评估 衡量您正在考虑的技术,产品和项目的优缺点。

这是数据科学家最重要的软技能

软技能是数据科学家工作的重要组成部分。从商业价值到人际关系通信,许多非本质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,随后还学习了数据科学。但当他是一家铁路公司的数据科学家时,他的工作是查看有关机车的数据,以便对它们做出预测。

由于他不是机车专家,他需要找到公司的人。

“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正在向另一方的人提供价值。“

例如,他注意到一些分析师在制作Excel报表时需要大量的体力劳动。

“我能够使用自动化Python脚本自动化一些流程,并帮助构建关系,”他说。“团队合作是一个双向街道。你提供价值,你得到了价值。”

建立关系和团队合作是关键的软技能数据科学家工作.还有其他必要的技能比如沟通、道德和理解商业价值,这些都不是人们在想到数据科学时通常会想到的技能。

软技能词云
获得软技能可以帮助数据科学家工作

沟通

每个数据科学家都应该具备的一项技能是与非技术受众沟通的能力。

赫尔曼说:“我认为这是一项最重要的技能。”他现在是纽约市熨斗学校(Flatiron School)的数据科学讲师。“主要的事情是能够遇见观众他们在的地方。”

赫尔曼以前在铁路公司工作时,在向公司其他人解释他的工作时,他会把重点放在结果上。他会专注于模型重要的原因。

“如果你无法解释你的模型,你的型号不会进入生产,”赫尔曼说。“如果我不能解释了为什么该模型将比我们常常如何预测煤训练更准确地预测煤炭列车,然后它只是研究我的乐趣,没有什么重要的就是出来的。“

但是那些天生就不是沟通者的人能获得这种技能吗?绝对的。

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。

“他们会向教练呈现它,教练会假装他们是一个非技术人员并询问与商业有关的问题,“他说。

在课堂之外,数据科学家可以练习向朋友或家人解释他们的项目,在聚会小组或Toastmasters活动中。

随着流感的流行,很多Meetup活动、技术会议和其他数据科学家可能会去做演示的小组已经在网上进行,但人们仍然有机会做演示。而在公司内部,即使办公室里没有人,也仍然存在将是介绍赫尔曼说。

他说:“如果我做了一个模型,除非我展示它,否则它是不会投产的,即使那是一种Zoom类型的会议。”

批判性思维

批判性思维技能在任何职业中都很重要,但当它涉及到数据科学时,使用批判性思维在数据源上就更紧迫了。

“多花一点时间来了解和理解你的数据集,”Herman说。不要只是接受它。如果你不确定某一栏或某项价值,做些调查,看看其中是否有原因。”

数据科学家经常练习他们的技能他说,他们通过抓取网站或下载文件获取个人项目的数据集。

这将是一个查看数据集的机会,而不是直接跳转到分析中,并有助于在企业设置中创建或破坏项目。

批判性思维不仅仅是对数据集进行批判性思考。这也是关于存在的批判性算法.它从最基本的算法问题开始:一个问题是需要机器学习,还是可以用传统的统计或其他方法来解决。

在线编码平台HackerEarth的联合创始人兼首席执行官萨钦·古普塔(Sachin Gupta)表示:“机器学习很容易应用于所有事情,但实际上,只有少数问题符合机器学习解决方案的要求。”

“我经常在采访候选人时常问的问题是列出了他们在早上醒来的移动应用程序的数量,”他说。“然后我问自己的看法可以从中受益机器学习提供更多价值和原因。”

商业焦点

在Hitachi Vantara Federal的数据智能领域,数据科学家们在连接理论和实践方面往往暂时缩短了,为联邦机构提供了技术服务。

“该价值是帮助客户有更好的想法,做出更好的投资并做出更好的决定,”他说。

朗特里承认,当他刚开始他的职业生涯时,他并没有一个商业思维模式.幸运的是,这是一种可以学习的技能。

他说:“能够与一位关于商业的人围绕着,这就是我能够推进职业生涯的方式,”他说。

数据科学家需要了解他们的意义特定行业甚至在一个特定的部门或工作职能。他们还需要能够提出正确的问题,以确切地找出客户或用户想要什么。

“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。”

AI战略汉密尔顿AI战略和培训总监Kathleen Featheringham表示,数据科学家可能需要成为调查员。

“我们被问到的第一件事就是,‘我们想做人工智能’然后我们问他们,‘做什么?’“你能做到,并不意味着你应该做到。”

一旦数据科学家确定了需要解决的业务问题,业务价值问题的另一方面就是该解决方案是否会被使用。在采用过程中可能存在文化或管理障碍,或者其他部署问题,这些问题可能会扼杀一个数据科学项目,即使其他一切都很顺利。

“人们可能反叛,”Featheringham说。“他们可能会认为机器人正在为他们的工作而来临。所以你需要看看心理方面,并确保你都在地址技术和人类元素。最糟糕的是创造了没有人会使用的东西。”

另一个常见的问题是,当用户或客户在解释问题的范围时,他们忽略了工作流的关键方面,他们已经习惯了这样做,甚至不去考虑它。

数据科学项目的商业价值的另一个经常被忽视的方面是管理领域。如果公司派人去接受培训Python然而,绩效评估没有改变,员工没有奖励他们的新技能,培训将被浪费,Featheringham表示。

Andrea Levy表示,数据科学家可以通过尝试将自己视为他们的用户之一,是一个企业数据公司的数据分析。

她建议,戴上组织中其他人的形象帽子,问问自己他们会关心什么。

“另一种更好地理解大局的方法是与其他团队合作利维说。了解他们的工作,询问他们使用和产生的数据,她说。

道德

数据科学家在构建预测模型时具有很大的力量。这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。

延伸或加剧现有的偏见或创造新的偏差只是一个潜在的问题。隐私违规可能导致错误的公关,合规性违规行为或厄运是一家公司,就像它下降的那样。

仅仅因为数据可以被收集并不意味着它应该.有时,问题并不明显。

赫尔曼说:“如果你在银行工作,你可能不会轻易根据性别来预测贷款。”“但另一个特征可能与性别高度相关。”

能够解释你的行为在这里也有作用。它不仅使向业务涉众传达模型的价值变得更容易,而且还可以帮助人们确定决策是否在道德准则范围内做出。

终身学习

没有一个数据科学家可以知道所有的事情,即使他们知道,这个职业也在快速发展,这种完全掌握的状态将会只有持续的一刻

当你遇到一个新问题时,你需要舒适地做新的研究和学习新的东西。
杰夫·赫尔曼Flatiron学校的首席数据科学讲师

“当你遇到一个新的问题时,你需要舒适地做新的研究和学习新的东西,”赫尔曼说。“这就是我称之为终身学习者或黑客心态。”

总部位于旧金山的AIOps科技公司Moogsoft的首席科学官罗布·哈珀(Rob Harper)说,部分原因在于一种天生的好奇心。

“有时候,数据科学可以成为比科学更受教育的艺术,”他说。而且,就像许多领域一样,有些突破是偶然发生的。有毅力,知道什么时候继续寻找——在正确的地方- 非常重要。”

数据科学软技能发挥着重要作用

根据A.调查去年年底发布了麻省理工学院和波士顿咨询集团,40%的组织在AI中取得重大投资,不会从AI报告业务收益。

技术是现成的。缺少的是能够识别技术能够提供有意义的业务价值的领域的人员,以一种适用于所有涉众的方式。正因为如此,数据科学家工作的关键在于软技能,而不仅仅是技术能力。

下一个步骤

15数据科学工具在2021年使用

深入挖掘商业智能团队

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