Competenze trasversali che ogni data scientist deve avere

Le competenze essenziali che ogni data scientist dovrebbe possedere

Conosco questo ragazzo che è un programmatore incredibile. Ha imparato Python per cambiare carriera, poi ha rapidamente imparato anche JavaScript, Go, SQL e alcuni altri solo per divertimento. Ed è bravo, non è solo una di quelle persone che mettono i linguaggi nel loro curriculum senza competenze di data scientist per supportarli.

Ma sta avendo difficoltà a trovare lavoro. L’ho incontrato per un caffè qualche settimana fa e la nostra conversazione ha ispirato questo articolo. Senza volerlo insultare troppo, gli ho chiesto come era andato il suo ultimo colloquio. Era arrivato un po’ in ritardo, non aveva inviato una email di ringraziamento dopo e, pur avendo risolto tutti i problemi di codifica, non si era impegnato con le domande alla lavagna oltre a rispondere in modo perfettamente corretto.

“Kev,” gli dissi, “la tua capacità di programmazione è incredibilmente buona. Qualsiasi azienda sarebbe fortunata a averti come data scientist. Ma devi lavorare sulle tue soft skills.”

• La IA sostituirà l’umanità?
• Questo articolo sull’IA introduce Sub-Sentence Encoder un modello di intelligenza artificiale di embedding contestuale appreso in modo contrastivo per una rappresentazione semantica dettagliata del testo.
• Ricercatori di UC Berkeley e SJTU Cina introducono il concetto di campione riformulato per riconsiderare il benchmark e la contaminazione per i modelli linguistici

Ecco le quattro principali soft skills che consiglio per ogni data scientist, che tu voglia entrare nel settore, avanzare nella tua carriera o semplicemente fare un lavoro migliore.

1. Comunicazione

Tutti pensano che questo significhi saper parlare. In realtà, una buona comunicazione consiste nel saper ascoltare, soprattutto nel campo della data science.

Immagina questa situazione: un decisore, magari un vicepresidente di marketing, si avvicina a te con una domanda su una campagna che vuole lanciare. È entusiasta e ha una visione nella sua mente, ma non sa come misurarne l’impatto o quali dati servono. Invece di tuffarti immediatamente nelle tecniche di come estrarre i dati o quali modelli utilizzare, cominci ascoltando. Lasci che esprima i suoi obiettivi, le sue preoccupazioni e ciò che spera di ottenere con la campagna.

Ascoltando attivamente, puoi comprendere il contesto più ampio della sua richiesta. Magari non sta cercando solo un’analisi semplice, ma vuole capire il comportamento dei clienti o segmentare l’audience in un modo che non aveva considerato. Ascoltando per primo, puoi fornire una soluzione su misura per le sue esigenze effettive, non solo per il compito iniziale.

La comunicazione è fondamentale nella data science. Non lavorerai in un seminterrato buio a digitare codice sulla tastiera tutto il giorno; riceverai richieste e dovrai preparare presentazioni e gestire persone. Come nelle competenze dell’analista dei dati, devi sapere come comunicare per avere successo.

2. Adattabilità

La survey del 2023 degli sviluppatori di StackOverflow è in realtà un ottimo esempio di adattabilità. Gli autori hanno introdotto per la prima volta una sezione sull’intelligenza artificiale, dimostrando una notevole adattabilità a un panorama in continua evoluzione dello sviluppo.

L’intelligenza artificiale è solo un esempio. La data science è un’ottima illustrazione di quel vecchio detto: l’unico elemento costante è il cambiamento. Per essere un data scientist di successo, devi essere pronto ad affrontare le sfide.

Ciò può significare molte cose diverse. La più ovvia è la capacità di imparare facilmente nuove tecnologie. La tecnologia cloud è nuova. L’intelligenza artificiale è nuova. FastAPI è nuovo. Devi tenerne il passo.

Un’altra applicazione è rimanere aggiornati sullo scenario occupazionale. Il trend recente non è solo essere un data scientist nel senso tradizionale; molti datori di lavoro si aspettano che tu abbia molte competenze. Devi essere anche un data engineer, un machine learning engineer e talvolta persino un esperto di settore. Le linee tra questi ruoli si stanno confondendo e i moderni data scientist si trovano spesso a gestire compiti che una volta erano separati in ruoli distinti.

Può significare anche capire e integrare il feedback. Come data scientist, spesso costruiamo modelli o soluzioni basate su determinate ipotesi o dataset. Ma non sempre funzionano come previsto. Essere adattabili significa accogliere questo feedback, iterare sui tuoi modelli e migliorarli in base ai risultati reali.

Possibilmente l’applicazione peggiore, ma molto importante, è essere pronti ad essere licenziati o messi in cassa integrazione. Il 2021 e il 2022 sono stati anni strani per il lavoro, con molte grandi aziende che licenziavano senza preavviso un gran numero di dipendenti. È una buona idea considerare questa eventualità e essere pronti per affrontarla.

 

3. Lavoro di squadra e collaborazione

 

 

Ricordi come ho insistito sulla comunicazione? Il lavoro di squadra e la collaborazione rientrano nella stessa categoria. Come scienziato dei dati, non lavori solo con altri scienzati dei dati. Tutti amano i dati su qualsiasi cosa, quindi sarai il destinatario di qualsiasi numero di richieste per produrre presentazioni in PowerPoint, report e grafici.

Per farlo con successo, devi giocare bene con gli altri. I progetti di scienza dei dati spesso coinvolgono il lavoro con team interfunzionali, tra cui analisti aziendali, ingegneri e responsabili del prodotto. Essere in grado di collaborare efficacemente assicura che le soluzioni di scienza dei dati siano allineate agli obiettivi aziendali.

Ad esempio, in uno dei miei ruoli precedenti, il team del prodotto voleva introdurre una nuova funzionalità nella nostra app. Ovviamente, erano necessari dati per supportare la loro decisione. Si sono rivolti a me e al resto del team di scienziati dei dati per avere informazioni sul comportamento degli utenti in relazione a funzionalità simili.

Nel frattempo, il team di marketing voleva sapere come questa nuova funzionalità potesse influire sull’interazione e la fedeltà degli utenti. Nel frattempo, il team di ingegneria doveva capire i requisiti tecnici e come sarebbero stati influenzati i flussi di dati.

Il nostro team è diventato centrale in questo. Abbiamo dovuto raccogliere i requisiti dal team del prodotto, fornire informazioni al team di marketing e lavorare con il team di ingegneria per garantire un flusso di dati fluido. Questo richiede non solo competenze tecniche, ma anche la capacità di capire le esigenze di ciascun team, comunicare in modo efficace – e a volte mediere tra interessi contrastanti.

 

4. Curiosità

 

Prendo la via di uscita facile e non menziono la risoluzione dei problemi come la soft skill definitiva perché penso che sia troppo usata. Ma onestamente, la curiosità equivale alla stessa cosa.

Come scienziato dei dati, probabilmente non devo dirti che ti imbatterai in molti problemi. Ma in fondo, ogni problema è in realtà una domanda.

“I nostri utenti non effettuano conversioni” diventa “Come possiamo rendere questo prodotto più attraente?”

“Il mio modello non mi fornisce previsioni accurate” diventa “Cosa posso cambiare per rendere il mio modello più realistico?” 

“Le nostre vendite sono diminuite l’ultimo trimestre” diventa “Quali fattori hanno influenzato questa diminuzione e come possiamo affrontarli?”

Ogni problema, affrontato con una mentalità curiosa, si trasforma in una domanda che cerca comprensione e miglioramento. La curiosità ti spinge a scavare più a fondo, a non accettare le cose così come si presentano e a cercare continuamente soluzioni migliori.

Kevin, della mia introduzione, era una persona curiosa in generale. Ma per qualche motivo, quando si trattava di scienze dei dati, aveva i paraocchi. Ogni problema diventava un chiodo da risolvere con un martello di codice. E la realtà è che non tanto lavoro nella scienza dei dati può essere fatto in quel modo.

Mi ha dato un esempio di qualcosa che gli è stato chiesto in un colloquio di lavoro di recente: “Il team di supporto clienti ha ricevuto lamentele sul processo di checkout del sito web. Come affronteresti questo problema?”

Kevin ha spiegato dettagliatamente come avrebbe risolto il difetto tecnico. Ma la risposta che il suo intervistatore cercava era una domanda come “Perché gli utenti trovano il processo di checkout complicato?”

Nel mondo reale, uno scienziato dei dati dovrebbe porsi questa domanda per risolvere il problema. Forse gli utenti di una determinata regione stanno riscontrando problemi a causa dell’integrazione di un gateway di pagamento locale. O forse la versione mobile del sito non è così user-friendly, portando all’abbandono del carrello.

Dal momento che si pone il problema come una domanda, lo scienziato dei dati non si ferma solo all’identificazione del problema; approfondisce il “perché”. Questo approccio non solo porta a soluzioni più efficaci, ma porta anche a scoprire approfondimenti più profondi che possono guidare decisioni strategiche.

 

Considerazioni finali

 

Ci sono un sacco di soft skill che non ho menzionato qui, come empatia, resilienza, gestione del tempo, pensiero critico, per citarne alcune. Ma se ci pensi, tutte rientrano in queste categorie.

Comunica con le persone. Sii in grado di adattarti al cambiamento. Sii in grado di lavorare con gli altri. E affronta i problemi con curiosità. Con queste quattro soft skill, sarai in grado di affrontare qualsiasi problema, colloquio di lavoro o bug che ti si presenti.

****[Nate Rosidi](https://twitter.com/StrataScratch)**** è uno scienziato dei dati e lavora nella strategia del prodotto. È anche professore a contratto che insegna analisi e è il fondatore di StrataScratch, una piattaforma che aiuta gli scienziati dei dati a prepararsi per i colloqui con vere domande di colloquio delle migliori aziende. Connettiti con lui su Twitter: StrataScratch o LinkedIn.