技术技能被高估,尤其是在数据科学领域。许多数据科学家很快意识到他们的许多工作挑战并不是’t由于他们可以做或不能做。相反,他们处理任务的心态非常重要。

例如,一位精通通讯的数据科学家将比其报告杂乱无章的(技术)熟练的同行更好地展示他们的见解。同样,从原始数据推断见解需要大量的创造力和批判性思维,这两种技能都不作为技术技能来教授,而必须由个人发展。

数据科学家需要的其他软技能包括业务能力,解决问题和适应能力。

所有这些都是超越技术创新的耐时技能。作为数据科学家,在2021年及以后的成功将很大程度上取决于这些软技能的发展。

批判性思维

这位作者 批判性思维的定义是“对问题或主题进行明智和客观的分析,探索和评估,以形成可行和合理的判断。”

批判性思维 通常被认为是数据科学中最基本的技能。

它使您消息灵通,增强了判断力,并使您更有能力做出更有效的决策。作为数据科学家,您必须能够从多个角度检查可用数据。要发展批判性思维,请执行以下操作:

  • 质疑您的假设: 作为一个 科学领域,您的工作就是运用经验方法来分析数据并提取见解。但是,人类的思想仍然受到各种偏见和预设的影响。您必须彻底询问他们,以磨练您的理由并避免决策陷阱。
  • 参与不同的观点:作为社会存在,我们被像我们这样行动和思考的人所吸引。但是缺乏健康的异议会导致 决策不力。批判性思考意味着不断寻求新观点。这并不一定意味着意见分歧;与了解另一个部门的同事的联系一样简单。

沟通

数据分析的目的是做出明智的决定。作为数据科学家,您的责任包括能够将您的发现以清晰的方式呈现给必须做出决定的非数据科学家。

非技术人员需要了解您如何得出特定的结论,方法的依据,发现的含义以及为什么您认为一种解决方案比另一种更好。

您可以通过讲故事使演示更加有效。正如布伦特·戴克斯(Brent Dykes)在他的书中所说, 有效的数据讲故事,  “…如果您的目标是对受众产生影响,那么叙事比统计更具吸引力。”

视觉效果达到相同的效果;如果使用得当,它们可以帮助您的听众看到并理解数据碎片之间的模式。除非您可以使其他人理解并促使他们采取必要的行动,否则您的见解并不重要。

解决问题

A 数据科学家 就像一个侦探。两名工人都调查可用的事实和数据以解决问题。在一种情况下,目的是解决犯罪。另一方面,目的是交付业务价值。

数据就是我们做的。而且,数据科学家需要坚决地做好准备,从根本上调查问题。项目经理喜欢一位数据科学家,他可以确定问题的创造性解决方案。

例如,发现您的公司’客户的行为以某种方式不同于 为什么 他们的行为如此。即使那样,这项工作很可能也没有完成。您仍必须使用可用数据来确定如何使客户的行为与众不同或使公司适应客户’ habits.

数据科学是评估数据和权衡各种方案的一项持续工作,它确定了为什么一种实现目标的方法比另一种更好。您结论的后果可能是巨大的;因此,您至少需要根据当时可用的数据来正确处理。

实践使您成为一个更好的解决问题的人。有 网站 帮助您学习如何通过实际业务影响解决各种数据科学挑战。

业务能力

分析数据是一回事。将其上下文化以解决实际的业务问题是另一回事。 N.R. Srinivasa Raghavan博士 因此,Infosys的一句话被广泛引用: 数据科学不仅仅是数字运算:它是应用各种技能来解决行业中特定问题的方法。

如果没有对业务流程和运营(例如供应链,客户服务,财务,人力资源,物流)的充分了解,就不可能推断出可行的见解。

数据科学是一个涉及大量理论的领域,但具有深远的实践意义。因此,优秀的数据分析师是一位了解业务模型并可以快速适应各种业务情况的分析师。

业务如何运作?您的公司如何运作?您对您的行业了解多少?贵公司如何赚钱?贵公司提供什么产品/服务,以及如何运作?是什么让您的公司亏本?谁是您的竞争对手?

这些问题以及更多问题对于理解业务运营至关重要。您可以通过研究来开发它。但是您首先需要对业务有敏锐的了解,并了解数据科学不仅涉及Python,SQL和所有技术部分。

适应性

适应性 与您适应新条件的速度有多快有关,新条件可能是积极的或消极的。在这个信息时代, 创新发展 以如此之快的速度,往往很难跟上。我们生活在一个充满可能性的世界中,如今的新功能可能会在几个月或几年后变得过时。

实际上,五年后您用于数据分析的工具可能与您现在使用的工具有所不同。

在危机时刻,数据科学家承受更大的交付压力时,适应性也很重要。考虑一下 2019冠状病毒病大流行。该病毒的全球传播已经破坏了各地的业务运营,并且可能永久性地改变了工作和业务流程。

遇到挫折时,人们寻求答案;他们想确切地知道出了什么问题以及如何前进。

今天, 每个人都依赖数据。在这个前所未有的变化世界中,您必须准备好适应当前的趋势。

结论

软技能处理您如何处理数据。您可能知道数据分析的所有技术知识,但是错误的方法几乎总是会导致错误的结果。

更重要的是,技术方面可能会发生变化。在五年或十年之内,当前流行的数据科学工具可能会完全不被人们所关注,而新的高级工具也将使边缘化。

但是,诸如批判性思维和解决问题之类的技能将持久。尽早培养这些技能是确保将来职业发展的好方法。

图片来源:pixaby;像素

约瑟夫·楚科布

企业家,数字营销人员,博客

数字营销商和公关专家Joseph Chukwube是 Digitage,是一家针对初创公司,成长型公司和中小型企业的数字营销机构。他讨论了网络安全,电子商务和生活方式,并且是TripWire,《商业2》社区,《信息安全》杂志,《科技百科》,《搜索引擎观察》等杂志的出版作家。要说声嘿或讨论项目,提案或想法,请通过以下方式与他联系 joseph@digitage.net