Jak zatrudnić analityka danych

Przy stale rosnącej ilości dostępnych danych firmy koncentrują się na analizie danych – i pojawiło się duże zapotrzebowanie na Data Scientists.

Role naukowców zajmujących się danymi wzrosły o 650 procent od 2012 roku, co nie jest zaskakujące, biorąc pod uwagę zwrot z inwestycji. Przewiduje się, że do 2020 r. firmy, które rozumieją, jak wykorzystywać dane do podejmowania decyzji, odbiorą swoim konkurentom 1,2 biliona dolarów.

Jednak nadal istnieje duża przepaść między firmami efektywnie wykorzystującymi dane a tymi, które tego nie robią. Badanie firmy Forrester z 2016 r . wykazało, że tylko 22 procent firm uznano za „liderów wglądu” – firmy, które wykorzystują analizę danych w celu uzyskania przewagi konkurencyjnej – i że firmy te dwukrotnie częściej zajmują pozycję lidera na rynku.

Aby dołączyć do czołówki, musisz nie tylko zatrudnić Data Scientist, ale także odpowiedniego Data Scientist, a przy wspomnianym wcześniej zapotrzebowaniu na ich usługi może to nie być takie proste. Jeremy Stanley, Chief Data Scientist i EVP Engineering w Sailthru szacuje , że samo zatrudnianie może z łatwością pochłonąć 20 procent lub więcej czasu zespołu Data Science.

Aby zapewnić wydajniejszy proces, oto kilka wskazówek, o co pytać i na co zwracać uwagę.

Wiedz, czego chcesz

Brzmi to prosto, ale to niefortunna rzeczywistość, że zbyt wiele organizacji zatrudnia Data Scientists bez uprzedniego rozważenia ich celów.

Proces rekrutacji powinien odzwierciedlać specyficzne potrzeby Twojego zespołu. Czy Twój kandydat będzie głównie odpowiedzialny za tworzenie atrakcyjnych wizualizacji i pulpitów nawigacyjnych dla osób nie będących analitykami, projektowanie i rozwijanie głębokich sieci neuronowych i modeli uczenia maszynowego, czy też prototypowanie rzeczywistych aplikacji?

Zatrudnienie analityka danych, którego mocne strony nie pasują do potrzeb Twojej firmy, nie będzie dobrze działać dla żadnej ze stron. Zbudowanie realistycznej mapy drogowej danych przed rozpoczęciem procesu ma kluczowe znaczenie.

Opracuj praktyczny proces

Rozmowa kwalifikacyjna z Data Scientistami może być trudnym procesem, ponieważ, jak wspomnieliśmy, Twoi kandydaci mają różne opcje. Stanley z Sailthru zwrócił uwagę, że silni kandydaci w tej dziedzinie często mogą otrzymać trzy lub więcej ofert, a wskaźniki powodzenia w zatrudnianiu menedżerów wynoszą zwykle poniżej 50 procent.

Jest to kwestia do rozważenia na każdym etapie procesu rekrutacji i chociaż chcesz być dokładny, równie ważne jest, aby nie odstraszyć potencjalnych kandydatów.

Rozważmy na przykład test „do domu”, który jest wstępnym krokiem w procesie rekrutacji dla większości organizacji. Jeśli kandydat jest poszukiwany i potencjalnie jest już poszukiwany przez kilka innych firm – i prawdopodobnie jest już zatrudniony w pierwszej kolejności – wtedy będzie miał niewielką motywację do wykonania niepotrzebnie żmudnego zadania, które wymaga wielu dni pracy.

Riley Newman, były szef działu analityki w Airbnb, powiedział, że firma postawiła na tym etapie jedynie „podstawowe wyzwanie dotyczące danych”, a nie coś zbyt wymagającego.

„Celem jest tutaj sprawdzenie zdolności kandydata do pracy z danymi, zgodnie z opisem w CV” – napisał . „Wysyłamy im kilka zestawów danych i zadajemy podstawowe pytanie; ćwiczenie powinno być łatwe dla każdego, kto ma doświadczenie”.

Kiedy kandydaci są w końcu sprowadzani do bardziej rygorystycznego wyzwania, należy to postrzegać nie tylko jako okazję do sprawdzenia swoich umiejętności, ale także do pokazania, co wyróżnia Twoją firmę. Pamiętaj: proces wyczucia działa w obie strony.

„Staramy się zachować jak największą przejrzystość (nasze wewnętrzne wyzwanie dotyczące danych)” — powiedział Newman. „Możesz zobaczyć, jak to jest pracować z nami i na odwrót. Więc kandydat siedzi z zespołem, daje mu dostęp do naszych danych i szerokiego pytania. Wtedy mają dzień na zajęcie się problemem, jakkolwiek są skłonni, przy wsparciu otaczających ich ludzi.

„Zachęcamy do zadawania pytań, jemy z nimi lunch, aby złagodzić napięcie, i okresowo zaglądamy, aby upewnić się, że nie utknęli na czymś trywialnym”.

Zadawaj właściwe pytania

Czasami menedżerowie ds. zatrudnienia mają pokusę, aby wykorzystać rozmowę kwalifikacyjną, aby zagłębić się w każdy szczegół umiejętności technicznych kandydata, zasypując rozmówcę pytaniami o szeroki wachlarz kompetencji, które mogą nawet nie mieć znaczenia dla wykonywanej pracy. To pomyłka. Ogranicz swoje pytania do narzędzi, których faktycznie używasz, a następnie sprawdź, w jaki sposób kandydat zastosowałby te narzędzia do konkretnego problemu.

Aby lepiej zrozumieć, jak myśli Twój potencjalny specjalista ds. danych, poproś go o wyjaśnienie niedawnego problemu, który postanowili rozwiązać. Zapytaj, jak podeszli do projektu – i dlaczego dokonali wyborów, których dokonali – oraz w jaki sposób zdecydowali, jak przydzielić swój czas i zasoby. Na koniec zapytaj, czego nauczyli się z projektu – i co zrobiliby inaczej.

Oprócz wglądu w proces kandydata, da ci to również wgląd w to, czy posiada on umiejętność miękką, która może mieć kluczowe znaczenie dla naukowców zajmujących się danymi: umiejętność opowiadania historii.

Kiedy sytuacja wymaga głębszego przyjrzenia się sprawności technicznej kandydata, analityk danych Jacqueline Nolis zaleca , aby pytania były względnie podstawowe. Na przykład, badając wiedzę kandydata na temat statystyki, sugeruje ona pytanie, jak wyjaśnić dyrektorowi biznesowemu regresję liniową lub czy rozmówca może wymienić kilka modeli alternatywnych dla regresji liniowej i wyjaśnić, dlaczego są one lepsze lub gorsze.

„Biorąc pod uwagę konkretny obszar, zadaję pytania tylko na poziomie wstępnym. Na przykład, jeśli zadaję pytanie dotyczące modeli uczenia maszynowego, pytałbym tylko o regresje liniowe i logistyczne, a unikałbym zadawania pytań o bardziej zaawansowane tematy, takie jak losowe lasy lub zwiększanie” – napisała. „Powodem tego jest to, że jeśli rozumieją podstawy, powinni być w stanie wybrać zaawansowane tematy w pracy”.

Jeszcze przed dojściem do tego punktu Nolis radzi najpierw zapytać kandydata o znajomość tematu.

„Jeśli mówią, że nie mają zbyt wiele, pomijam to” – powiedziała. „Chcę uniknąć sytuacji, w której kandydat czuje się przytłoczony lub sfrustrowany tym tematem, ponieważ może to zagrozić reszcie rozmowy kwalifikacyjnej”.

Zwróć uwagę na te umiejętności i kwalifikacje

Klasyczny diagram Venna dla naukowców zajmujących się danymi zawsze wskazywał, że ich umiejętności znajdują się na styku biznesu, informatyki i matematyki. Chociaż w dużej mierze jest to prawdą, nie wszystkie role wymagają opanowania strategii, inżynierii i modelowania matematycznego. Więc jeszcze raz najlepiej jest zagłębić się w konkretne potrzeby stanowiska, które obsadzasz.

Mimo to ogólne umiejętności techniczne, które w większości potrzebują naukowcy zajmujący się danymi, można podzielić na trzy kategorie:

• Zbieranie i przechowywanie danych za pomocą baz danych, programu Excel i języków zapytań, takich jak XML i SQL
• Analizować i modelować zbiory danych za pomocą takich narzędzi jak Python, R, Hadoop i Spark
• Tworzenie wciągających i wnikliwych wizualizacji za pomocą narzędzi, w tym Tableau i PowerBL

Chociaż prawdą jest, że nie każdy analityk danych musi opanować wszystkie aspekty swojej roli, te umiejętności i kompetencje są niemal powszechnie pożądane.

W rzeczywistości Michael Li, Data Scientist, który pracował w Google i Foursquare, ubolewał, że zbyt wiele osób, które nazywają siebie Data Scientistami, to naprawdę „klikacze”, którzy czują się komfortowo tylko z narzędziami typu „wskaż i kliknij” do analizy i wizualizacji danych.

„Czas zatrudnić naukowców zajmujących się danymi, którzy potrafią kodować za pomocą bardziej zaawansowanych narzędzi, takich jak R, Python i TensorFlow” — napisał Li . „A firmy powinny rozważyć przeszkolenie swoich obecnych pracowników w zakresie analityki danych i sztucznej inteligencji, aby nauczyć klikaczy niektórych umiejętności, których będą potrzebować, aby zostać programistami”.

Mimo to ważne jest, aby nie przeoczyć wartości mniej technicznych umiejętności, takich jak kreatywność, krytyczne myślenie i zmysł biznesowy.

Sara Vera, Data Scientist w Insightly sugeruje, że najlepszym podejściem jest zatrudnienie talentów Data Science i wysłanie swoich pracowników na dodatkowe programy szkoleniowe w razie potrzeby.

„Myślenie analityczne i umiejętności komunikacyjne są trudniejsze do nauczenia niż SQL, Python i R” – napisała . „Dodatkową zaletą szkolenia w zakresie umiejętności technicznych jest to, że tworzysz środowisko, w którym mentoring jest naprawdę silny, co tworzy bardziej spójny zespół. Najlepsi kandydaci i tak będą chcieli zawsze uczyć się od siebie.”

Oferuj konkurencyjne wynagrodzenia

Na koniec warto zauważyć, że tak poszukiwani specjaliści jak Data Scientists nie są tani; Glassdoor podaje średnią pensję Data Scientist w USA na 139 840 USD rocznie.

Po tym długim procesie upewnij się, że nie stracisz swojego cennego kandydata z powodu niskiej oferty wynagrodzenia. Pamiętaj: on lub ona prawdopodobnie ma opcje.

Naucz się umiejętności związanych z danymi, aby przyspieszyć swoją karierę — z domu!

BrainStation oferuje kursy certyfikacyjne online na żywo w zakresie nauki o danych, analizy danych, uczenia maszynowego i programowania w Pythonie. Weź udział w zajęciach na żywo i wchodź w interakcję z instruktorami i rówieśnikami z dowolnego miejsca na świecie.

Porozmawiaj z doradcą ds. nauczania