Introductie
In 2012 noemde Harvard Business Review data scientist de aantrekkelijkste baan van de 21e eeuw. Tien jaar later, ondanks de opkomst van AutoML-platforms (zoals AWS Redshift ML en Google Cloud AutoML) en de vertragingen tijdens de pandemie, is data scientist nog steeds een van de meest gewilde functies. Sterker nog, data scientist staat bovenaan als bestbetaalde rol in de techsector met een gemiddeld jaarsalaris van $150.000.
Hoewel de exacte verantwoordelijkheden per sector en per bedrijf kunnen verschillen, delen de meeste data scientists dezelfde missie: organisaties helpen waarde uit data te halen. Dat doen ze door patronen en trends in grote hoeveelheden data te verkennen, resultaten te communiceren met uiteenlopende stakeholders en modellen te bouwen en te onderhouden die geautomatiseerde besluitvorming mogelijk maken. Data scientist worden vraagt dus om een unieke, veelzijdige skillset met statistiek, coderen, zakelijk inzicht en communicatie—die je allemaal moet laten zien via een reeks interviewvragen en thuisopdrachten.
Met deze blogpost delen we graag een paar tips, zowel vanuit het perspectief van een kandidaat als van een interviewer, om je te helpen opvallen in een data scientist-sollicitatie en je droombaan binnen te halen.
Tip #1: Maak jezelf vertrouwd met de rol en het bedrijf
Zoals hierboven genoemd is “data scientist” een vage term die kan slaan op allerlei rollen rond data. Twee data scientists uit verschillende bedrijven of sectoren kunnen totaal andere taken hebben. Het is daarom essentieel om de verantwoordelijkheden in de vacaturetekst goed te lezen, of de interviewer te vragen: “Hoe ziet een werkdag in deze rol eruit? Besteedt deze rol vooral tijd aan het verkennen en visualiseren van data, of aan het bouwen van modellen?” Hoe specifieker je leert wat de rol inhoudt, hoe sneller je ontdekt of de rol bij jouw profiel en interesses past. Zo kun je je richten op functies die beter aansluiten en vergroot je je kans op de baan die je écht wilt.
Op vacaturesites zoals Indeed en LinkedIn vind je handige tips over personal branding en profielmatching. Zoek je loopbaanadvies specifiek voor data science en analytics, dan zijn de carrièrediensten van Datacamp erg nuttig—hier vind je persoonlijke sessies met loopbaancoaches die hierin gespecialiseerd zijn.
Zodra je de juiste rol voor jezelf hebt gekozen, is de volgende stap om je passie voor het bedrijf te laten zien. Dat kan best lastig zijn als je net begint als data scientist of van sector wilt wisselen, omdat je misschien weinig ervaring hebt met het oplossen van businessvragen in de sector waar je solliciteert.
Wat wij erg behulpzaam vinden, is werken aan projecten die relevant zijn voor de doelindustrie en die noemen in je cv en tijdens het sollicitatieproces. Stel, je hebt geen financiële opleiding gevolgd maar wilt solliciteren als data scientist bij een investeringsbank: werken aan een begeleid project zoals Modeling the Volatility of US Bond Yields op DataCamp kan je laten zien met wat voor soort businessvragen een data scientist in finance te maken krijgt.
Kaggle is ook een goed platform met veel interessante competities en datasets. Door aan zulke projecten te werken en er tijdens je interviews over te praten, bouw je niet alleen basiskennis van die sector op, maar laat je ook zien dat je zó geïnteresseerd bent in hun business dat je in je vrije tijd hun use-cases verkent.
Tip #2: Laat je technische expertise schitteren in de thuisopdrachten
Meestal bevat het sollicitatieproces voor data scientists een thuisopdracht waarbij kandidaten een of meerdere datasets krijgen en een paar businessvragen om op te lossen. Hoewel de inlevereisen kunnen verschillen, wordt doorgaans verwacht dat kandidaten hun code, modellen en analyse-output delen.
Veel kandidaten zien dit als een mooie kans om hun technische skills te laten zien. R en Python zijn de belangrijkste talen in data science en hebben allebei onmisbare pakketten voor datawrangling, statistische modellering en machine learning, zoals pandas, sklearn en statsmodels voor Python, en tidyr, dplyr en caret voor R. Als je nieuw bent in data science, is het aan te raden om een paar carrièretracks te volgen zoals deze op DataCamp: Data Scientist with Python en Data Scientist with R. Naast een uitgebreid aanbod aan cursussen biedt Datacamp ook een workspace waar je kunt oefenen met voorgebouwde codetemplates en vooraf geconfigureerde datasets, ideaal om praktijkervaring op te doen en de kloof tussen leren en doen te dichten.
Wat soms wordt onderschat, is de rol van data storytelling. Goede data scientists zijn ook effectieve storytellers die hun modeluitkomsten zo kunnen communiceren dat ze stakeholders overtuigen en echte veranderingen in gang zetten. Zoals het gezegde luidt: “een beeld zegt meer dan duizend woorden”. Zorg daarom dat je intuïtieve datavisualisaties opneemt in je analysereport zodat interviewers begrijpen hoe je patronen in de data blootlegt, en zien hoe je model waarde kan creëren. Naast gangbare pakketten zoals matplotlib (Python), seaborn (Python) en ggplot2 (R) is plotly een grafiekbibliotheek die het proberen waard is als je een webgebaseerd, interactief dashboard wilt bouwen. Deze cursus op DataCamp kan helpen: Introduction to Data Visualization with Plotly in Python.
Je kunt ook no-code BI-tools proberen, zoals Tableau, Power BI en Google Data Studio. Deze tools bieden je twee voordelen. Enerzijds zijn het populaire visualisatietools die veel niet-technische stakeholders gebruiken, zoals data-analisten en productmanagers. Door deze tools te beheersen laat je zien dat je makkelijk integreert met de data-analyticsstack die het bedrijf gebruikt. Anderzijds bieden ze meer maatwerk dan Python- of R-pakketten, waardoor je eenvoudig een slide-achtige, interactieve analysereport kunt bouwen. Ben je nieuw met deze tools, dan is deze Introduction to Tableau-cursus op DataCamp een goed startpunt.
Tot slot: de manier waarop je je code aanlevert, is ook belangrijk. Tenzij anders aangegeven is het altijd een goed idee om je oplossing op Git te bouwen en alle dependencies direct in je code op te nemen. Niets frustreert interviewers meer dan een zipbestand ontvangen, de code proberen te draaien en alleen foutmeldingen zien zoals “package XYZ can not be found”. Zorg er daarnaast voor dat je code duidelijke, nette documentatie bevat, zodat het voor anderen makkelijk is je denkproces te volgen.
Tip #3: Houd de levenscyclus van dataprodukten in gedachten wanneer je je eerdere projectervaring deelt
Vaak wordt van kandidaten voor een data science-functie verwacht dat ze eerdere projectervaring delen. Een veelvoorkomende valkuil is om te veel tijd te besteden aan de technische inspanning, zoals hoe ze data opschonen en (hyper)parameters fine-tunen. Daarmee overlaad je je interviewers mogelijk met informatie die ze niet volledig begrijpen, en gaat kostbare tijd verloren om je zakelijk inzicht en stakeholdermanagement te laten zien.
Daarom raad ik aan dat je bij het voorbereiden op de interviewvraag over je vorige projecten ervoor zorgt dat je antwoord het STAR-framework volgt en alle fasen van de levenscyclus van dataprodukten bestrijkt, ook als je niet direct bij al deze onderdelen betrokken was:
- Businessdoelen en -vragen: Welke businessproblemen probeert je project op te lossen? Aan welke doelen of KPI’s draagt je project bij?
- Dataverzameling: Welke uitdagingen had je bij het verzamelen van data en hoe heb je die aangepakt?
- Exploratieve data-analyse: Hoe presenteerde je je analyseresultaat aan niet-technische stakeholders? Welke vragen of kritiek hadden zij en hoe reageerde je daarop?
- Modellering en logica: Waarom koos je de modellen die je uiteindelijk implementeerde (bespreek zowel technische als niet-technische motivatie)? Wat zijn de belangrijkste beperkingen van je aanpak?
- Testen en uitrol: Hoe heb je je model(len) getest en uitgerold?
- Monitoring: Welke metrics heb je gekozen om de modelprestaties te evalueren? Welke learnings had je en hoe heb je op basis daarvan het model verbeterd?
Vergeet bovendien niet om de verschillende betrokken rollen te benadrukken (bijv. productmanagers, data-analisten, data engineers, QA’s en managers van business operations), hun verantwoordelijkheden en hoe jij met hen samenwerkte. Als ze dit horen, zullen je interviewers waarschijnlijk onder de indruk zijn van zowel je zakelijk inzicht als je teamwork.
Conclusies
In deze blogpost hebben we gekeken naar de recente groei in de vraag naar data scientists. Vervolgens bespraken we een paar tips die je kunnen helpen om data scientist-interviewvragen—zowel technisch als niet-technisch—te kraken. Als je in de toekomst een baan als data scientist ambieert, wil je deze tips misschien uitproberen of stap voor stap naar je droombaan toewerken door te beginnen met een geaccrediteerde data science-cursus.
