Radar-terugblik: Zo haal je jouw data-science-sollicitatie binnen met Jay Feng

Naarmate data science volwassener wordt, worden technische interviews voor datafuncties steeds complexer. Als beginnende data scientist die op zoek is naar je eerste datajob, zijn technische interviews vaak het lastigste en meest uitdagende onderdeel van het sollicitatieproces. Tijdens het interview moet je niet alleen je technische beheersing laten zien, maar ook je communicatie- en probleemoplossend vermogen, plus je vaardigheid om onder druk te denken.

Als onderdeel van de DataCamp Radar-conferentie hostten we een sessie over hoe je uitblinkt in het data-science-interview met Jay Feng, CEO van Interview Query, een platform voor voorbereiding op data-science-interviews op afstand, met als missie om elke data scientist aan een baan in de sector te helpen. 

Tijdens de sessie zette Feng de belangrijkste zaken uiteen die beginnende en junior dataprofessionals moeten weten over solliciteren naar data-science-rollen. In deze post vind je een samenvatting van het event en de belangrijkste inzichten.

De verschillende soorten data-science-interviews

Eén van de aspecten die technische interviews in data science extra uitdagend maakt, is de grote variëteit aan interviewvormen die je kunt tegenkomen. Data science is een complexe en veeleisende discipline die vereist dat dataprofessionals kennis en vaardigheden hebben in een breed scala aan domeinen en tools. Omdat technische interviews zijn ontworpen om deze skills te toetsen, kun je allerlei soorten interviews verwachten, afhankelijk van de functie-eisen en het carrièrepad dat je kiest (zie de volgende sectie).

Volgens Feng “zijn er zo’n 10 tot 15 data-science-skillsets”. De vragen die je kunt krijgen variëren van datamanipulatie met SQL of Python, en de onderliggende statistiek en algoritmen achter machine learning, tot use cases rondom productmetrics en vragen over systeemontwerp (bijvoorbeeld hoe je een nieuwe dataset from scratch zou opbouwen). 

Waar interviews voor andere IT-functies, zoals software engineer, vooral op coderen zijn gericht, geeft het multidisciplinaire karakter van data science interviewers meer ruimte om kandidaten vragen te stellen over verschillende gebieden. Zoals Feng aangaf, zijn de vragen die we in technische interviews krijgen “de bouwstenen van wat we in ons echte werk zullen doen”. 

Typische carrièrepaden in data science

Als je op zoek bent naar een data-science-baan, is het belangrijk je te richten op de rollen die de skills vragen waarin jij uitblinkt. Het fijne aan het structureren van datafuncties op basis van benodigde competenties is dat “je je skills kunt afstemmen op een positie waar je in wilt stappen”.

Er zijn meerdere carrièrepaden in data science, en dat aantal groeit, omdat de snelle ontwikkeling van de discipline leidt tot meer gespecialiseerde rollen. Hieronder vind je een niet-uitputtende lijst van functies die in Jay’s sessie werden genoemd:

• Data-analisten verzamelen, analyseren en interpreteren data om allerhande bedrijfsproblemen op te lossen. Hiervoor gebruiken ze een combinatie van programmeertools en statistische methoden.  

• Productanalisten lijken op data-analisten, maar richten zich vooral op metrics die de groei en gezondheid van een specifiek product meten. Na de lancering van een nieuwe app willen productanalisten bijvoorbeeld weten hoe gebruikers ermee omgaan. Ze volgen daarvoor metrics zoals dagelijkse actieve gebruikers en het aantal sessies per gebruiker.

• Data scientists delen veel taken met data-analisten. Van data scientists wordt echter verwacht dat ze geavanceerdere datatechnieken gebruiken, zoals machine learning en deep learning, om inzichten te halen uit grote hoeveelheden gestructureerde en ongestructureerde data en voorspellende modellen te bouwen. 

• Machine learning engineers besteden hun tijd aan het bouwen, trainen en uitrollen van machinelearningmodellen die van data kunnen leren om beslissingen te nemen. Volgens Feng is de missie van machine learning engineers om “modellen te ontwikkelen die data omzetten in producten”.

• Researchers zoeken continu antwoorden op fundamentele vragen en breiden de theoretische kennisbasis binnen data science uit. Dit is een zeer technische route die de hoogste mate van kennis in wiskunde en machinelearningtheorie vereist.

• Field researchers zijn verantwoordelijk voor het vinden van oplossingen voor praktische problemen binnen een bedrijf. Zij focussen op directe commerciële resultaten, bijvoorbeeld door ervoor te zorgen dat nieuwe leertechnieken toepasbaar zijn op real-world datasets.

Voorbereiden op een data-science-interview 

Volgens Feng kun je het voorbereidingsproces voor een data-science-interview opdelen in vier eenvoudige stappen:  

• Onderzoek de data-science-rol. Zoals eerder genoemd, moet je je concentreren op de rollen die je het leukst vindt en waar je, gezien je sterkste skills, de meeste kans maakt. Het is dus altijd de moeite waard om vooraf wat tijd te investeren in research voordat je een sollicitatie verstuurt.

• Toets je vaardigheden. Hoe weet je of je skills sterk genoeg zijn voor de baan? Veel mensen zoeken interviewvragen op internet om hun vaardigheden te benchmarken. Dat is geen goede strategie, zegt Feng, omdat die vragen meestal over simpele, kernonderwerpen gaan en zelden in een interview terugkomen. “Interviewvragen lijken meer op een casestudy, meestal ingeleid door een probleemstelling.” Dat zijn de echte soorten vragen die je moet gebruiken om je skills te testen.

• Maak een dagelijks studieplan. Om je vaardigheden te versterken en je kans op je droombaan te vergroten, moet je consistent zijn. Uit een enquête van Feng’s bedrijf, Interview Query, blijkt dat gebruikers die meer vragen oefenden, over het algemeen een hogere interviewsuccesrate hadden. Hoe ontwerp je je studieplan? In Feng’s woorden: “Maak het oplossen van vragen gemakkelijk, los elke dag één vraag op en oefen met steeds moeilijkere problemen”.

• Vraag interviewfeedback. Tot slot is het altijd goed om iemand te hebben met wie je je interviewantwoorden kunt delen en die je feedback en advies kan geven. Dat kan door je gedachten op te schrijven en te delen met coaches en specialisten, maar zoals Feng benadrukte, is de beste manier om feedback te krijgen door persoonlijk met hen te spreken. 

Wil je meer weten, bekijk dan Jay’s volledige sessie. Bekijk ook andere Radar-sessies die je interessant vindt.