녀는 말했습니다. "나는 후보자가 그 주제에 압도되거나 좌절감을 느끼는 것을 피하고 싶습니다. 왜냐하면 그것이 나머지 인터뷰를 위태롭게 할 수 있기 때문입니다."

이러한 기술과 자격을 찾으십시오

데이터 과학자를 위한 고전적인 벤 다이어그램은 항상 비즈니스, 컴퓨터 공학 및 수학의 연결 고리에 있는 기술 세트를 고정했습니다. 이는 대체로 사실이지만 모든 역할에 전략, 엔지니어링 및 수학적 모델링에 대한 숙달이 필요한 것은 아닙니다. 따라서 다시 한 번, 채우고 있는 직책의 특정 요구 사항을 자세히 살펴보는 것이 가장 좋습니다.

그러나 데이터 과학자가 주로 소유해야 하는 일반적인 기술 기술은 세 가지 범주로 나눌 수 있습니다.

• 데이터베이스, Excel 및 XML 및 SQL과 같은 쿼리 언어로 데이터를 수집하고 저장하려면
• Python, R, Hadoop 및 Spark와 같은 도구를 사용하여 데이터 세트를 분석하고 모델링하려면
• Tableau 및 PowerBL을 포함한 도구를 사용하여 매력적이고 통찰력 있는 시각화를 생성하려면

모든 데이터 과학자가 역할의 모든 측면을 통달해야 하는 것은 아니지만 이러한 기술과 역량은 거의 보편적으로 요구됩니다.

실제로 Google과 Foursquare에서 근무한 데이터 과학자인 Michael Li는 스스로를 데이터 과학자라고 부르는 사람들 중 너무 많은 사람들이 데이터 분석 및 시각화를 위한 포인트 앤 클릭 도구에만 익숙한 "클릭하는 사람"이라고 한탄했습니다.

"R, Python, TensorFlow와 같은 보다 강력한 도구로 코딩할 수 있는 데이터 과학자를 고용할 때입니다."라고 Li 가 썼습니다 . "그리고 기업은 기존 인력을 데이터 과학 및 AI 기술로 훈련시켜 클리커에게 코더가 되는 데 필요한 일부 기술을 가르치는 것을 고려해야 합니다."

그러나 창의성, 비판적 사고 및 비즈니스 감각과 같은 덜 기술적인 기술의 가치를 간과하지 않는 것이 중요합니다.

Insightly 의 데이터 과학자인 Sara Vera 는 데이터 과학 인재를 채용하고 필요에 따라 추가 교육 프로그램에 직원을 보내는 것이 가장 좋은 방법이라고 제안합니다.

"분석적 사고와 의사 소통 기술은 SQL, Python, R보다 가르치기가 더 어렵습니다."라고 그녀 는 썼습니다 . “기술 기술 교육의 추가 이점은 멘토링이 정말 강력한 환경을 조성하여 보다 응집력 있는 팀을 만들 수 있다는 것입니다. 최고의 후보자들은 어쨌든 항상 서로에게서 배우고 싶어할 것입니다.”

경쟁력 있는 급여 제공

마지막으로 데이터 과학자만큼 수요가 많은 전문가는 저렴하지 않습니다. Glassdoor는 미국의 평균 데이터 과학자 급여 를 연간 $139,840로 나열합니다.

이 긴 과정을 거친 후 낮은 급여 제안으로 소중한 후보자를 잃지 않도록 하십시오. 기억하십시오: 그 또는 그녀는 선택권이 있을 것입니다.

집에서 경력 향상을 위한 데이터 기술을 배우십시오!

BrainStation은 데이터 과학, 데이터 분석, 기계 학습 및 파이썬 프로그래밍 분야의 온라인 라이브 인증 과정을 제공합니다. 라이브 수업에 참석하고 전 세계 어디에서나 강사 및 동료와 교류하십시오.

학습 고문과 상담