Les collections

Ce que recherchent les entreprises lors de l'embauche de Data Scientists

Ce que recherchent les entreprises lors de l'embauche de Data Scientists

Aujourd'hui, la science des données est au cœur de presque toutes les entreprises et organisations. Le besoin croissant non seulement de collecter des données, mais aussi de les examiner et de les analyser pour prendre des décisions directes, a suscité une énorme demande de spécialistes des données qualifiés.

Une carrière de data scientist est très attrayante pour ceux qui recherchent non seulement un poste en demande, mais aussi un poste offrant un potentiel de revenus élevé et une satisfaction professionnelle élevée. Il se classe comme le meilleur emploi pour 2019 en Amérique sur Glassdoor avec un salaire de base médian de $108,000 et une note de 4,3 sur 5 pour la satisfaction au travail.

Pour clarifier les différences entre un data scientist et un data analyst, regardez la vidéo suivante:

Que faut-il pour être un data scientist? De toute évidence, de solides compétences techniques sont essentielles. Mais la question est de savoir quelles compétences spécifiques doit-on maîtriser pour s'engager dans ce cheminement de carrière particulier?

CONNEXES: L'ÉVOLUTION DES LANGUES INFORMATIQUES SUR 136 ANS

Les compétences incontournables

La réponse à la question des compétences essentielles des data scientists continue de changer et d'évoluer comme en témoigne un article largement cité sur le sujet de KD Nuggets, 9 compétences indispensables dont vous avez besoin pour devenir Data Scientist, mises à jour. La «mise à jour» a été ajoutée au titre car le nombre de compétences sur la liste a augmenté au fil des ans.

À l'heure actuelle, les 13 compétences de la liste KD Nuggets sont les suivantes:

  1. Éducation
  2. Programmation R
  3. Codage Python
  4. Plateforme Hadoop
  5. Base de données SQL / codage
  6. Apache Spark
  7. Apprentissage automatique et IA
  8. Visualisation de données
  9. Données non structurées
  10. La curiosité intellectuelle
  11. Le sens des affaires
  12. Compétences en communication
  13. Travail en équipe

Bien que certaines compétences ne soient pas surprenantes, car vous vous attendez à ce qu'un scientifique des données maîtrise les langages et les compétences techniques utilisés en science des données, certains éléments sont un peu plus généraux. Et c'est parce que la science des données ne se résume pas à une simple extraction de nombres par cœur, mais à donner un sens à tout cela dans le contexte des objectifs commerciaux.

Pas seulement une science mais un art

C'est pourquoi il y a plusieurs annéesVenture Beat a suggéré que «artiste de données» pourrait être un titre de poste plus précis: «Peut-être que ces scientifiques ne sont pas les Einstein et les Edison, mais les Van Goghs et Picasso de la révolution du big data.» Le but est de reconnaître que les scientifiques des données ne se contentent pas d'observer et de quantifier, mais proposent des approches créatives pour extraire des informations et de la valeur des données.

Un data scientist qui réussit n'est pas seulement quelqu'un qui a coché la liste des compétences techniques; il ou elle doit avoir la capacité de réfléchir à la manière d'aborder un problème d'une manière nouvelle qui ouvre la voie à une solution, puis de communiquer efficacement ce qui a fonctionné et pourquoi. Bien plus qu'un simple quant, le scientifique des données à succès est un penseur créatif et un résolveur de problèmes avec une compréhension du domaine.

La preuve d'entretien des compétences matérielles et non techniques

Ce mélange de compétences est ce qui ressort de la liste présentée par Roger HuangChaque entretien Data Science se résume à cinq questions de base. Ces cinq questions aboutissent à 60% compétences techniques, 20% compétences non techniques, et 20% aptitude à appliquer ses connaissances à la situation.

Les compétences techniques constituent trois des questions: une sur les mathématiques, une sur le codage et une sur les statistiques. Les compétences générales entrent en jeu pour fournir la réponse à ce que Huang appelle des «questions de comportement» qui évaluent l’aptitude du candidat à la culture de l’entreprise. Ensuite, il y a ce qu’il appelle la «question du scénario», celle qui met les candidats au défi de démontrer leur capacité à appliquer ce qu’ils ont appris à une situation particulière et à esquisser une approche qui pourrait fonctionner.

Voir la situation dans son ensemble

Comme l'une des caractéristiques distinctives du scientifique des données est la curiosité intellectuelle qui incite une personne à poursuivre une véritable compréhension, on s'attend à ce que la personne fasse plus que simplement faire des calculs. Comme un le journal Wall Street article, Qu'est-ce qu'un Data Scientist, de toute façon? a déclaré: «un data scientist efficace… a la capacité de voir comment des sous-ensembles particuliers de données peuvent être plus utiles que d'autres, et quelles conclusions peuvent en être tirées.»

Il est également important de s’intéresser à la vue d’ensemble de l’organisation et aux résultats pertinents par rapport à ses objectifs. Cela correspond à ce que le Dr John Maiden, un data scientist chez JP Morgan Chase's Digital Intelligence, a décrit dans le blog aNYC Data Science Academy.

L'une des principales choses qu'ils recherchent chez la société financière est la capacité «d'appliquer des solutions à des problèmes importants et désordonnés du monde réel». Il explique que c'est parce que le travail implique moins d'implication dans «l'analyse simple des données» qu'avec «la lutte contre des ensembles de données désordonnés pour fournir des informations exploitables».

Les C sont la clé

Dans la vidéo ci-dessous, Bernard Ong, AVP, Lead Data Scientist, Advanced Analytics chez Lincoln Financial Group, parle de son propre cheminement de carrière et de ce qu'il recherche chez les candidats lors de l'embauche pour son équipe. En plus des compétences en codage et en mathématiques, dit-il, il veut des candidats qui possèdent ce qu'il appelle les «3 C». Ceux-ci représentent la curiosité, la créativité et la pensée critique.

Ong a expliqué pourquoi un bon data scientist doit disposer de ces capacités afin de «comprendre non seulement la modélisation et l'analyse prédictive, mais aussi le type de défis commerciaux que nous essayons de relever.» C'est là que la réflexion sur la façon dont les choses s'emboîtent est importante.

«Cela commence par se poser les bonnes questions, ce qui découle de la curiosité. Il continue avec une réflexion critique pour évaluer le problème et progresse avec créativité pour proposer des solutions innovantes et communiquer la vision à la fin de l'entreprise en termes qu'ils comprennent », a ajouté Ong.

Raconter l'histoire des données qui motive les décisions

Lorsqu'il s'agit de communiquer cette vision, les «termes techniques» ne la coupent pas. Au contraire, vous «devez être en mesure de raconter l'histoire derrière les données», souligne Ong.

L'élaboration de tels mouvements au sein d'une entreprise nécessite certainement de capitaliser sur les compétences générales, mais elles sont également cruciales, même pour ceux qui restent dans le rôle de data scientist. Maiden insiste sur l'importance de bien communiquer «pour fournir des conseils exploitables pour orienter la prise de décision». Cela nécessite non seulement une communication orale et écrite, mais aussi une visualisation des données, en trouvant les bons diagrammes et graphiques pour raconter l'histoire des données d'une manière qui la rend compréhensible même pour ceux qui ne sont pas formés à l'analyse de données.

Comme les gens réagissent fortement à la preuve visuelle, la représentation graphique des corrélations et des causes mises en évidence par l'analyse des données transmet les relations d'une manière beaucoup plus convaincante qu'un simple texte. La visualisation des données est vraiment le lieu où la quantification mathématique et l'art créatif se rencontrent dans le même but de promouvoir des décisions basées sur les données.

KD Nuggets aborde ce même point en soulignant à quel point il est important de développer «une solide compréhension des fondamentaux de l'industrie et des objectifs de l'entreprise» pour permettre au data scientist d'exploiter «les capacités techniques pour faire une différence à long terme. . » C'est d'un intérêt encore plus vital pour les data scientists dont les aspirations professionnelles incluent un passage à un rôle au sein de la C-Suite.

Les approches créatives résolvent les problèmes de données

Dans la même veine, Ong dit que vous devez comprendre le contexte plus large pour être sûr de travailler avec les données nécessaires pour résoudre le problème:

«L'un des défis consiste à obtenir les bonnes données pour trouver les réponses nécessaires. Vous pouvez gérer de grandes quantités de données tout en constatant qu'elles ne fournissent pas les informations que vous recherchez. "

C'est là que la pensée créative entre en jeu dans l'élaboration de la «fusion des données». Cette approche consiste à combiner «différentes sources de données dans de nouvelles combinaisons susceptibles de fournir le bon type de données».

«C'est là que la créativité aide le data scientist à faire de nouvelles découvertes et à trouver des solutions», déclare Ong.

En fin de compte, travailler avec le Big Data appelle efficacement à utiliser à la fois la créativité et les processus méthodiques dans une combinaison idéale qu'Einste a décrite comme l'idéal de la science:

«La simple formulation d'un problème est bien plus essentielle que sa solution, qui peut être simplement une question de compétences mathématiques ou expérimentales. Pour soulever de nouvelles questions, de nouvelles possibilités, envisager d'anciens problèmes sous un nouvel angle nécessite une imagination créatrice et marque de véritables progrès scientifiques. »


Voir la vidéo: Webinaire LinkedIn Rock your profile! par INSEEC U. (Décembre 2021).