Evitare il Burnout durante il cambio di carriera in Data Science

Preventing Burnout During Data Science Career Change

No, non è necessario conoscere 27 linguaggi di programmazione e avere 512 progetti nel portfolio

Immagine di Jackson Simmer su Unsplash

L’interesse attuale per la Data Science e l’AI ha visto molte persone cambiare carriera in questo settore.

Tuttavia, se stai cercando di farlo mantenendo un altro lavoro a tempo pieno, è facile diventare esausti. Quello che inizia come qualcosa perfettamente gestibile (un corso online la sera) può rapidamente diventare travolgente e, prima che tu te ne accorga, stai scrivendo liste della spesa in pandas DataFrames e ti svegli sudato freddo canticchiando la sigla di StatQuest.

Credimi, ci sono passato anche io.

Negli ultimi 2 anni ho cambiato carriera in Data Science e, sebbene a volte sia stato indubbiamente eccitante, altre volte mi sono sentito completamente sopraffatto dalle dimensioni del compito.

Se sei un aspirante Data Scientist, bravo! Sei su un percorso super emozionante e credo sinceramente che il mondo della Data Science sia uno dei posti più eccitanti in cui trovarsi al momento. Ma attenzione, navigare in questo percorso può essere incredibilmente difficile e probabilmente metterà un notevole stress sul tuo tempo.

In questo articolo condividerò alcuni dei miei migliori consigli per fare una transizione di carriera di successo evitando il burnout. Se sei stanco di luoghi comuni come “concentrati” o “prenditi una pausa” e vuoi sentire una prospettiva da qualcuno che l’ha effettivamente fatto, questo è l’articolo giusto per te.

Cos’è esattamente il burnout?

L’Organizzazione Mondiale della Sanità (OMS) definisce il burnout come:

una sindrome concepita come risultato dello stress cronico sul lavoro che non è stato gestito con successo. È caratterizzato da tre dimensioni:

(1) sentimenti di esaurimento o affaticamento energetico;

(2) aumento della distanza mentale dal proprio lavoro o sentimenti di negativismo o cinismo relativi al proprio lavoro; e

(3) ridotta efficacia professionale

Se sei come me, potrebbe sorprenderti che l’OMS riconosca persino il burnout. Ma, come attesta la definizione sopra, quando non viene controllato, può rappresentare enormi problemi medici e sociali.

Curiosamente, il burnout sembra essere un problema in tutti i settori al momento – l’Associazione Psicologica Americana sostiene persino che la pandemia COVID-19 abbia portato i livelli di burnout e stress a un livello record. Tuttavia, sebbene il burnout possa essere riscontrato in tutte le professioni, ci sono motivi speciali per cui può essere particolarmente alto tra i Data Scientist. E questo a causa del modo unico in cui molte persone entrano nel campo.

Il burnout è un problema in Data Science?

Quando inizi a incontrare altri Data Scientist, non ci vuole molto tempo prima di notare un modello. Molti Data Scientist sono entrati nell’industria attraverso un cambiamento di carriera intenzionale, piuttosto che semplicemente essere “caduti” in essa o aver studiato Data Science durante la laurea. Prendi ad esempio il Data Scientist Zeya LT, che a 32 anni ha abbandonato una carriera nella polizia per intraprendere la Data Science:

Non avevo un background in matematica, informatica o programmazione, quindi la curva di apprendimento è stata ripida […] Ho dovuto bilanciare tra gli incarichi e la cura di un bambino piccolo. L’apprendimento a distanza a seguito della pandemia COVID-19 ha presentato le sue sfide per me e la mia famiglia.

La storia di Zeya è emblematica di molte storie di persone, compresa la mia. Per molti di noi, la Data Science non era un’opzione di carriera che conoscevamo quando sceglievamo opzioni universitarie / di lavoro a scuola. Abbiamo scoperto il campo solo in un’età successiva e quindi cerchiamo di cambiare carriera mentre lavoriamo a tempo pieno in un altro lavoro o gestiamo le responsabilità familiari. Facciamo il nostro lavoro dalle 9 alle 5 e poi dobbiamo trovare il tempo per imparare e / o lavorare su progetti del portfolio insieme a quello.

Questo crea un programma abbastanza intenso e crea condizioni favorevoli per il burnout. È facile finire per lavorare fino a tardi la sera o cancellare i programmi nei fine settimana o durante le vacanze. Giustifichiamo questi schemi a noi stessi e ai nostri cari, dicendo cose come “ho bisogno di lavorare sul mio sviluppo personale” o “non è davvero lavoro”.

Tuttavia, il problema è che mentre i corsi di codifica e i progetti personali possono sembrare divertenti a breve termine (ad esempio in una singola serata), se ripetuti continuamente possono diventare gradualmente stancanti. E intendo davvero stancanti. Ciò che è sostenibile a breve termine diventa rapidamente insostenibile a lungo termine e il tuo “cambio di carriera” può trasformarsi da un divertente sviluppo personale in un compito che ti allontana dalle cose importanti della vita.

Ciò che è sostenibile a breve termine diventa rapidamente insostenibile a lungo termine

Spoiler alert: il rischio di burnout non scompare mai

Quando si inizia un percorso di cambiamento di carriera, è facile motivarsi pensando all ‘”oro” che ci aspetta alla fine dell’arcobaleno: la divertente nuova carriera, l’aumento di stipendio, la parola “AI” nel tuo CV. Fissare lo sguardo su queste cose ti aiuta a superare il proverbiale dolore e giustificare di spendere quantità smisurate di tempo (e denaro) su siti come DataQuest e CodeAcademy.

Se sei un aspirante Data Scientist, potrebbe sorprenderti sapere che questo rischio di burnout non scompare mai davvero, anche se raggiungi l ‘”oro” che hai stabilito inizialmente. Il mondo della Data Science evolve a un ritmo meteorico e posso dirti in prima persona che ci sarà sempre qualcosa di nuovo da imparare e un nuovo lavoro che ti aspetta appena oltre l’orizzonte, se solo ti sforzi per ottenerlo.

(Almeno, è così che ci si sente).

Riconoscere questa verità su noi stessi è un importante primo passo e illustra il problema della narrativa della cultura dell ‘”hustle” che ci dice di concentrarci e resistere. Se ci sarà sempre di più da imparare, allora noi Data Scientist – che tu abbia ottenuto il tuo primo lavoro o meno – dobbiamo capire come affrontare lo sviluppo di carriera in modo sostenibile. Dobbiamo capire come giocare all’infinito in questa carriera che stiamo cercando.

Consiglio n. 1: riconosci che non puoi (e non dovresti) imparare tutto e concentrati sulle cose chiave

Immagine di Lena Taranenko su Unsplash

Potrebbe sorprenderti, ma non devi effettivamente sapere tutto per essere un Data Scientist.

Lo so, giusto – sorprendente.

A meno che tu non stia formando un team di Data Science da solo, le tue competenze saranno sempre integrate da quelle degli altri membri del team di dati più ampio della tua azienda. E in un contesto di squadra, va bene se non sai come fare qualcosa, perché le probabilità sono che ci saranno altri che potranno aiutare. I responsabili delle assunzioni in Data Science lo sanno e è per questo che non richiedono alle persone di conoscere tutto prima di ottenere il lavoro. Tutti capiscono che dovrai imparare qualcosa sul lavoro, quindi non preoccuparti di dover imparare tutto prima di candidarti per un lavoro.

Certo, è più facile a dirsi che a farsi, e quando ho fatto il mio cambio ho trovato davvero difficile sapere quali competenze fossero “core” e quali fossero solo “belle da avere”. Se sei nuovo nella Data Science, è facile finire in un “analisi paralisi” in cui non sei sicuro esattamente cosa imparare e finisci per provare un po ‘di tutto senza impegnarti davvero.

Se sei in questa situazione, il mio consiglio sarebbe lo stesso di quello di Renato Boemer, che ha fatto un cambio di carriera in Data Science alla fine dei suoi 30 anni:

Scegli Python e vai avanti.

Sì, linguaggi come R e Spark e Julia e JavaScript potrebbero tutti avere un posto in alcuni team di Data Science, ma Python è di gran lunga il linguaggio più dominante per la Data Science. A mio parere, è anche il miglior linguaggio per le persone nuove alla codifica, perché la sua sintassi e la sua logica sono relativamente semplici.

L’unica cosa che aggiungerei al consiglio di Renato è che probabilmente dovresti anche imparare SQL. È stato intorno dal 1979 e non andrà da nessuna parte presto – molte grandi aziende hanno investito tempo nella costruzione di infrastrutture dati basate su di esso ed è uno dei linguaggi più amati dai programmatori. Inoltre, la cosa bella di SQL è che ti insegna come pensare in modo relazionale ai dati, che è una competenza cognitiva molto importante, ma difficile da spiegare, quando si lavora in Data Science.

Dopo aver acquisito le basi di questi linguaggi, inizia a fare alcuni progetti per il tuo portfolio, impara come archiviare il tuo codice su GitHub e “impara facendo”. È facilmente il modo migliore per far affondare i concetti e fornirà un ottimo materiale per interviste e portfolio. Se sei in difficoltà per le idee, dai un’occhiata a questo articolo che ho scritto su come trovarne alcune:

Come trovare idee uniche per i progetti di Data Science che fanno risaltare il tuo portfolio

Dimentica Titanic e MNIST: scegli un progetto unico che sviluppa le tue competenze e ti aiuta a distinguerti dalla folla

towardsdatascience.com

Ma – e qui sta il punto – questo è tutto ciò di cui hai bisogno prima di essere pronto per candidarti per il tuo primo lavoro. Nonostante quello che potresti leggere online, non devi padroneggiare cose come Algebra Lineare e Ottimizzazione Discreta prima di poter lavorare come Data Scientist. Certo, molte persone che provengono da background matematici hanno imparato queste cose prima di ottenere una posizione in Data Science, ma non sono convinto che siano realmente necessarie per la maggior parte dei lavori di livello base.

Se non sei convinto, potresti trovare utile sapere che essere un Data Scientist nel campo dell’AI / Data è molto diverso dall’essere un Research Scientist in questo campo. I Research Scientist sono in molti modi più vicini a essere matematici e / o ingegneri del software. Sono quelli che lavorano in start-up o Big Tech per sviluppare nuovi strumenti e algoritmi di Data Science e, di conseguenza, devono avere una comprensione molto approfondita dei concetti matematici e di ingegneria sottostanti. I Data Scientist, al contrario, tendono ad essere più sul lato applicativo dello spettro; il ruolo è molto più incentrato sulla risoluzione di problemi aziendali che sulla sviluppo di nuove tecnologie e tecniche completamente nuove. Se vuoi vedere questo da solo, prova a cercare alcuni ruoli di lavoro di Research Scientist e guarda come differiscono da quelli di Data Scientist.

Il punto che sto facendo è che, se vuoi diventare un Data Scientist, va bene non essere aggiornato con tutta la matematica sottostante o le tecnologie e i metodi più avanzati e all’avanguardia. Non fraintendermi – devi comunque avere una consapevolezza (saresti stupido se non avessi mai sentito parlare di ChatGPT o se non sapessi cos’è una matrice / vettore), ma a meno che tu non sia reclutato per un ruolo NLP specifico, probabilmente non avrai bisogno di essere in grado di descrivere l’architettura di ChatGPT e conoscere tutti i dettagli degli LSTMs dal primo giorno. Quindi alleggerisci il tuo fardello e non preoccuparti di imparare tutto.

Consiglio n. 2: prenditi (almeno) un giorno intero di riposo ogni settimana

Questo è un antico consiglio, e penso che ci sia molto in esso.

Immagine di Toa Heftiba su Unsplash

Anche se il tuo attuale progetto dati “extracurricolare” sembra divertente, è davvero importante premere il pulsante di pausa una volta alla settimana e prenderti un giorno intero per investire nel riposo. Fai una passeggiata, passa del tempo con gli amici, impara l’intreccio di cesti – il limite è il cielo! Sii solo sicuro di fare spazio per qualcosa (o qualcuno) altro.

Investi nel riposo. Seriamente.

Perché questo è così importante? In primo luogo, perché quando stai facendo un cambio di carriera, è facile essere consumati dalla narrazione “Sarò felice quando …” e dimenticare di divertirti nel presente. Ma ecco la cosa che ho imparato durante il mio cambio di carriera:

Sacrificare il tempo relazionale non varrà mai la pena.

Se non ti costringi a trovare il tempo per gli amici e la famiglia, questi saranno spesso le prime cose a scomparire dal tuo programma ogni volta che la pressione aumenta. Questo è stato sicuramente vero per me durante i primi giorni del mio cambio di carriera, quando cercavo costantemente di infilare il più possibile.

Prendere un giorno intero libero alla settimana è probabilmente stata la cosa più utile per mantenermi sano e mantenere il carico di lavoro gestibile mentre mi stavo formando su Data. Mi ha costretto a riconoscere che il mio obiettivo finale dietro il cambio di carriera era davvero quello di creare una vita migliore per me e la mia famiglia (e perché sentivo che fosse parte della mia vocazione, ma questa è un’altra storia), e questo mi ha aiutato a capire che valeva davvero la pena dare la priorità al tempo passato con la mia famiglia nel presente perché quello era l’obiettivo finale. Inoltre, mi ha dato molta più energia nel resto della settimana e mi ha aiutato a mantenere il carico di lavoro sostenibile nel corso di tutto l’anno.

Quindi vai avanti, corri il rischio! Prenditi (almeno) un giorno intero libero ogni settimana. So che è più facile a dirsi che a farsi, ma questa pratica ha trasformato sinceramente il mio percorso.

Suggerimento n.3: non esagerare con il tuo portfolio

Se hai letto alcuni dei miei contenuti precedenti, avrai visto che sono un grande fan di creare portfolio, poiché hanno giocato un grande ruolo nel farmi ottenere i miei lavori di Data Science.

La cosa è che, comunque, non hai bisogno di esagerare nella creazione di un portfolio. Indipendentemente da quanto fantastico sia il tuo portfolio, non otterrai mai un lavoro basato esclusivamente sui tuoi progetti personali passati, dovrai anche fare dei colloqui! Lo scopo del portfolio è semplicemente di farti entrare nella porta e dare ai recruiter un’idea di ciò che puoi fare.

Personalmente, se dovessi creare un portfolio da zero adesso, puntarei a 3-5 progetti e lascerei che fosse così. Oltre questo numero è eccessivo.

3-5 progetti sono più che sufficienti

Un’altra cosa…

Ecco i miei migliori consigli per evitare il burnout durante un cambio di carriera! Spero che questo articolo ti aiuti a imparare dai miei errori e a navigare perfettamente in questo percorso che stai intraprendendo.

Se ti è piaciuto questo articolo e desideri ottenere ulteriori suggerimenti e approfondimenti sul lavoro in Data Science, considera di seguirmi qui su Nisoo o su LinkedIn. Meno dell’1% dei miei lettori mi segue, quindi significa molto quando lo fai.

Se desideri ottenere un accesso illimitato a tutte le mie storie (e al resto di Nisoo.com), puoi iscriverti tramite il mio link di riferimento per $5 al mese. Non aggiunge alcun costo extra rispetto all’iscrizione tramite la pagina di registrazione generale e aiuta a sostenere la mia scrittura in quanto ricevo una piccola commissione.

Grazie per aver letto!