Una carriera nei dati può esporti a un’ampia gamma di tecnologie, competenze e stakeholder. Avrai l’opportunità di lavorare su progetti con un impatto significativo nelle aree chiave di un’azienda, spesso all’interno di team altamente trasversali o in collaborazione con altri colleghi tecnici.
Il passaggio da ruoli junior a ruoli senior in data science può apparire molto diverso a seconda del settore e della specializzazione, ma per la maggior parte dei data scientist richiede 2-5 anni. Con le giuste conoscenze e competenze, gli stipendi possono raggiungere facilmente le sei cifre. Tra 10 anni, la domanda di data scientist dovrebbe aumentare in modo significativo, anche se il ruolo potrebbe apparire molto diverso, dato che stanno emergendo nuovi strumenti, buone pratiche e metodologie.
La crescita in una carriera nei dati può assumere molte forme, ma qualunque siano i tuoi obiettivi, ci sono alcuni consigli e pratiche essenziali da tenere a mente. Continua a leggere per scoprire le nostre best practice per assicurarti di progredire con costanza lungo tutta la tua carriera.
1. Definisci il successo
Lavorare per il gusto di lavorare non è un problema di per sé; la pratica continua è considerata positiva e molti ne traggono beneficio. Tuttavia, potresti non sentirti soddisfatto se non hai un obiettivo verso cui crescere. È essenziale sedersi e definire cosa significa successo per te. Non solo questo ti assicurerà di muoverti nella direzione giusta, ma ti darà anche un modo per valutare i tuoi progressi nel tempo. La tua idea di successo non deve per forza riguardare promozioni, reddito o titoli di lavoro. Potresti aspirare a obiettivi a lungo termine come pubblicare un articolo o completare un dottorato. Forse vuoi guidare un team o sviluppare un prodotto usato da milioni di persone. Definendo la tua visione di successo, puoi individuare i passi necessari per crescere nella direzione giusta.
2. Non smettere di imparare
Hai mai sentito parlare di mentalità di crescita? Le ricerche mostrano che chi ha questa mentalità tende a ottenere di più rispetto a chi crede che i talenti siano doni innati. Le carriere nei dati possono essere impegnative; molti professionisti si imbatteranno in battute d’arresto e fallimenti. Imparare dagli errori è spesso citato come una delle metriche chiave del successo; persino gli imprenditori di successo parlano dei loro numerosi fallimenti e di ciò che hanno imparato.
Un altro motivo fondamentale per sviluppare continuamente le tue competenze è tenere il passo con la velocità con cui cambia il settore. Elad Cohen menziona in DataFramed (circa al 49° minuto) che, indipendentemente dal fatto che tu pensi o meno che l’automazione snellirà parti del flusso di lavoro della data science, molte persone tendono a sottostimare come sarà la tecnologia tra 10 anni. Se non continui a imparare e crescere, il settore stesso potrebbe muoversi più velocemente di te.
3. Continua a costruire un portfolio
L’importanza di un portfolio non può essere sopravvalutata. Anche se è spesso associato a data scientist junior che cercano il primo impiego, un portfolio può essere un ottimo posto in cui raccogliere alcuni dei tuoi lavori migliori nel corso della carriera. Può anche essere uno spazio per lavorare su temi che ti appassionano, soprattutto se non hai l’opportunità di farlo nella quotidianità. Infine, espandere il tuo portfolio può motivarti ad applicare la pratica di sviluppare sempre nuove competenze.
Mantenere un portfolio durante la tua carriera ti consente di:
- Condividere il tuo lavoro se cambi ruolo, azienda o passi alla libera professione
- Conservare alcuni dei tuoi lavori più interessanti su cui costruire in seguito
- Avere uno spazio per condividere i risultati dei tuoi progetti personali, che gli altri data scientist adorano vedere
- Costruire il tuo personal brand, che può aprirti porte in altre aree della tua carriera
4. Investi nelle capacità di deployment dei modelli
Al momento, uno dei divari più significativi tra come la data science è insegnata all’università e come viene applicata nell’industria riguarda l’MLOps. In poche parole, l’MLOps è un insieme di strumenti, pratiche, tecniche, cultura e mentalità che assicurano il deployment affidabile e scalabile dei sistemi di machine learning. Una delle sfide più grandi che i team dati affrontano oggi è il deployment scalabile ed efficiente dei modelli di machine learning, motivo per cui le stime indicano che solo l’8% delle aziende ha modelli in produzione. Non sorprende quindi che l’MLOps sia una delle aree della data science in più rapida crescita nell’ultimo anno.
Investire nelle capacità di deployment dei modelli è essenziale per molti data scientist oggi, anche per chi ha anni di esperienza. Riconoscere che potrebbe esserci una lacuna nelle tue conoscenze e identificare i passi per colmarla è un ottimo modo per crescere. Non devi conoscere a fondo ogni nuovo strumento, ma comprendere i concetti fondamentali dell’MLOps o di altri sviluppi recenti e imparare ad applicarne le tecniche ti porterà lontano e getterà le basi per una specializzazione futura. Se ti interessa iniziare con l’MLOps, puoi trovare alcune risorse gratuite per partire in questo post del blog.
5. Scegli una specializzazione
La data science è un campo eccezionalmente ampio. In questo e-book, DataCamp definisce la data science come “un campo interdisciplinare che mira a estrarre insight significativi dai dati”. Le diverse discipline vanno dalla matematica alla statistica, dal machine learning alla programmazione, dalla data visualization e oltre. Non esiste modo che una sola persona sviluppi conoscenze da esperto in tutte queste aree, soprattutto quando serve una conoscenza significativa per implementare tecniche in un singolo ambito. Ad esempio, pensa a quanta teoria devi comprendere per mettere in produzione un modello di linguaggio naturale raggiungendo un’accuratezza soddisfacente ed evitando bias.
Una volta che hai un po’ di esperienza in una gamma ampia di aree, vale la pena considerare dove potresti voler specializzarti. Diventare esperto in un ambito è un ottimo modo per aprire porte e avvicinarti alla tua visione di successo.
6. Amplia la tua rete
Il networking è uno dei modi più importanti per crescere nella tua carriera e può assumere molte forme, come partecipare a eventi, organizzare “coffee chat” con persone del settore o colleghi, o persino tenere tu stesso delle talk. Una rete è un ottimo modo per scoprire cosa sta accadendo in altre organizzazioni e quali nuove competenze potresti dover imparare o potrebbero servire nella tua organizzazione in futuro. È anche il modo più semplice per mettere un piede nella porta di un’altra azienda se vuoi cambiare lavoro.
Molte persone trovano l’idea del networking scoraggiante, ma esistono vari modi per fare rete e trovare eventi nella community dei dati. Abbiamo raccolto qui un elenco delle migliori conferenze di data science a cui partecipare nel 2022 per aiutarti a iniziare il tuo percorso di networking.
7. Combatti la sindrome dell’impostore
La sindrome dell’impostore è definita dalla Harvard Business Review come “dubitare delle proprie capacità e sentirsi un impostore”, ed è qualcosa che molti data scientist hanno provato in qualche momento della loro carriera. L’ampiezza e la profondità di conoscenze che i data scientist esperti possiedono possono sembrare un’asticella altissima nelle fasi iniziali della carriera. Anche più avanti, è probabile che ti imbatterai in esperti con conoscenze estremamente profonde in ciascuno dei tanti sotto-campi della data science. La sindrome dell’impostore è un termine diventato molto più comune negli ultimi anni, con molti dirigenti di alto livello che raccontano le loro esperienze. Per questo sono disponibili molti libri per aiutarti a capire come potrebbe influenzarti e cosa puoi fare per contrastarla. Questo post su Reddit contiene anche diverse testimonianze di data scientist sulle loro esperienze con la sindrome dell’impostore.
8. Tieni d’occhio il mercato del lavoro
La crescita professionale è fortemente correlata a come trascorri il tuo nove-cinque. Se ciò che fai ogni giorno non è in linea con la tua definizione di successo a lungo termine, potresti voler rivalutare la tua posizione. Questo potrebbe significare parlare con il tuo manager per cambiare la tua quotidianità o fare un passaggio laterale all’interno dell’organizzazione. Tuttavia, vale sempre la pena capire cosa sta succedendo nel mercato del lavoro. Potresti scoprire che le tue competenze sono molto richieste e che altre aziende possono offrire ruoli diversi o aumenti di salario e benefit.
Jerry Lee di Wonsulting, una società di sviluppo di carriera, consiglia di sostenere colloqui ogni anno presso aziende che ti interessano per mantenere allenate le tue capacità di intervista e assicurarti che la tua azienda attuale ti valorizzi. L’importanza di questo dipende dai tuoi obiettivi a lungo termine e dai criteri di successo, ma tenere il polso del resto del mercato è sempre un’ottima idea.
9. Rimani aggiornato
Oltre a sviluppare le tue competenze, è importante avere anche una panoramica di ciò che accade allo stato dell’arte nella ricerca, nelle aziende tech e tra i leader del mercato nel tuo ambito. Non devi sempre scendere nei dettagli: comprendere il potenziale dell’ultima tecnologia a un livello alto è un ottimo modo per restare informato. Punti extra se riesci a parlarne con la tua rete per capire come la stiano applicando o per insegnare loro qualcosa di nuovo!
Una buona risorsa per questo tipo di analisi ad alto livello è Adam Votava, che scrive ogni settimana su LinkedIn un post “Keeping Up with Data”. Questi riassunti ben scritti sono un ottimo modo per tenere d’occhio le ultime ricerche, le notizie di business e persino i pacchetti Python appena pubblicati. Puoi anche iscriverti alla nostra newsletter video Weekly Roundup, che ti offre le notizie più interessanti dal mondo della data science, della tecnologia e delle community di ricerca.
10. Considera l’impatto del tuo lavoro
La crescita nella tua carriera dovrebbe portarti a raggiungere le tue metriche di successo – ma che dire del successo della tua organizzazione? È importante considerare quale impatto ha avuto il tuo lavoro, che si tratti di risparmiare tempo con strumenti efficienti, aiutare i colleghi creando una dashboard informativa o ridurre i costi di produzione con un modello ben addestrato. Comprendere il tuo impatto in tutta l’organizzazione ti consente di:
- Fornire un business case per una promozione o un cambio di ruolo
- Giustificare la richiesta che l’azienda ti sponsorizzi un corso di formazione
- Parlare del tuo lavoro alle conferenze
- Affrontare bene i colloqui se prevedi di cambiare ruolo
11. Sviluppa competenze di leadership
La best practice n. 12 tratterà i diversi tipi di percorsi manageriali che puoi avere nella data science. Ma per arrivarci, dovrai sviluppare competenze di leadership come individual contributor. Competenze come delega, definizione delle priorità, feedback e impostazione di una direzione chiara sono essenziali da costruire. Anche se non gestisci persone, puoi comunque imparare e applicare queste abilità quando ti viene affidata la guida di un progetto come individual contributor.
Nel corso della tua carriera ci saranno molte opportunità per sviluppare queste competenze, ma potrebbe anche richiederti di uscire dalla tua comfort zone. Uscire dalla comfort zone ed entrare nella stretch zone è il luogo in cui avvengono i nostri migliori apprendimenti e successi; non rifuggire da queste opportunità perché rappresentano eccellenti occasioni di crescita che daranno frutti lungo tutta la tua carriera.
12. Scegli un percorso di carriera
Oggi i percorsi di carriera non sono sempre lineari. Potresti spostarti lateralmente verso un team o progetto diverso o entrare e uscire da ruoli manageriali. Meta ha categorizzato alcuni dei suoi percorsi di carriera qui, affermando che “...diventare manager non è una promozione. È solo un altro modo per portare a termine il lavoro”. Questa filosofia è comune tra le organizzazioni, in particolare quelle più piatte nella struttura, con molti team organizzati intorno ai progetti piuttosto che alle funzioni. Per Meta, i percorsi di carriera principali sono
- Contributor senior: Sebbene in genere i contributor senior non gestiscano persone, spesso fanno da mentori ai membri junior del team e possono avere una notevole influenza su strategia e decisioni. Questo percorso di carriera prevede per lo più lavoro hands-on e coding.
- Tech lead: Questo percorso è un mix tra il contributo al lavoro tecnico e la gestione di un piccolo team di persone, spesso altri professionisti dei dati.
- People manager: Questo è il percorso manageriale tradizionale in cui scrivi pochissimo codice e ti concentri invece su riunioni di alto livello e gestione quotidiana delle persone.
È utile capire dove potresti voler arrivare più avanti nella tua carriera. Se al momento la gestione delle persone non fa per te, puoi investire maggiormente nelle competenze tecniche; se invece è vero il contrario, potresti voler fare networking e cercare opportunità per apprendere competenze di leadership.
Bonus—Ci sono molti modi per avere successo nella data science
Questo articolo offre molti consigli per i data scientist che lavorano in un’organizzazione, ma ci sono molti modi per avere successo nelle carriere nei dati. Accademia, insegnamento, libera professione e creazione di contenuti sono tutti modi per migliorare il mondo, imparare o sviluppare qualcosa, o aumentare il tuo potenziale di guadagno. Non incasellarti in una sola azienda o in un unico percorso di carriera: considera cosa significa successo per te ed esegui la tua visione.
Altre risorse per te:
- Iscriviti al podcast DataFramed
- Scopri le nostre certificazioni
- Guarda questo webinar sulla creazione di un portfolio di data science
