مهارت های مردم محور و پژوهشی (مهارت های نرم) – وبلاگ تجسم داده های مایکل سندبرگ

[NOTE: This classification term, human centric & investigational skills, was provided to me by Bridget Cogley, Co-Founder and Chief Visualization Officer for Versalytix in 2018. Neither of us liked the term “soft skills” since these skills are often difficult to achieve and more inherent in some people than others, and not everyone can easily learn them. We also did not like the term “non-technical skills” as these skills have an essential cohesion and symmetry with a data scientist’s technical skills.]

هشدار: این از یک پست وبلاگی است که 7 سال پیش نوشتم. این با در نظر گرفتن نقش Data Scientist نوشته شده است، اما واقعاً می توان آن را برای هر نقش فنی به کار برد و من معتقدم که بیشتر آنها همچنان پابرجا هستند، اما من برای پیشرفت ها و سایر موضوعاتی که شما احساس می کنید بخشی از مجموعه “مهارت های نرم” هستند آماده هستم.

شماره 1 – اخلاق داده ها
احتمالاً می‌توانم با مهارت‌های بین فردی یا مهارت‌های ارتباطی شروع کنم، اما اگر فاقد اخلاق داده‌ای هستید، مهم نیست چند مدرک تحصیلی دارید یا چند سال در این حرفه بوده‌اید، ممکن است عنوان دانشمند داده را داشته باشید، اما دانشمند داده نیستید.

به گفته هیلاری میسون، دانشمند داده در Accel، او به سه چالش کلیدی که جامعه علم داده با آن مواجه است اشاره کرد.

• اخلاق نادرست
• هیچ استانداردی در عمل وجود ندارد
• فقدان واژگان منسجم

ما در حرفه ای کار می کنیم که عدم اطمینان زیادی دارد. اغلب، تعاملات ما با جوامع تجاری ما توسط الگوریتم‌ها و یادگیری ماشینی توسعه‌یافته توسط دانشمندان داده تعریف می‌شود.

اوموجو میلر، دانشمند ارشد داده های یادگیری ماشین در GitHub، در مصاحبه ای با هاروارد بیزینس ریویو از هوگو براون اندرسون:

ما باید این درک اخلاقی را داشته باشیم، باید این آموزش را داشته باشیم و ما باید چیزی شبیه سوگند بقراط داشته باشیم. و ما باید در واقع مجوزهای مناسب را داشته باشیم، به طوری که اگر واقعاً کاری غیراخلاقی انجام می‌دهید، شاید نوعی جریمه، رد صلاحیت، یا نوعی حمایت داشته باشید، چیزی که بگوییم این چیزی نیست که ما به‌عنوان یک صنعت می‌خواهیم انجام دهیم، و سپس راه‌هایی برای اصلاح افرادی که از ریل خارج می‌شوند و کارهایی را انجام می‌دهند، بیابیم، زیرا مردم آموزش‌دیده نیستند و نمی‌دانند.

شماره 2 – شما واقعاً باید داده ها را درک کنید
“غرق شدن در داده ها اما گرسنگی” – نامعلوم

دانشمندان داده اغلب با حجم بسیار زیادی از داده ها کار می کنند. اغلب اوقات ما اطلاعات زیادی در مورد یک حوزه موضوعی داریم، اما به شکلی است که قابل مصرف نیست. به‌عنوان یک معمار داده در تجارت، در طول سال‌ها اغلب وقتی از یک شریک تجاری سؤالات مرتبط با داده‌هایشان می‌پرسم و آنها مطمئن نیستند یا پاسخی برای سؤال من ندارند، متعجب شده‌ام. این چیزی نیست که من اکنون تجربه می کنم، بلکه چیزی است که در 45+ سال گذشته در این حرفه تجربه کرده ام.

با بازگشت به سه نگرانی اصلی هیلاری میسون، من اغلب خود را در موقعیت‌هایی دیدم که هیچ مستندی، دیکشنری داده‌ای، فهرستی از اختصارات (نسخه او از یک فرهنگ لغت)، مدل‌های داده، بدون شجره نامه داده و غیره وجود ندارد.

من اغلب هنگام بحث در مورد اهمیت درک داده های شما از کدهای منطقه تلفن به عنوان مثال استفاده می کنم. در اوایل دهه 1980، اگر می‌خواستم یک کد منطقه را تأیید کنم (من در آن زمان در COBOL کد می‌کردم)، می‌توانستم روی صفر یا یک بودن رقم میانی تکیه کنم. در آن زمان، آریزونا فقط یک کد منطقه داشت، 602. امروز، آریزونا پنج کد منطقه دارد: 480، 520، 602، 623، و 928. قانون اعتبارسنجی قدیمی من دیگر کار نخواهد کرد. به یاد دارم زمانی که برای اولین بار مجبور شدیم شماره تلفن های کامل را به نامگذاری جدید تبدیل کنیم، که بسیار گیج کننده بود.

به عنوان یک دانشمند داده، باید کنجکاو باشید. حتی جرأت می‌کنم بگویم که باید بیشتر از آن‌ها در مورد داده‌های شریک تجاری خود کنجکاو باشید! اشکالی ندارد که گارد خود را پایین بیاورید و بگویید: “من این را نمی فهمم. لطفاً آن را برای من توضیح دهید.” اغلب اوقات آنها همچنین پاسخ سوالات مربوط به داده های خود را نمی دانند. نیازهای غیر کاربردی شما به اندازه نیازهای عملکردی شما مهم هستند.

کنجکاوی منجر به ظهور دانش می شود. من بیشتر وقتم را صرف کشف و تهیه داده ها می کنم. این با چیزی که من ابزارهای سلف سرویس ETL می نامم، شروع به تغییر کرده است آلتریکس و آماده سازی تابلو.

شماره 3 – حتما بخوانید!

من همیشه خواننده ای مشتاق بودم. گاهی اوقات همسرم را دیوانه می کند، همه اشتراک مجله هایی که دارم. من همیشه سعی کرده ام از آخرین فناوری ها و روندهای مرتبط با علم داده آگاه باشم.

حفظ اطلاعات مربوط به علم داده سخت است. از گفتن آن خجالت می کشم، اما آهسته خوان هستم. وقتی کوچک بودم، پدرم مرا تشویق کرد که پاراگراف به پاراگراف بخوانم. او به من گفت وقتی فهمیدم چه چیزی را خواندم، به پاراگراف بعدی بروید. تکرار کنید. و ادامه پیدا کرد. زندگی یک عمر من شروع شده بود.

امروز ما اینترنت را در اختیار داریم. سایت های بسیار خوبی برای یافتن مقالات تقریباً در مورد هر موضوعی که قابل تصور است وجود دارد. همچنین در اینترنت “نویز” زیادی وجود دارد. شما باید خودتان را آموزش دهید تا مشخص کنید چه چیزی برای خواندن ارزشمند است و چه چیزی فقط نویز است. من شخصاً هیچ دستورالعملی ندارم که بتوانم در اینجا ارائه کنم که چگونه می توان تفاوت بین این دو را تشخیص داد، اما وقتی چیزی بسیار ارزشمند برای خواندن پیدا می کنم و چیزی است که فقط یک فروشنده چرت و پرت می کند یا کسی که پرتاب می کند، برای من یک چیز شهودی است. گوشت گاو مغرضانه

من به شما توصیه می‌کنم روی برخی از حوزه‌های کلیدی تمرکز مانند آماده‌سازی داده‌ها، تجسم داده‌ها، مفاهیم کلیدی آماری، یادگیری ماشینی یا Tableau تمرکز کنید. در دانش فنی شخصی من، جامعه تابلو یک جامعه پربار است. ترفندها و نکات، مقاله‌های نحوه کار، بحث‌های عمیق درباره فلسفه تجسم داده‌ها، و غیره را خواهید یافت. در حین مطالعه، از سایت‌های برخی از محصولاتی که در مورد آنها بحث می‌کنند بازدید کنید و اطلاعات محصول، ویژگی‌ها و غیره را بخوانید. حتی اگر احتمالاً به این زودی این محصول را نخرید یا استفاده نکنید، حداقل دانش آن را در “کیف ترفندهای” خود دارید.

شماره 4 – کسب و کار خود را بشناسید!

در زندگی گذشته، من مصاحبه های زیادی انجام دادم تا به بخش منابع انسانی خود در استخدام توسعه دهندگان اپلیکیشن و مدل سازهای داده کمک کنم. در مورد سوال مورد علاقه ام که در آن مصاحبه ها پرسیدم به شما اطلاع خواهم داد. این است:

شرکت فعلی شما چگونه کسب درآمد می کند؟

از مثلاً 50 مورد از این مصاحبه ها در طول سال ها، من فقط یک نفر را داشته ام که توانسته به این سؤال پاسخ دهد. معمولاً آنها با گفتن برنامه‌ای که به تازگی توسعه داده‌اند یا برخی گزارش‌های کلیدی که برای مدیریت ارشد ایجاد کرده‌اند، به من پاسخ می‌دهند. من به آنها می گویم که می فهمم شما این کار را از نظر فنی انجام داده اید، اما می خواهم درک شما از نحوه کسب درآمد شرکتتان را بدانم!

بنابراین همیشه مهم است که کسب و کار شرکت خود را درک کنید. توصیه می‌کنم گزارش‌های سالانه شرکت، توضیحات محصول، دانستن ویژگی‌ها و مزایای آن محصولات، هوش رقابتی و غیره را مطالعه کنید.

من شخصاً وقتی با یک دپارتمان در محل کار کار می کنم به این نکته توجه می کنم که نسبت به افرادی که با آنها کار می کنم بیشتر یا بیشتر در مورد دپارتمان آنها بدانم. شاید این یک هدف غیر واقعی باشد، اما من اغلب به لعنتی نزدیک می شوم.

در جنبه تجاری علم داده، باید بتوانید تشخیص دهید که کسب و کار کدام مسائل را حیاتی می داند. علاوه بر این، همیشه باید به فکر راه‌های جدیدی برای شرکای تجاری خود باشید تا از داده‌هایشان برای تصمیم‌گیری عملی استفاده کنند.

برای اینکه بتوانید این کار را انجام دهید، باید بدانید که چگونه مشکلاتی که حل می کنید می توانند بر تجارت تأثیر بگذارند. بنابراین، همانطور که قبلاً اشاره کردم، باید بدانید که کسب و کار شما چگونه عمل می کند، برای کسب سود چه کارهایی باید انجام دهد، “نقاط دردناک” شریک تجاری خود و چه کارهایی می توانید انجام دهید تا آنها را در مسیر درست هدایت کنید.

شماره 5 – مهارت های ارتباطی

ابتدا اصطلاحات فنی خود را در درب بررسی کنید. شما با شرکای تجاری خود صحبت می کنید و اگر می خواهید توجه آنها را جلب کنید، باید به زبان آنها صحبت کنید. شما باید تمام آن صحبت های فنی فانتزی را بپذیرید و آن را به زبانی ترجمه کنید که شرکای تجاری شما می فهمند و به آن اهمیت می دهند. به بخش‌های شرکت خود و انواع چیزهایی که به آن‌ها علاقه دارند فکر کنید. برای مثال، وقتی با بخش مالی خود صحبت می‌کنم، آنها علاقه‌مندند که بتوانند به سرعت به اطلاعات مربوط به بودجه سال آینده، مخارج بر اساس بخش، میزان درآمد تا کنون در سال جاری و اینکه کدام بخش‌ها بیشترین درآمد را به همراه دارند، دسترسی داشته باشند. یک دانشمند داده باید بتواند بینش های کمی را به شرکای تجاری خود ارائه دهد تا آنها بتوانند تصمیمات به موقع و عملی بگیرند.

قصه گفتن یک مهارت بسیار مطلوب برای متخصصان داده است. توانایی ایجاد یک داستان قانع‌کننده پیرامون داده‌های یک شریک تجاری، آنها را ترغیب می‌کند که بخواهند درباره داستان بیشتر بدانند. همچنین برای تسهیل سؤالات از آنها کار خواهد کرد، که می تواند به آشکار شدن سؤالات و نیازهای داده جدید کمک کند. استفاده صحیح از تجسم داده ها و اینفوگرافیک ها ابزار عالی برای انتقال مقادیر زیادی از داده ها در تصاویر قابل درک و قابل هضم است که می تواند به سرعت توسط شرکای تجاری شما مصرف شود تا آنها دانش لازم برای تصمیم گیری موثر را به دست آورند.

شماره 6 – یک بازیکن تیمی باشید

یک دانشمند داده در خلاء کار نمی کند. آنها هم نباید بخواهند. در بیشتر موارد، شما با افراد سازمان خود از رهبران شرکت، مدیران محصول، روسای بخش گرفته تا کارمندان در سطح کارکنان کار خواهید کرد. اغلب شما حتی مجبور خواهید بود با مشتریان خارجی یا در مورد من با شهروندان شهرمان کار کنید.

هنگامی که در اواخر دهه 1970 برای اولین بار وارد حرفه فناوری اطلاعات شدم، به معنای واقعی کلمه در زیرزمین سرد و مرطوب یک ساختمان کار می کردم. یک گروه جداگانه (غیر فناوری اطلاعات) الزامات را جمع آوری کردند و به ما گفتند که چه گزارش هایی را باید تهیه کنیم. پس از اتمام کدنویسی گزارش، آن را به فردی که شرایط لازم برای ارائه به شرکای تجاری ما را جمع آوری کرده بود، تحویل دادم. اگر تغییراتی وجود داشت، مجبور بودیم دوباره (اغلب چندین بار) این روند را تکرار کنیم تا آنها از گزارش راضی شوند. امکان صحبت مستقیم با شرکای تجاری برای برنامه نویسان امری غیرممکن بود. در طول سال‌ها، ما آموخته‌ایم که این روش توسعه آبشار، کدگذار در پایه به خوبی کار نمی‌کند و روش‌های پویاتر و تکراری‌تر به شرکای تجاری ما خدمات بهتری خواهند داد.

خوشبختانه، روش‌های مورد استفاده در فناوری اطلاعات و همچنین درک شریک تجاری از متخصص فناوری اطلاعات به بلوغ رسیده‌اند. فرآیندهای تکراری و مشترک اکنون کارکنان فناوری اطلاعات را دارند که مستقیماً با شرکای تجاری صحبت می کنند و به آنها کمک می کنند تا نیازهای تجاری را بشنوند و همچنین می توانند در زمان واقعی سؤال بپرسند. اکنون، این ایده مبنی بر عدم صحبت مستقیم با کسب و کار ممکن است برای برخی از شما احمقانه یا قدیمی به نظر برسد، اما 40 سال پیش برنامه نویسان به زیرزمین منتقل شدند و فقط کدگذاری شدند. سپس اکثر توسعه دهندگان خوشحال خواهند شد که به جای استفاده از “واسطه” برای رفت و برگشت، در اولین بار با کسب و کار صحبت کنند تا الزامات را به درستی دریافت کنند. زمان تغییر کرده است، فناوری اطلاعات پیچیده‌تر شده است و دانشمند داده اکنون پیشرو و مرکز شرکای تجاری است. تکامل حرفه IT را بدیهی تلقی نکنید تا ما را به جایی که امروز هستیم برساند. این روابط با شرکای تجاری شما برای وجود شما حیاتی است. همه اطرافیان شما بخشی از تیم شما هستند. با همه با احترام رفتار کنید، به یاد داشته باشید که اطلاعاتی که در اختیار دارند مهم است و دانش موضوعی آنها برای موفقیت شما به عنوان یک دانشمند داده ضروری است. برای ساخت یک عبارت قدیمی، هیچ “من” در “تیم” وجود ندارد.