Introduzione
Nel 2012, Harvard Business Review ha definito il data scientist il lavoro più sexy del XXI secolo. Dieci anni dopo, nonostante la comparsa di piattaforme AutoML (ad es. AWS Redshift ML e Google Cloud AutoML) e i rallentamenti durante la pandemia, il data scientist resta uno dei ruoli più richiesti. Anzi, quello del data scientist è il ruolo più pagato nel settore tech con uno stipendio medio annuo di 150.000 $.
Sebbene le responsabilità specifiche possano variare da un settore all’altro e da un’azienda all’altra, la maggior parte dei data scientist condivide la stessa missione: aiutare le organizzazioni a creare valore dai dati. Lo fanno esplorando pattern e trend in grandi quantità di dati, comunicando i risultati a un’ampia gamma di stakeholder e costruendo e mantenendo modelli per abilitare decisioni automatizzate. Perciò, diventare data scientist richiede un set di competenze unico e diversificato che copre statistica, programmazione, mindset business e comunicazione—da dimostrare attraverso una serie di domande di colloquio e challenge da svolgere a casa.
Con questo post vogliamo condividere alcuni consigli, sia dal punto di vista del candidato sia da quello dell’intervistatore, per aiutarti a distinguerti in un colloquio da data scientist e ottenere l’offerta che sogni.
Consiglio n. 1: Familiarizza con il ruolo e con l’azienda
Come detto sopra, “data scientist” è un termine vago che può riferirsi a qualsiasi ruolo che ruota attorno ai dati. Due data scientist di aziende o settori diversi possono ritrovarsi a svolgere attività completamente differenti. È quindi essenziale leggere con attenzione la sezione delle responsabilità nella job description o chiedere all’intervistatore: “Com’è una giornata tipo in questo ruolo? Si passerà più tempo a esplorare e visualizzare i dati, o a costruire modelli?” Più dettagli impari su questo ruolo, prima capirai se corrisponde al tuo profilo e ai tuoi interessi. Questo ti aiuta a puntare alle posizioni più adatte e aumenta le probabilità di ottenere il lavoro che desideri davvero.
Puoi trovare suggerimenti utili su come migliorare il personal branding e l’allineamento del profilo su siti di carriera come indeed e linkedin. Se cerchi consigli professionali su misura per data science e analytics, i servizi di carriera di Datacamp possono essere molto utili: qui trovi sessioni personalizzate con career coach specializzati in quest’area.
Una volta individuato il ruolo giusto per te, il passo successivo è mostrare all’azienda la tua passione per il loro business. Questo può essere un po’ complesso per chi è all’inizio come data scientist o vuole cambiare settore, perché potresti non avere molta esperienza nel risolvere domande di business nell’industria a cui ti candidi.
Una cosa che troviamo davvero utile è lavorare su progetti rilevanti per i settori target e menzionarli nel CV e durante i colloqui. Per esempio, se non hai mai ricevuto una formazione in finanza ma vuoi candidarti come data scientist in una banca d’investimento, lavorare a un progetto guidato come questo Modeling the Volatility of US Bond Yields su DataCamp può aiutarti a capire quali domande di business ci si aspetta che un data scientist in finanza sappia risolvere.
Anche Kaggle è un’ottima piattaforma dove trovi molte competizioni e dataset interessanti. Lavorando su questi progetti e parlandone durante i colloqui, non solo costruirai basi di conoscenza in quel settore, ma mostrerai anche all’azienda di essere così interessato al loro business da spendere il tuo tempo libero per esplorare i loro use case.
Consiglio n. 2: Fai emergere la tua competenza tecnica nelle challenge da svolgere a casa
Di solito, il processo di selezione per data scientist prevede una challenge da svolgere a casa in cui ai candidati vengono forniti uno o più dataset e alcune domande di business da risolvere. Sebbene i requisiti di consegna possano variare, in genere ci si aspetta che i candidati condividano codice, modelli e output dell’analisi.
Molti candidati vedono questo come un’ottima opportunità per mostrare le proprie skill tecniche. R e Python sono i principali linguaggi per la data science e hanno entrambi pacchetti indispensabili per data wrangling, modellazione statistica e machine learning, ad es. pandas, sklearn e statsmodels per Python, oltre a tidyr, dplyr e caret per R. Se sei alle prime armi con la data science, è consigliabile seguire alcuni percorsi di carriera come questi su DataCamp: Data Scientist with Python e Data Scientist with R. Oltre a un’ampia gamma di corsi, Datacamp offre anche uno workspace dove esercitarsi con template di codice pre-scritti e dataset preconfigurati, per chi vuole fare pratica concreta e colmare il gap tra apprendimento e applicazione.
Ciò che a volte viene sottovalutato è il ruolo del data storytelling. I bravi data scientist sono anche storyteller efficaci, in grado di comunicare bene i risultati dei modelli per convincere gli stakeholder e quindi guidare cambiamenti reali. Come si suol dire, “un’immagine vale più di mille parole”. Perciò, assicurati di includere visualizzazioni intuitive nel tuo report di analisi per aiutare gli intervistatori a capire come individui i pattern nei dati e mostrare come il tuo modello può creare valore. Oltre a pacchetti comuni come matplotlib (Python), seaborn (Python) e ggplot2 (R), plotly è una libreria di grafici da provare se vuoi creare una dashboard interattiva basata sul web. Questo corso su DataCamp può essere utile: Introduction to Data Visualization with Plotly in Python.
In alternativa, puoi provare tool BI no-code come Tableau, Power BI e Google Data Studio. Questi strumenti ti offrono due vantaggi. Da un lato, sono tool di visualizzazione molto diffusi tra stakeholder non tecnici come data analyst e product manager. Quindi, padroneggiarli dimostra che puoi integrarti facilmente con gli stack di data analytics usati dall’azienda. Dall’altro, offrono più personalizzazione rispetto ai pacchetti Python o R, permettendoti di creare con facilità un report di analisi interattivo in stile presentazione. Se sei nuovo a questi strumenti, questo corso Introduction to Tableau su DataCamp è un buon punto di partenza.
Dulcis in fundo, conta anche come consegni il tuo codice. Se non specificato diversamente, è sempre una buona idea costruire la tua soluzione su Git e includere tutte le dipendenze direttamente nel codice. Nulla frustra di più gli intervistatori che ricevere un file zip, provare a eseguire il codice e vedere solo errori come “pacchetto XYZ non trovato”. Nel frattempo, assicurati che il tuo codice sia accompagnato da una documentazione chiara e ordinata, che renda facile seguire il tuo ragionamento.
Consiglio n. 3: Tieni a mente il ciclo di vita del data product quando racconti le esperienze pregresse
Nella maggior parte dei casi, ai candidati per un ruolo in data science viene chiesto di condividere le proprie esperienze di progetto. Un errore comune è passare troppo tempo a descrivere lo sforzo tecnico, ad es. come puliscono i dati e come ottimizzano i (iper)parametri. Questo potrebbe sovraccaricare gli intervistatori con informazioni che potrebbero non comprendere appieno e, al tempo stesso, sottrarre tempo prezioso per valutare il tuo acume di business e le tue doti di gestione degli stakeholder.
Perciò, quando prepari la risposta sulla tua esperienza pregressa, assicurati che segua il framework STAR e copra tutte le fasi del ciclo di vita del data product, anche se non sei stato coinvolto direttamente in tutte:
- Obiettivi e domande di business: Quale problema di business prova a risolvere il tuo progetto? A quale obiettivo o KPI contribuisce?
- Raccolta dei dati: Quali sfide hai incontrato nel reperire i dati e come le hai affrontate?
- Analisi esplorativa dei dati: Come hai presentato i risultati dell’analisi a stakeholder non tecnici? Che domande o critiche hanno sollevato e come hai risposto?
- Modellazione e logica: Perché hai scelto il/i modello/i che hai implementato (discutilo sia dal punto di vista tecnico sia non tecnico)? Quali sono i principali limiti del tuo approccio?
- Testing e deployment: Come hai testato e messo in produzione il/i modello/i?
- Monitoraggio: Quali metriche hai scelto per valutare la performance del modello? Cosa hai imparato e come hai migliorato il modello sulla base di queste evidenze?
Inoltre, non dimenticare di evidenziare i diversi ruoli coinvolti (ad es. product manager, data analyst, data engineer, QA e responsabili delle operation), le loro responsabilità e come hai interagito con loro. Sentendo questo, gli intervistatori saranno probabilmente colpiti sia dal tuo senso del business sia dalle tue capacità di lavoro in team.
Conclusioni
In questo post abbiamo osservato la crescita recente della domanda di data scientist. Poi abbiamo discusso alcuni consigli per affrontare con successo le domande dei colloqui da data scientist—sia tecniche sia non tecniche. Se aspiri a ottenere un lavoro da data scientist in futuro, potresti essere interessato a mettere in pratica questi suggerimenti o a costruire il tuo percorso verso l’offerta dei sogni iniziando da un corso di data science accreditato.
