12 best practices om te groeien in je datacarrière

Een carrière in data brengt je in aanraking met een breed scala aan technologieën, vaardigheden en stakeholders. Je krijgt de kans om te werken aan projecten met grote impact op kerngebieden van een bedrijf, vaak in sterk cross-functionele teams of in samenwerking met andere technische collega’s. 

De stap van junior naar senior functies in data science ziet er heel verschillend uit per sector en specialisatie, maar voor de meeste data scientists duurt dit 2-5 jaar. Met de juiste kennis en vaardigheden kunnen salarissen eenvoudig de zes cijfers halen. Over 10 jaar zal de vraag naar data scientists naar verwachting fors toenemen, al kan de rol er dan anders uitzien, omdat er nog steeds nieuwe tools, best practices en methodologieën ontstaan.

Groeien in een datacarrière kan veel vormen aannemen, maar wat je doelen ook zijn, er zijn een paar essentiële tips en praktijken om in gedachten te houden.  Lees verder voor onze best practices zodat je consistent vooruitgang kunt boeken gedurende je hele carrière.

1. Bepaal wat succes is

Werken om het werken is op zich geen probleem; continu oefenen is goed en veel mensen ervaren de voordelen. Toch kun je ontevreden raken als je geen doel hebt om naartoe te groeien. Het is essentieel om te gaan zitten en te bepalen hoe succes er voor jou uitziet. Zo zorg je niet alleen dat je de juiste kant op gaat, maar heb je ook een manier om je voortgang in de tijd te evalueren. Jouw idee van succes hoeft niet te draaien om promoties, inkomen of functietitels. Misschien streef je naar langetermijndoelen zoals een paper publiceren of een PhD afronden. Misschien wil je een team leiden of een product ontwikkelen dat door miljoenen wordt gebruikt. Door jouw visie op succes te definiëren, kun je de noodzakelijke stappen bepalen om in de juiste richting te groeien.

2. Blijf leren 

Heb je weleens iemand horen praten over een growth mindset? Onderzoek laat zien dat mensen met deze mindset vaker meer bereiken dan degenen die denken dat talenten aangeboren zijn. Carrières in data kunnen pittig zijn; veel professionals krijgen tegenslagen en mislukkingen te verwerken. Leren van fouten wordt vaak genoemd als een van de belangrijkste succesfactoren; zelfs succesvolle ondernemers praten over hun vele mislukkingen en wat ze ervan geleerd hebben. 

Een andere belangrijke reden om je vaardigheden continu te ontwikkelen is het hoge tempo waarin de sector verandert. Elad Cohen noemt in DataFramed (rond 49 minuten) dat, ongeacht of je denkt dat automatisering delen van de data science-workflow zal stroomlijnen, veel mensen onderschatten hoe technologie er over 10 jaar uitziet. Als je niet blijft leren en groeien, beweegt de sector mogelijk sneller dan jij.

3. Blijf bouwen aan een portfolio

Het belang van een portfolio kan niet genoeg benadrukt worden. Hoewel portfolio’s vaak worden geassocieerd met junior data scientists die hun eerste baan zoeken, is een portfolio een geweldige plek om je beste werk in de loop van je carrière te verzamelen.  Het kan ook een uitlaatklep zijn om te werken aan onderwerpen waar je gepassioneerd over bent, zeker als je daar in je dagelijkse werk niet aan toekomt. Tot slot kan het uitbreiden van je portfolio je motiveren om de vorige best practice toe te passen: altijd nieuwe skills ontwikkelen. 

Een portfolio onderhouden gedurende je carrière zorgt ervoor dat je kunt:

• Je werk delen als je van rol of bedrijf wisselt, of als je gaat freelancen
• Je interessantste werk vastleggen om er later op voort te bouwen
• Een plek hebben om resultaten van je passieprojecten te delen, waar andere data scientists graag naar kijken
• Je persoonlijke merk opbouwen, wat weer deuren kan openen in andere delen van je carrière

4. Investeer in modeldeployments 

Op dit moment is MLOps een van de grootste gaten tussen hoe data science op de universiteit wordt onderwezen en hoe het in de praktijk wordt toegepast. Kort gezegd is MLOps een set tools, praktijken, technieken, cultuur en mindset die zorgen voor betrouwbare en schaalbare uitrol van machinelearningsystemen. Een van de grootste uitdagingen voor datateams vandaag is de schaalbare en efficiënte deployment van machine learning-modellen, wat verklaart waarom schattingen laten zien dat slechts zo’n 8% van de bedrijven modellen in productie heeft. Geen wonder dus dat MLOps het afgelopen jaar een van de snelst groeiende gebieden binnen data science is.

Investeren in deploymentcapaciteiten voor modellen is essentieel voor veel data scientists, ook voor wie al jaren ervaring heeft. Erkennen dat er misschien een kenniskloof is en stappen bepalen om die te dichten, is een geweldige manier om te groeien. Je hoeft niet van elke nieuwe tool expert te zijn,  maar begrip van de kernconcepten van MLOps of andere nieuwe ontwikkelingen en leren hoe je de bijbehorende technieken toepast, brengt je al ver en legt de basis voor latere specialisatie. Als je met MLOps wilt beginnen, vind je gratis startersbronnen in deze blogpost.

5. Kies een specialisatie

Data science is een uitzonderlijk breed vakgebied. In dit e-book definieert DataCamp data science als “een multidisciplinair vakgebied dat probeert betekenisvolle inzichten uit data te halen”.  De verschillende disciplines variëren van wiskunde tot statistiek, machine learning, programmeren, datavisualisatie en meer. Het is onmogelijk voor één persoon om in al deze gebieden expertkennis op te bouwen, zeker omdat er al veel kennis nodig is om technieken in één enkel gebied goed te implementeren. Denk bijvoorbeeld aan hoeveel theorie je moet begrijpen om een model voor natuurlijke taalverwerking te deployen met voldoende nauwkeurigheid en zonder bias.  

Als je wat ervaring hebt opgedaan in een breed scala aan gebieden, is het de moeite waard om te bepalen waar je je in wilt specialiseren. Expert worden in één gebied is een geweldige manier om deuren te openen en je dichter bij jouw visie op succes te brengen.

6. Bouw je netwerk uit  

Netwerken is een van de belangrijkste manieren om te groeien in je carrière, en dat kan op veel manieren: evenementen bijwonen, “coffee chats” plannen met mensen uit de sector of collega’s, of zelfs zelf presentaties geven. Een netwerk is een geweldige manier om te ontdekken wat er bij andere organisaties gebeurt en welke nieuwe skills je mogelijk moet leren of die in de toekomst bij jouw organisatie nodig zijn. Het is ook de makkelijkste manier om binnen te komen bij een ander bedrijf als je van baan wilt veranderen.

Veel mensen vinden netwerken intimiderend, maar er zijn allerlei manieren om te netwerken en events in de datacommunity te vinden. We verzamelden hier een lijst met topconferenties voor data science in 2022 om je op weg te helpen met netwerken. 

7. Ga impostersyndroom te lijf

Impostersyndroom wordt door Harvard Business Review gedefinieerd als “twijfelen aan je capaciteiten en het gevoel hebben een bedrieger te zijn”, en veel data scientists hebben dit gevoel op enig moment in hun carrière ervaren.  De breedte en diepte van de kennis die ervaren data scientists hebben, kan in de beginfase van je carrière als een ontzettend hoge lat voelen. Ook later kom je waarschijnlijk experts tegen met extreem diepe kennis in elk van de vele subvelden van data science. Impostersyndroom is de afgelopen jaren veel bekender geworden, met veel topbestuurders die open zijn over hun ervaringen. Er zijn dan ook veel boeken die helpen begrijpen hoe het jou kan raken en wat je kunt doen om het te bestrijden. Deze Reddit-post bevat ook ervaringen van verschillende data scientists met impostersyndroom.

8. Houd de arbeidsmarkt in de gaten

Carrièregroei hangt sterk samen met hoe je je negen-tot-vijf besteedt. Als wat je dagelijks doet niet aansluit bij jouw langetermijnvisie op succes, is het goed om je positie te herevalueren. Dat kan betekenen dat je met je manager praat over je dagelijkse werkzaamheden of dat je een laterale stap binnen je organisatie zet. Maar het is altijd nuttig om te begrijpen wat er in de arbeidsmarkt gebeurt. Misschien blijken jouw vaardigheden zeer gewild, en kunnen andere bedrijven andere rollen of verbeteringen in salaris en arbeidsvoorwaarden bieden.

Jerry Lee van Wonsulting, een loopbaanontwikkelingsbureau,  raadt aan om elk jaar te solliciteren bij bedrijven die je interessant vindt, om je sollicitatievaardigheden scherp te houden en ervoor te zorgen dat je huidige bedrijf je waardeert. Hoe belangrijk dit is, hangt af van je langetermijndoelen en succescriteria, maar feeling houden met de rest van de markt is altijd een goed idee.

9. Blijf up-to-date

Naast het ontwikkelen van je eigen skills is het ook belangrijk om overzicht te houden van wat er gebeurt aan de frontlinie van onderzoek, techbedrijven en marktleiders in jouw domein. Je hoeft niet altijd de diepte in—op hoofdlijnen begrijpen wat de potentie is van de nieuwste technologie is een geweldige manier om geïnformeerd te blijven. Bonuspunten als je erover kunt sparren met je netwerk om te leren hoe zij het toepassen of om hun iets nieuws te leren!

Een goede bron voor dit soort high-level updates is Adam Votava, die wekelijks een “Keeping Up with Data”-post op LinkedIn schrijft. Deze goed geschreven samenvattingen zijn een fijne manier om het laatste onderzoek, zakennieuws en zelfs recent uitgebrachte Python-pakketten te volgen. Je kunt je ook abonneren op onze Weekly Roundup-video-nieuwsbrief, die je voorziet van het interessantste nieuws uit data science, tech en de onderzoeksgemeenschap. 

10. Denk na over de impact van je werk

Groeien in je carrière moet leiden tot het halen van je eigen succesmetrics – maar hoe zit het met het succes van je organisatie? Het is belangrijk om na te gaan welke impact je werk heeft gehad, of dat nu tijdsbesparing is door efficiënte tools, collega’s helpen met een informatief dashboard, of besparen op productiekosten met een goed getraind model. Inzicht in je impact binnen een organisatie zorgt ervoor dat je kunt:

• Een businesscase maken voor een promotie of functiewissel
• Onderbouwen dat je bedrijf een trainingscursus voor je sponsort
• Over je werk spreken op conferenties
• Sterk uit de verf komen in interviews als je van rol wilt veranderen

11. Bouw leiderschapsvaardigheden op 

Best practice #12 gaat over de verschillende soorten managementcarrièrepaden die je in data science kunt bewandelen. Maar om daar te komen, moet je leiderschapsvaardigheden opbouwen als individuele bijdrager. Leiderschapsvaardigheden zoals delegeren, prioriteren, feedback geven en een duidelijke richting bepalen zijn essentieel om te ontwikkelen. Ook als je geen mensen aanstuurt, kun je deze vaardigheden leren en toepassen wanneer jij als individuele bijdrager wordt aangewezen om een project te leiden.

Er zullen volop kansen zijn om deze vaardigheden te ontwikkelen in je carrière, maar dat kan ook vragen dat je je comfortzone verlaat. Buiten je comfortzone treden en de stretchzone ingaan is waar we het meest leren en de grootste successen behalen; mijd deze kansen niet, want het zijn uitstekende groeimogelijkheden die je je hele carrière blijven baten.

12.  Kies een carrièrepad 

Carrièrepaden zijn tegenwoordig niet altijd rechte lijnen. Je kunt lateraal naar een ander team of project bewegen, of in en uit managementrollen stappen. Meta heeft een aantal van hun carrièrepaden hier gecategoriseerd en zegt dat “...manager worden geen promotie is. Het is gewoon een andere manier om werk gedaan te krijgen”.  Deze filosofie komt vaak voor, vooral bij organisaties met een vlakkere structuur, waar teams zich rond projecten groeperen in plaats van functierollen. Voor Meta zijn de kerncarrièrepaden:

• Senior contributor: Hoewel senior contributors doorgaans geen mensen managen, coachen ze vaak junior teamleden en hebben ze veel invloed op strategie en beslissingen. Dit carrièrepad bestaat vooral uit hands-on werk en coderen.
• Tech lead: Dit carrièrepad is een mix van bijdragen aan technisch werk en het aansturen van een klein team mensen, vaak andere datawerkers.
• People managers: Dit is het traditionele managementpad, waarbij je weinig codeert en in plaats daarvan veel op hoog niveau overlegt en dagelijks peoplemanagement doet.

Het is goed om te begrijpen waar je later in je carrière wilt uitkomen. Als peoplemanagement nu niets voor jou is, kun je meer investeren in je technische skills, maar als het omgekeerde waar is, kun je gaan netwerken en kansen zoeken om leiderschapsvaardigheden te leren.

Bonus—Er zijn veel manieren om succesvol te zijn in data science

Dit artikel bevat volop advies voor data scientists binnen een organisatie, maar er zijn veel manieren om succesvol te zijn in datacarrières. De academische wereld, lesgeven, freelancen en contentcreatie zijn allemaal manieren om de wereld een beetje beter te maken, iets te leren of te ontwikkelen, of je verdienpotentieel te vergroten. Dwing jezelf niet in één bedrijf of één carrièrepad—bedenk hoe succes er voor jou uitziet en ga je visie waarmaken. 

Meer bronnen voor jou:

• Abonneer je op de DataFramed-podcast
• Bekijk onze certificeringen
• Bekijk dit webinar over het bouwen van een data science-portfolio