数据科学家应具备的非技术原则

数据科学家应具备的非技术原则

towardsdatascience.com/non-technical-principles-all-data-scientists-should-have-03d9e71e7980/

使用 Grok 2. 人工生成的图像。

引言

有一种普遍的误解，认为最有可能成功的数据科学家是那些技术能力最强的人。我作为一名数据科学家工作了近十年，在这段时间里我多次获得晋升。尽管我确实有技术技能，但我也要将我的成功归因于我的非技术原则。

我不同意技术能力和职业成功之间存在强烈的关联，相反，我会将这个陈述重新表述为：

如果数据科学家没有/发展他们的非技术原则，他们不太可能在其数据科学职业生涯中取得进步。

成功可以以各种方式定义；这可能是财务上的，为特定的雇主工作，拥有良好的工作/生活平衡，或者拥有特定的职位名称。无论你如何定义它，我都相信这个陈述是成立的。

本文的目的是讨论所有数据科学家都应该发展的关键非技术原则，以提升他们的职业生涯。原则将被分为属性（个人特征）或习惯（常规行为）。

属性

个人的属性通常是固有的或随着时间的推移而学习到的，例如能够适应不断变化的环境。虽然有时很难，但属性是可以被教授的。

每当我面试数据科学家职位候选人时，我都会确保评估他们的非技术属性以及他们的技术能力。我发现技术技能比非技术属性更容易教授。在面试中展示这些技能可以真正提高你被录用的机会，而不仅仅是能够解释神经网络是如何工作的！

软技能

软技能是一个广泛的术语，让我们将其分解为个别特质。

沟通 常常被忽视，良好的沟通能力不仅在于能够说得很好，还在于你的倾听能力。作为一名数据科学家，你的听众大多是非技术背景的，一个关键技能是能够向非技术背景的听众解释高度技术性的概念。

我在职业生涯早期学到的一点是“始终了解你的听众是谁”。对于某些听众，你需要避免使用技术术语，更多地强调你结果背后的“为什么”和“如何”。其他听众可能更感兴趣于理解模型的可解释性，因此你应该调整你的演示文稿，包括更多技术内容。

沟通可以通过实践和经验来培养。无论是面对面交谈还是通过电子邮件，提高你的沟通技巧将帮助你建立更好的关系，并使更多的人理解你正在做什么。

协作数据科学家处于一个需要协作才能成功的生态系统之中。你不仅需要在数据科学职能内进行协作，还需要与外部团队沟通，例如软件开发者、数据分析师、机器学习工程师、产品经理和利益相关者。

我强烈建议所有数据科学家参与团队讨论，并确保你积极地挑战彼此，无论职位如何。一个优秀的数据科学团队是那些在任务上相互支持，并提供建设性批评以帮助个人发展的团队。

如果你还没有这样做，那么就联系其他团队中参与同一项目的人，发送一个虚拟的 1:2:1 会议邀请，或者一起吃午餐并自我介绍。我发现，与人们建立非工作相关的联系实际上在我需要就工作相关的事情与他们交谈时对我有益。

问题解决数据科学家的主要角色是将商业问题转化为可以使用数据进行解决的问题。尽管我们都喜欢深入到训练机器学习模型的环节，但在那之前，还有一些基本步骤你需要完成。

我的第一条建议，我认为这是必须学习的，是在你深入数据之前，确保你完全理解商业问题。与利益相关者交谈，提出问题，并确保你完全理解问题是什么。记住，利益相关者和董事并不像你那样接近数据，你是专家，应该利用你的知识，与大家一起合作，找到解决当前问题的最佳方法。

一旦你理解了问题，将其分解成更小的任务，并系统地管理这些任务。如果你的团队使用像 Jira 这样的规划软件，这将有所帮助，因为你很可能需要完成这一步骤。这不仅可以帮助你确定哪些子任务依赖于其他任务的完成，还可以在你需要提高优先级时将子任务委派给团队的其他成员。

要擅长问题解决，你必须富有创造力，并有能力在时间限制内做出正确的决定。我总是鼓励数据科学家在思考上具有创新性，因为解决一个单一问题没有唯一的方法。有时候，截止日期即将到来，探索和创新的空间会缩小，但在这种情况下，我强烈鼓励人们跳出思维定势。

商业洞察力

数据科学家的角色不仅限于开发机器学习模型。无论你在做什么任务，你都应该清楚地了解你正在解决的业务问题以及你的工作将带来的影响/价值。

我强烈建议花时间了解你所在行业的知识。例如，如果你在物流行业工作，了解供应链的运作和涉及的各种流程。这不仅会增强你的领域知识，而且在与在这个领域工作多年且非技术背景的受众沟通时也会有所帮助。

有些人天生就表现出很强的商业洞察力，而有些人则需要更多的指导。当你想要发展你的商业洞察力时，我建议从熟悉你团队被衡量的重要指标开始。大多数公司都会创建关键绩效指标（KPIs）作为跟踪进度的一种方式。花时间了解这些 KPIs，并将你正在做的工作与你如何影响这些指标联系起来。

注意：无论你在做什么任务，都要问自己，这如何有助于最大化回报率和提高绩效指标。

习惯

与通常是一种固有的行为属性不同，习惯被定义为一种随着时间的推移变得无意识的常规行为，例如每天早上检查你的电子邮件。

在数据科学家面试过程中，你的习惯不太可能被过多关注。它们很可能会在早期的电话筛选中出现，作为了解候选人的方式。

习惯更容易教授，你经常会发现，当你加入一家新公司或团队时，你会无意识地发展新的习惯，这可能就是你在站立会议中提供更新、格式化代码或编写合并请求描述的方式。

话虽如此，在我整个职业生涯中，有一些习惯帮助了我，我想与你们分享。

网络有时机会是由于你认识的人而不是你知道的事情而产生的。有时候，作为数据科学家的工作可能会变得相当孤立，你唯一能交流的志同道合的人就是和你一起工作的人。我相信，在你的日常圈子之外建立人脉是不可或缺的。

我第一次开始参加与科技相关的聚会是在 2016 年，这不仅让我遇到了更多志同道合的人，还让我了解了其他公司的数据科学功能是如何运作的。实际上，就是在我的第一次聚会上，我遇到了最终给了我第一个数据科学家职位的人。能够在没有压力的非正式环境中交流，我能够展示我对数据科学的知识和热情。如果不是那次聚会，谁知道我的职业生涯会怎样发展。

注意：如果你无法亲自参加聚会，可以寻找虚拟机会。你还可以在社交媒体（例如 LinkedIn）上与人建立联系，并从那里扩展你的人脉。

当正确使用时，社交媒体是一个伟大的工具。在 2020 年的大流行期间，我开始在 Instagram 和 Twitter（现在称为 X）上与其他开发者和数据科学家建立联系。通过这样做，我能够与世界各地的开发者建立联系，这些开发者我至今仍在几乎 5 年后保持联系。

当你在社交媒体上发布内容时，你常常会发现自己想要尽可能多地获得关注者。当使用社交媒体进行网络拓展时，我鼓励你专注于培养有意义的联系。有意义的联系是指那些回关你、参与你的内容、通过私信与你交流以及有共同职业目标的人。

寻找导师从已经积累了经验的人那里获得建议是最好的。拥有导师不需要是两个人之间的正式协议，仅仅建立一个你可以提问的关系就足够了。

经常情况下，资深数据科学家会继承成为初级/中级数据科学家的导师角色，导师的职责是提供指导并帮助人们在其当前职位上取得进步。

个人而言，我有很多导师。当我最初作为数据科学家开始工作时，我被一位资深人士指导，他向我传授了编码最佳实践以及如何成为一名更全面的数据科学家。我还有一位非技术性的导师，他在我所在领域有数十年的经验，因为我是一个新手，我们经常讨论行业运作方式以及数据科学如何帮助改善日常流程。

注意：不要害怕主动联系他人，并询问他们是否愿意成为你的导师。找出那些职业路径与你抱负相符，或者在你所在领域有丰富经验的人。向他们伸出援手！

公开构建“公开构建”这个术语指的是在网络上公开分享你的工作。无论是创建一个作品集网站、丰富你的 GitHub 个人资料、在 Medium 上撰写文章，还是在社交媒体上发布内容。

我强烈鼓励其他人公开地自我教育。通过这样做，你能够展示你的专业知识，这可能会在竞争激烈的就业市场中让你脱颖而出。

在 2020 年的大流行期间，我通过 GitHub Pages 开发了我的作品集，以在封锁期间扩展我的网络开发知识。GitHub Pages 是一种免费的方法，可以创建一个集中展示你所有经验和在线贡献的位置，可以将其视为一个互动式简历。

回到提升你的软技能的话题，我建议所有数据科学家尽早探索开源世界。如果你缺乏与其他数据专业人士沟通、解决各种类型的问题以及与他人协作的经验，开源可能正是你所需要的！

如果你考虑深入开发者社区，不要犹豫。从分享你的进度、真诚地参与以及开放地学习他人的知识开始。

不要与他人比较这是一个很大的问题，尤其是在你职业生涯的早期。重要的是要记住，每个人的旅程都是独特的，将自己与他人比较往往会阻碍你自己的成长和发展。

数据科学是一个不断发展的学科。研究实验室、大学和开源项目每天都在为已有的大规模知识库做出贡献。有时，跟上这些发展可能会感到压力山大，有时甚至会导致“冒名顶替综合症”的出现。

我鼓励你们将其他数据科学家的技能视为一种激励，而不是需要与之匹敌的标准。如果你发现自己处于这样的情况，即同事展示他们的工作，而你感到焦虑，觉得自己无法完成这样的工作，那么就伸出援手，与他们交谈，向他们学习。

每个数据科学家都有自己的旅程和一套优势，一个好的团队可以相互补充。总会有人在某些事情上做得更好。专注于庆祝自己的成就，避免完美主义，认识到错误/不知道某些事情都是学习过程的一部分。每个人学习的速度和方式都不同，没有正确的学习方法。

寻求帮助在过去的几年里，我有幸指导了许多数据科学实习。这些实习大约持续 6-8 周，实习生不仅要理解业务问题，还要了解公司数据、技术栈、识别主题专家，最重要的是解决实际问题！

早期就明显的是，那些寻求帮助的实习生实习效果更好，在大多数情况下，他们还获得了数据科学家的永久职位。

注意：你想要避免的是永远不寻求帮助或总是寻求帮助。

请求帮助并不会让你看起来无法独立完成任务，实际上，这是一个积极的迹象，表明你正在主动寻求他人的帮助以推进你的项目。一旦你意识到这不是一件负面的事情，你将获得更多与他人协作的经验，你的学习将加速，你将更有效地利用时间，你项目的输出质量将大大提高。

最后的想法

虽然属性更难培养，但我强烈建议你评估你当前的水平，然后制定一个计划来进一步发展这些属性。面试官正在寻找这些属性，因此当积极探索就业市场时，它们应该被优先考虑。

你的软技能会随着经验以及采用诸如建立人脉、寻找导师和寻求帮助等习惯而发展。如果你希望进入更高级/管理职位，发展你的商业洞察力是必须的。你必须理解公司和团队的关键绩效指标，为什么某些工作比其他工作优先级更高，以及你将从你所做的工作中产生什么价值。

习惯可以从今天开始培养，无论你是想获得你的第一个数据科学家职位，还是寻找晋升机会。如果你在读这篇文章，而你还没有现有的专业 LinkedIn 网络，你的第一个任务就是创建一个。除了建立人脉，公开构建也是展示你的技能和开启未来职业机会潜力的好方法，我强烈建议花时间探索这一点。

最后，我认为所有人应该拥有的两个更个人化的习惯是不要与他人比较，并且永远不要犹豫去寻求帮助。冒名顶替综合症是每个人都会经历的，这源于你与周围人的比较。你不知道的是，你周围的人都有同样的感受，在他们眼中，你就是专家！

---

免责声明：除非另有说明，否则作者拥有本文中包含的所有图片的版权。

---

如果您喜欢阅读这篇文章，请关注我在 Medium 上的账号，X，以及GitHub，以获取更多与数据科学、人工智能和工程相关的内容。

快乐学习！🚀