วิธีการจ้างนักวิทยาศาสตร์ข้อมูล

ด้วยข้อมูลที่มีอยู่อย่างมากมายที่เพิ่มขึ้นเรื่อยๆ ในปัจจุบัน บริษัทต่างๆ จึงมุ่งเน้นไปที่การวิเคราะห์ข้อมูล – และความต้องการนักวิทยาศาสตร์ข้อมูลก็เพิ่มขึ้นอย่างมาก

บทบาทของนักวิทยาศาสตร์ข้อมูล เพิ่มขึ้น 650 เปอร์เซ็นต์ตั้งแต่ปี 2012 ซึ่งไม่น่าแปลกใจเลยเมื่อพิจารณาจาก ROI ธุรกิจที่เข้าใจวิธีใช้ข้อมูลเพื่อขับเคลื่อนการตัดสินใจ คาดว่า จะได้รับเงิน 1.2 ล้านล้านดอลลาร์จากคู่แข่งภายในปี 2020

แต่ยังคงมีช่องว่างกว้างระหว่างบริษัทที่ใช้ข้อมูลอย่างมีประสิทธิภาพกับบริษัทที่ไม่ได้ จากการ ศึกษาของ Forrester ในปี 2016 พบว่ามีเพียง 22 เปอร์เซ็นต์ของบริษัทที่ได้รับการพิจารณาว่าเป็น "Insights Leaders" ซึ่งเป็นบริษัทที่ใช้วิทยาศาสตร์ข้อมูลเพื่อความได้เปรียบในการแข่งขัน และบริษัทเหล่านั้นมีแนวโน้มที่จะเป็นผู้นำตลาดถึงสองเท่า

ในการเข้าร่วมกลุ่มเหล่านี้ คุณจะต้องไม่เพียงแค่จ้าง Data Scientist แต่ยังต้องจ้าง Data Scientist ที่ เหมาะสม และด้วยความต้องการดังกล่าวสำหรับบริการของพวกเขา อาจไม่ง่ายอย่างนั้น Jeremy Stanley หัวหน้านักวิทยาศาสตร์ข้อมูลและรองประธานฝ่ายวิศวกรรมของ Sailthru ประมาณการ ว่า การจ้างคนเดียวอาจใช้เวลาของทีม Data Science ถึง 20 เปอร์เซ็นต์หรือมากกว่านั้น

เพื่อให้แน่ใจว่ากระบวนการจะมีประสิทธิภาพมากขึ้น ต่อไปนี้คือเคล็ดลับบางประการเกี่ยวกับสิ่งที่ต้องถามและสิ่งที่ควรมองหา

รู้ว่าคุณต้องการอะไร

ฟังดูง่าย แต่น่าเสียดายที่องค์กรจำนวนมากจ้าง Data Scientists โดยไม่ได้คำนึงถึงเป้าหมายของตนก่อน

กระบวนการจ้างงานควรสะท้อนถึงความต้องการเฉพาะของทีมของคุณ ผู้สมัครของคุณจะรับผิดชอบหลักในการสร้างการแสดงภาพข้อมูลและแดชบอร์ดที่น่าสนใจสำหรับผู้ที่ไม่ใช่นักวิเคราะห์ ออกแบบและพัฒนาเครือข่ายประสาทเทียมเชิงลึกและโมเดลการเรียนรู้ของเครื่อง หรือสร้างต้นแบบแอปพลิเคชันจริงหรือไม่

การจ้าง Data Scientist ซึ่งมีจุดแข็งไม่สอดคล้องกับความต้องการของบริษัทของคุณจะไม่เป็นผลดีกับฝ่ายใดฝ่ายหนึ่ง การสร้างแผนงานข้อมูลจริง ก่อนเริ่มกระบวนการเป็นสิ่งสำคัญ

พัฒนากระบวนการปฏิบัติ

การสัมภาษณ์นักวิทยาศาสตร์ข้อมูลอาจเป็นกระบวนการที่ยุ่งยาก เพราะอย่างที่เราได้กล่าวไปแล้ว ผู้สมัครของคุณมีทางเลือก Stanley จาก Sailthru ชี้ให้เห็นว่าผู้สมัครที่มีความสามารถในสาขานี้มักจะได้รับข้อเสนอสามข้อเสนอขึ้นไป และอัตราความสำเร็จในการว่าจ้างผู้จัดการมักจะต่ำกว่า 50 เปอร์เซ็นต์

นั่นเป็นสิ่งที่ต้องพิจารณาในทุกขั้นตอนของกระบวนการจ้างงาน และถึงแม้คุณจะต้องการละเอียดถี่ถ้วน แต่ก็สำคัญเช่นเดียวกันที่จะไม่ขู่ผู้มีโอกาสเป็นผู้สมัคร

ตัวอย่างเช่น ลองพิจารณาการทดสอบกลับบ้านซึ่งเป็นขั้นตอนเบื้องต้นในกระบวนการจ้างงานสำหรับองค์กรส่วนใหญ่ หากผู้สมัครมีความต้องการและอาจถูกไล่ตามโดยบริษัทอื่นหลายแห่ง และมีแนวโน้มว่าจะมีงานทำตั้งแต่แรกแล้ว เขาหรือเธอจะมีแรงจูงใจเพียงเล็กน้อยที่จะทำงานมอบหมายที่ยากลำบากโดยไม่จำเป็นซึ่งต้องใช้เวลาทำงานหลายวัน

Riley Newman อดีตหัวหน้าฝ่ายวิเคราะห์ของ Airbnb กล่าวว่าบริษัทเพียงแค่ "ท้าทายข้อมูลพื้นฐาน" ในขั้นตอนนี้ในกระบวนการ มากกว่าที่จะเรียกร้องอะไรมากเกินไป

“เป้าหมายที่นี่คือการตรวจสอบความสามารถของผู้สมัครในการทำงานกับข้อมูล ตามที่อธิบายไว้ในประวัติย่อของพวกเขา” เขา เขียน “เราส่งชุดข้อมูลสองสามชุดไปให้พวกเขาและถามคำถามพื้นฐาน การออกกำลังกายควรเป็นเรื่องง่ายสำหรับผู้ที่มีประสบการณ์”

เมื่อผู้สมัครถูกนำเข้ามาเพื่อความท้าทายที่เข้มงวดยิ่งขึ้น ไม่ควรมองว่าเป็นโอกาสในการทดสอบทักษะของพวกเขาเท่านั้น แต่ยังแสดงให้เห็นว่าอะไรที่ทำให้บริษัทของคุณมีความพิเศษ ข้อควรจำ: กระบวนการระบายความรู้สึกได้ผลทั้งสองวิธี

"เราพยายามที่จะโปร่งใสเกี่ยวกับ (ความท้าทายด้านข้อมูลภายในของเรา) ให้มากที่สุด" นิวแมนกล่าว “คุณจะได้เห็นว่าการทำงานกับเราเป็นอย่างไรและในทางกลับกัน ดังนั้นเราจึงให้ผู้สมัครนั่งกับทีม ให้พวกเขาเข้าถึงข้อมูลของเรา และถามคำถามกว้างๆ จากนั้นพวกเขาก็มีวันที่จะโจมตีปัญหาตามที่พวกเขาโน้มน้าวใจด้วยการสนับสนุนจากคนรอบข้าง

“เราสนับสนุนให้ถามคำถาม รับประทานอาหารกลางวันกับพวกเขาเพื่อคลายความตึงเครียด และเช็คอินเป็นระยะเพื่อให้แน่ใจว่าจะไม่ติดอยู่กับเรื่องไร้สาระ”

ถามคำถามที่ถูกต้อง

บางครั้ง ผู้จัดการการจ้างงานมักถูกล่อลวงให้ใช้การสัมภาษณ์เพื่อเจาะลึกทุกรายละเอียดสุดท้ายของชุดทักษะทางเทคนิคของผู้สมัคร ขัดขวางผู้ให้สัมภาษณ์ด้วยคำถามเกี่ยวกับความสามารถที่หลากหลายซึ่งอาจไม่เกี่ยวข้องกับงานในมือ นั่นเป็นความผิดพลาด จำกัดคำถามของคุณให้อยู่ในเครื่องมือที่คุณใช้จริง แล้วติดตามผลโดยตรวจสอบว่าผู้สมัครจะใช้เครื่องมือเหล่านั้นกับปัญหาเฉพาะอย่างไร

เพื่อให้เข้าใจมากขึ้นว่านักวิทยาศาสตร์ข้อมูลในอนาคตของคุณคิดอย่างไร ขอให้พวกเขาอธิบายปัญหาล่าสุดที่พวกเขาตั้งใจจะแก้ไข ถามว่าพวกเขาเข้าหาโครงการอย่างไร – และทำไมพวกเขาถึงเลือกที่พวกเขาทำ – และพวกเขาตัดสินใจว่าจะจัดสรรเวลาและทรัพยากรอย่างไร สุดท้าย ให้ถามสิ่งที่พวกเขาเรียนรู้จากโครงการ – และสิ่งที่พวกเขาจะทำแตกต่างออกไป

นอกเหนือจากการให้หน้าต่างแก่คุณในกระบวนการของผู้สมัครแล้ว ยังช่วยให้คุณได้รับข้อมูลเชิงลึกว่าพวกเขามีทักษะที่อ่อนนุ่มที่อาจมีความสำคัญสำหรับนักวิทยาศาสตร์ข้อมูลหรือไม่ นั่นคือ ความสามารถในการเล่าเรื่อง

เมื่อสถานการณ์ต้องการการดูความสามารถทางเทคนิคของผู้สมัครอย่างลึกซึ้งยิ่งขึ้น นักวิทยาศาสตร์ข้อมูล Jacqueline Nolis แนะนำให้ ถามคำถามที่ค่อนข้างเป็นพื้นฐาน ตัวอย่างเช่น หากตรวจสอบความรู้ทางสถิติของผู้สมัคร เธอแนะนำให้ถามวิธีอธิบายการถดถอยเชิงเส้นให้ผู้บริหารธุรกิจทราบ หรือหากผู้ให้สัมภาษณ์สามารถระบุแบบจำลองทางเลือกบางตัวในการถดถอยเชิงเส้นและอธิบายว่าเหตุใดจึงดีกว่าหรือแย่กว่านั้น

“สำหรับพื้นที่เฉพาะ ฉันถามคำถามในระดับเบื้องต้นเท่านั้น ตัวอย่างเช่น หากถามคำถามเกี่ยวกับโมเดลแมชชีนเลิร์นนิง ฉันจะถามเกี่ยวกับการถดถอยเชิงเส้นและลอจิสติกเท่านั้น และหลีกเลี่ยงการถามเกี่ยวกับหัวข้อขั้นสูง เช่น Random Forests หรือการส่งเสริม” เธอเขียน “เหตุผลก็คือถ้าพวกเขาเข้าใจพื้นฐาน พวกเขาควรจะสามารถรับหัวข้อขั้นสูงเกี่ยวกับงานได้”

ก่อนที่จะไปถึงจุดนั้น Nolis แนะนำให้ถามผู้สมัครก่อนเกี่ยวกับความคุ้นเคยกับหัวข้อนี้

“ถ้าพวกเขาบอกว่ามีไม่มาก ฉันจะข้ามไป” เธอกล่าว “ฉันต้องการหลีกเลี่ยงไม่ให้ผู้สมัครรู้สึกหนักใจหรือหงุดหงิดกับหัวข้อนั้น เนื่องจากอาจเป็นอันตรายต่อการสัมภาษณ์ที่เหลือ”

มองหาทักษะและคุณสมบัติเหล่านี้

แผนภาพเวนน์แบบคลาสสิกสำหรับ Data Scientists ได้กำหนดชุดทักษะของตนไว้เสมอว่านั่งอยู่ที่ศูนย์กลางของธุรกิจ วิทยาการคอมพิวเตอร์ และคณิตศาสตร์ แม้ว่าส่วนใหญ่จะเป็นความจริง แต่ไม่ใช่ทุกบทบาทที่ต้องการความเชี่ยวชาญด้านกลยุทธ์ วิศวกรรม และการสร้างแบบจำลองทางคณิตศาสตร์ ดังนั้นอีกครั้ง เป็นการดีที่สุดที่จะเจาะลึกความต้องการเฉพาะของตำแหน่งที่คุณกำลังกรอก

อย่างไรก็ตาม ทักษะทางเทคนิคทั่วไปที่ Data Scientist ส่วนใหญ่จำเป็นต้องมีสามารถแบ่งออกเป็นสามประเภท:

• เพื่อรวบรวมและจัดเก็บข้อมูลด้วยฐานข้อมูล, Excel และภาษาการสืบค้น เช่น XML และ SQL
• เพื่อวิเคราะห์และสร้างแบบจำลองชุดข้อมูลโดยใช้เครื่องมือต่างๆ เช่น Python, R, Hadoop และ Spark
• เพื่อสร้างการสร้างภาพข้อมูลที่น่าสนใจและชาญฉลาดโดยใช้เครื่องมือต่างๆ เช่น Tableau และ PowerBL

แม้ว่าจะเป็นความจริงที่ Data Scientist ทุกคนไม่จำเป็นต้องมีความเชี่ยวชาญในทุกด้านของบทบาท แต่ทักษะและความสามารถเหล่านี้เป็นที่ต้องการของสากล

อันที่จริง Michael Li นักวิทยาศาสตร์ข้อมูลที่เคยทำงานที่ Google และ Foursquare ได้คร่ำครวญว่ามีคนจำนวนมากเกินไปที่เรียกตัวเองว่า Data Scientist จริงๆ แล้วเป็น "ผู้คลิก" ที่คุ้นเคยกับเครื่องมือชี้และคลิกสำหรับการวิเคราะห์ข้อมูลและการแสดงภาพเท่านั้น

“ถึงเวลาจ้าง Data Scientists ที่สามารถเขียนโค้ดด้วยเครื่องมือที่ทรงพลังกว่า เช่น R, Python และ TensorFlow” Li เขียน “และบริษัทต่างๆ ควรพิจารณาฝึกอบรมพนักงานที่มีอยู่ในด้านวิทยาศาสตร์ข้อมูลและทักษะ AI เพื่อสอนทักษะบางอย่างที่จำเป็นสำหรับการคลิกเกอร์”

ยังคงเป็นสิ่งสำคัญที่จะไม่มองข้ามคุณค่าของทักษะทางเทคนิคที่น้อยกว่า เช่น ความคิดสร้างสรรค์ การคิดเชิงวิพากษ์ และความรู้สึกทางธุรกิจ

Sara Vera นักวิทยาศาสตร์ด้านข้อมูลที่ Insightly เสนอแนะว่าวิธีที่ดีที่สุดคือการจ้างผู้ที่มีความสามารถด้าน Data Science และส่งพนักงานของคุณเข้ารับการฝึกอบรมเพิ่มเติมตามความจำเป็น

“ทักษะการคิดเชิงวิเคราะห์และการสื่อสารนั้นสอนยากกว่า SQL, Python และ R” เธอ เขียน “ข้อดีเพิ่มเติมของการฝึกอบรมทักษะทางเทคโนโลยีคือคุณสร้างสภาพแวดล้อมที่การให้คำปรึกษานั้นแข็งแกร่งมาก ซึ่งจะสร้างทีมที่เหนียวแน่นยิ่งขึ้น ผู้สมัครที่ดีที่สุดจะต้องการเรียนรู้จากกันและกันอยู่เสมอ”

เสนอเงินเดือนที่แข่งขันได้

สุดท้าย เป็นที่น่าสังเกตว่าผู้เชี่ยวชาญที่เป็นที่ต้องการของ Data Scientist ไม่ได้ราคาถูก Glassdoor แสดง เงินเดือน Data Scientist โดยเฉลี่ย ในสหรัฐอเมริกาที่ $139,840 ต่อปี

หลังจากผ่านกระบวนการอันยาวนานนี้ อย่าเพิ่งเสียผู้สมัครงานที่มีค่าของคุณไปจากข้อเสนอเงินเดือนต่ำ จำไว้ว่าเขาหรือเธอน่าจะมีทางเลือก

เรียนรู้ทักษะด้านข้อมูลเพื่อส่งเสริมอาชีพของคุณ - จากที่บ้าน!

BrainStation มีหลักสูตร Online Live Certificate ในสาขาวิทยาศาสตร์ข้อมูล การวิเคราะห์ข้อมูล การเรียนรู้ของเครื่อง และการเขียนโปรแกรมหลาม เข้าร่วมชั้นเรียนสดและโต้ตอบกับผู้สอนและเพื่อนร่วมงานจากทุกที่ในโลก

พูดคุยกับที่ปรึกษาการเรียนรู้