Riepilogo Radar: come superare il colloquio di Data Science con Jay Feng

Con la maturazione della data science, i colloqui tecnici per ruoli data stanno diventando sempre più complessi. Se aspiri a diventare data scientist e stai cercando il tuo primo lavoro nel settore, i colloqui tecnici sono spesso la parte più difficile e impegnativa del processo di candidatura. Durante il colloquio dovrai dimostrare non solo la tua padronanza tecnica, ma anche le tue capacità di comunicazione e problem solving, oltre alla capacità di pensare sotto pressione.

Nell’ambito della DataCamp Radar Conference, abbiamo ospitato una sessione su come affrontare al meglio il colloquio di data science con Jay Feng, CEO di Interview Query, una piattaforma remota di preparazione ai colloqui di data science la cui missione è aiutare ogni data scientist a trovare un lavoro nel settore. 

Durante la sessione, Feng ha illustrato gli aspetti più importanti che aspiranti e junior data practitioner devono conoscere per i colloqui in ambito data science. In questo post presentiamo un riepilogo dell’evento e i punti chiave da portare a casa.

I diversi tipi di colloqui di data science

Uno degli aspetti che rende i colloqui tecnici in data science particolarmente impegnativi è la grande varietà di formati che possiamo incontrare. La data science è una disciplina complessa ed esigente che richiede ai professionisti dei dati conoscenze e competenze in un’ampia gamma di domini e strumenti.  Poiché i colloqui tecnici sono progettati per testare queste abilità, puoi aspettarti molti tipi di colloqui a seconda dei requisiti del ruolo e del percorso di carriera che scegli (vedi sezione successiva).

Secondo Feng, «esistono circa 10-15 insiemi di competenze in data science». Le domande che potrebbero farti spaziano dalla manipolazione dei dati con SQL o Python e dalle statistiche e dagli algoritmi alla base del machine learning, a casi d’uso di analisi di metriche di prodotto, fino a domande relative al system design (ad esempio come costruiresti un nuovo dataset da zero). 

Mentre i colloqui per altre posizioni IT, come gli sviluppatori software, sono in gran parte incentrati sul coding, la natura multidisciplinare della data science lascia più margine agli intervistatori per porre domande in aree diverse.  Come ha sottolineato Feng, le domande che affronteremo nei colloqui tecnici sono «i mattoni di base di ciò che faremo nel lavoro vero e proprio». 

Percorsi di carriera tipici in data science

Quando cerchi un lavoro in data science, è importante concentrare gli sforzi su quei ruoli che richiedono le competenze in cui sei più forte. Il vantaggio di strutturare i lavori data in base alle competenze richieste è che «puoi allineare le tue abilità alla posizione in cui vuoi entrare».

Esistono diversi percorsi di carriera in data science, e il loro numero è in crescita, poiché il rapido sviluppo della disciplina sta portando a ruoli sempre più specializzati. Qui sotto trovi un elenco non esaustivo di posizioni menzionate nella sessione di Jay:

• Data Analyst raccolgono, analizzano e interpretano i dati per risolvere problemi di business di ogni tipo. Per svolgere i loro compiti, usano una combinazione di strumenti di programmazione e metodi statistici.  

• Product Analyst sono simili ai Data Analyst, ma si concentrano principalmente su metriche che misurano la crescita e la salute di un determinato prodotto. Ad esempio, dopo il lancio di una nuova app, i product analyst vogliono sapere come gli utenti interagiscono con essa. Per farlo, monitorano metriche come i daily active users e il numero di sessioni per utente.

• Data Scientist condividono molte attività con i data analyst. Tuttavia, ci si aspetta che i data scientist utilizzino tecniche più avanzate, come machine learning e deep learning, per estrarre insight da grandi quantità di dati strutturati e non strutturati e per costruire modelli predittivi. 

• Machine Learning Engineer dedicano il loro tempo a creare, addestrare e distribuire modelli di machine learning che imparano dai dati per prendere decisioni. Secondo Feng, la missione dei machine learning engineer è «sviluppare modelli per trasformare i dati in prodotti».

• Researcher trovano costantemente risposte a domande fondamentali ed espandono il corpo di conoscenze teoriche all’interno della data science. È un percorso altamente tecnico che richiede il massimo livello di conoscenze in matematica e teoria del machine learning.

• Field Researcher sono responsabili di trovare soluzioni a problemi pratici all’interno di un’azienda. Si concentrano su risultati commerciali immediati, ad esempio garantire che nuove tecniche di apprendimento possano essere applicate a dataset del mondo reale.

Prepararsi a un colloquio di data science 

Secondo Feng, il processo di preparazione per un colloquio di data science può essere suddiviso in quattro semplici passaggi:  

• Ricerca sul ruolo di data science. Come detto, dovresti concentrarti sui ruoli che ti piacciono di più e in cui hai maggiori probabilità di riuscire alla luce delle competenze in cui eccelli. Vale quindi sempre la pena investire un po’ di tempo nella ricerca prima di inviare qualsiasi candidatura.

• Valuta le tue competenze. Come fai a sapere se le tue abilità sono abbastanza solide per ottenere il lavoro? Molte persone cercano su internet domande da colloquio per valutarsi. Questa non è una buona strategia, secondo Feng, poiché queste domande di solito trattano argomenti semplici e di base, ed è molto improbabile che compaiano in un colloquio. «Le domande da colloquio assomigliano di più a un case study, di norma introdotto da un problem statement». Sono questi i tipi di domande reali che dovresti usare per testare le tue capacità.

• Crea un piano di studio quotidiano. Per consolidare le tue competenze e aumentare le probabilità di ottenere il lavoro dei sogni, devi essere costante. Secondo un sondaggio condotto da Interview Query, l’azienda di Feng, gli utenti che hanno studiato più domande hanno avuto in generale un tasso di successo ai colloqui più alto. Come progettare il tuo piano di studio? Con le parole di Feng: «Rendi facile risolvere domande, risolvine una al giorno e esercitati su problemi via via più difficili».

• Ottieni feedback sui colloqui. Infine, è sempre utile avere qualcuno con cui poter condividere le tue risposte al colloquio e che possa fornirti feedback e consigli. Questo può essere fatto mettendo per iscritto i tuoi pensieri e condividendoli con coach e specialisti ma, come ha evidenziato Feng, il modo migliore per ottenere feedback è parlarci di persona. 

Se vuoi saperne di più, puoi guardare l’intera sessione di Jay. Dai un’occhiata anche alle altre sessioni di Radar che potrebbero interessarti.