Giới thiệu
Năm 2012, Harvard Business Review gọi nhà khoa học dữ liệu là công việc hấp dẫn nhất của thế kỷ 21. Mười năm sau, bất chấp sự xuất hiện của các nền tảng AutoML (ví dụ, AWS Redshift ML và Google Cloud AutoML) và sự chững lại trong giai đoạn đại dịch, nhà khoa học dữ liệu vẫn là một trong những vai trò được săn đón nhất. Thực tế, nhà khoa học dữ liệu nằm trong nhóm có mức lương cao nhất ngành công nghệ với mức trung bình hằng năm 150.000 USD.
Mặc dù trách nhiệm cụ thể có thể khác nhau giữa các ngành và các công ty, hầu hết nhà khoa học dữ liệu đều có sứ mệnh giúp tổ chức tạo ra giá trị từ dữ liệu. Họ làm điều này bằng cách khám phá các mẫu và xu hướng trong lượng dữ liệu lớn, truyền đạt kết quả tới nhiều nhóm liên quan, và xây dựng, vận hành mô hình để hỗ trợ ra quyết định tự động. Vì vậy, để trở thành nhà khoa học dữ liệu, bạn cần một tập hợp kỹ năng đa dạng, độc đáo bao gồm thống kê, lập trình, hiểu biết kinh doanh và giao tiếp—tất cả đều phải thể hiện qua chuỗi câu hỏi phỏng vấn và bài tập về nhà.
Trong bài viết này, chúng tôi chia sẻ một vài mẹo, dưới góc nhìn của cả ứng viên lẫn người phỏng vấn, để giúp bạn nổi bật trong buổi phỏng vấn vị trí nhà khoa học dữ liệu và nhận được lời mời làm việc mơ ước.
Mẹo #1: Tìm hiểu kỹ về vai trò và công ty
Như đã đề cập, “nhà khoa học dữ liệu” là một thuật ngữ mơ hồ có thể chỉ bất kỳ vai trò nào xoay quanh dữ liệu. Hai nhà khoa học dữ liệu ở các công ty hay ngành khác nhau có thể làm những công việc hoàn toàn khác biệt. Do đó, điều quan trọng là đọc kỹ phần trách nhiệm trong mô tả công việc, hoặc hỏi người phỏng vấn: “Một ngày làm việc điển hình ở vai trò này sẽ như thế nào? Vai trò này chủ yếu dành thời gian khám phá và trực quan hóa dữ liệu, hay xây dựng mô hình?” Càng hiểu rõ chi tiết về vai trò, bạn càng sớm biết liệu công việc này có phù hợp với hồ sơ và sở thích của mình hay không. Điều đó giúp bạn nhắm đến những vị trí phù hợp hơn và tăng cơ hội đạt được công việc bạn thực sự mong muốn.
Bạn có thể tìm các mẹo hữu ích về xây dựng thương hiệu cá nhân và khớp hồ sơ trên các trang nghề nghiệp như Indeed và LinkedIn. Nếu bạn muốn nhận tư vấn nghề nghiệp chuyên biệt cho khoa học dữ liệu và phân tích, dịch vụ nghề nghiệp của Datacamp sẽ rất hữu ích — tại đây bạn có thể tham gia các buổi cố vấn cá nhân hóa với các huấn luyện viên nghề nghiệp chuyên sâu trong lĩnh vực này.
Sau khi đã xác định đúng vai trò phù hợp, bước tiếp theo là thể hiện với công ty rằng bạn đam mê lĩnh vực kinh doanh của họ. Điều này có thể hơi khó với những ai mới bắt đầu sự nghiệp khoa học dữ liệu hoặc muốn chuyển ngành, vì bạn có thể chưa có nhiều kinh nghiệm giải quyết các bài toán kinh doanh trong ngành mà bạn ứng tuyển.
Một điều rất hữu ích là thực hiện các dự án liên quan đến ngành mục tiêu và đề cập đến chúng trong hồ sơ cũng như khi phỏng vấn. Ví dụ, nếu bạn chưa từng được đào tạo về tài chính nhưng muốn ứng tuyển vị trí nhà khoa học dữ liệu tại ngân hàng đầu tư, làm một dự án có hướng dẫn như Mô hình hóa biến động lợi suất trái phiếu Mỹ trên DataCamp có thể giúp bạn hiểu loại câu hỏi kinh doanh mà một nhà khoa học dữ liệu trong lĩnh vực tài chính cần giải quyết.
Kaggle cũng là nền tảng tốt nơi bạn có thể tìm thấy nhiều cuộc thi và bộ dữ liệu thú vị. Bằng cách làm các dự án này và trao đổi về chúng trong buổi phỏng vấn, bạn không chỉ xây dựng kiến thức nền tảng về ngành đó mà còn cho thấy bạn quan tâm đến lĩnh vực của công ty đến mức dành cả thời gian rảnh để khám phá các trường hợp sử dụng của họ.
Mẹo #2: Thể hiện chuyên môn kỹ thuật qua bài tập về nhà
Thông thường, quy trình tuyển dụng nhà khoa học dữ liệu có một bài tập về nhà, trong đó ứng viên được cung cấp một hoặc vài bộ dữ liệu cùng một số câu hỏi kinh doanh cần giải quyết. Dù yêu cầu nộp bài có thể khác nhau, ứng viên thường cần chia sẻ mã nguồn, mô hình và kết quả phân tích.
Nhiều ứng viên xem đây là cơ hội tuyệt vời để trình diễn kỹ năng kỹ thuật. R và Python là hai ngôn ngữ chính trong khoa học dữ liệu và đều có các gói cần thiết cho xử lý dữ liệu, mô hình thống kê và học máy, ví dụ: pandas, sklearn và statsmodels cho Python, cũng như tidyr, dplyr và caret cho R. Nếu bạn mới bước vào khoa học dữ liệu, nên học một vài lộ trình nghề nghiệp như trên DataCamp: Data Scientist with Python và Data Scientist with R. Bên cạnh dải khóa học phong phú, Datacamp còn cung cấp không gian làm việc với mẫu mã nguồn và bộ dữ liệu cấu hình sẵn, giúp bạn thực hành để thu hẹp khoảng cách giữa học và làm.
Đôi khi vai trò của kể chuyện bằng dữ liệu lại bị đánh giá thấp. Nhà khoa học dữ liệu giỏi cũng là người kể chuyện hiệu quả, có thể truyền đạt kết quả mô hình đủ thuyết phục các bên liên quan để thúc đẩy thay đổi thực sự. Như câu nói “một bức tranh đáng giá ngàn lời”. Vì vậy, hãy chắc chắn bạn đưa vào báo cáo phân tích các biểu đồ trực quan, dễ hiểu để giúp người phỏng vấn thấy bạn khám phá mẫu trong dữ liệu như thế nào, cũng như mô hình của bạn tạo ra giá trị ra sao. Bên cạnh những gói phổ biến như matplotlib (Python), seaborn (Python) và ggplot2 (R), plotly là thư viện đồ thị đáng thử nếu bạn muốn xây dựng bảng điều khiển tương tác trên web. Khóa học này trên DataCamp có thể hữu ích: Introduction to Data Visualization with Plotly in Python.
Ngoài ra, bạn có thể thử các công cụ BI không cần mã như Tableau, Power BI và Google Data Studio. Những công cụ này mang lại hai lợi thế. Một mặt, chúng là các công cụ trực quan hóa phổ biến được đa số bên liên quan không chuyên công nghệ sử dụng như nhà phân tích dữ liệu và quản lý sản phẩm. Do đó, thành thạo các công cụ này cho thấy bạn có thể dễ dàng hòa nhập với bộ công cụ phân tích dữ liệu của công ty. Mặt khác, chúng cung cấp khả năng tùy biến cao hơn so với các gói Python hoặc R, cho phép bạn dễ dàng xây dựng báo cáo phân tích dạng trình chiếu, tương tác. Nếu bạn mới bắt đầu với các công cụ này, khóa học Introduction to Tableau trên DataCamp là điểm khởi đầu tốt.
Cuối cùng nhưng không kém phần quan trọng, cách bạn đóng gói mã nguồn cũng rất đáng chú ý. Trừ khi có yêu cầu khác, luôn là ý tưởng hay khi xây dựng giải pháp trên Git và đảm bảo mọi phụ thuộc đã được tích hợp sẵn trong mã. Không gì gây bực bội cho người phỏng vấn hơn việc nhận một tệp zip, chạy mã và chỉ thấy thông báo lỗi như “không tìm thấy gói XYZ”. Đồng thời, hãy đảm bảo mã của bạn có tài liệu rõ ràng, gọn gàng để người khác dễ theo dõi tư duy của bạn.
Mẹo #3: Ghi nhớ vòng đời sản phẩm dữ liệu khi chia sẻ kinh nghiệm dự án trước đây
Phần lớn thời gian, ứng viên cho vị trí khoa học dữ liệu được kỳ vọng chia sẻ kinh nghiệm dự án trước đây. Một lỗi thường gặp là dành quá nhiều thời gian mô tả nỗ lực kỹ thuật, ví dụ: cách làm sạch dữ liệu và tinh chỉnh (siêu) tham số. Điều này có thể khiến người phỏng vấn bị quá tải thông tin mà họ không nhất thiết hiểu hết, đồng thời làm giảm quỹ thời gian ít ỏi để họ đánh giá khả năng hiểu biết kinh doanh và kỹ năng quản lý các bên liên quan của bạn.
Vì vậy, khi chuẩn bị cho câu hỏi phỏng vấn về các dự án trước đây, hãy đảm bảo câu trả lời của bạn tuân theo khung STAR và bao quát mọi giai đoạn của vòng đời sản phẩm dữ liệu, ngay cả khi bạn không trực tiếp tham gia tất cả các khâu:
- Mục tiêu và câu hỏi kinh doanh: Dự án của bạn cố gắng giải quyết vấn đề kinh doanh nào? Dự án đóng góp vào mục tiêu hay KPI nào?
- Thu thập dữ liệu: Bạn gặp thách thức gì khi thu thập dữ liệu và đã xử lý ra sao?
- Phân tích khám phá dữ liệu: Bạn trình bày kết quả phân tích với các bên liên quan không chuyên như thế nào? Họ đã đặt câu hỏi hay phê bình gì và bạn phản hồi ra sao?
- Mô hình và logic: Tại sao bạn chọn mô hình cuối cùng được triển khai (thảo luận cả động cơ kỹ thuật và phi kỹ thuật)? Hạn chế chính trong cách tiếp cận của bạn là gì?
- Kiểm thử và triển khai: Bạn đã kiểm thử và triển khai mô hình như thế nào?
- Giám sát: Bạn chọn chỉ số nào để đánh giá hiệu suất mô hình? Bạn rút ra bài học gì và đã cải thiện mô hình dựa trên các bài học đó ra sao?
Hơn nữa, đừng quên nhấn mạnh các vai trò khác nhau tham gia (ví dụ: quản lý sản phẩm, nhà phân tích dữ liệu, kỹ sư dữ liệu, QA và quản lý vận hành kinh doanh), trách nhiệm của họ và cách bạn tương tác với họ. Khi nghe điều này, người phỏng vấn có khả năng sẽ ấn tượng với cả tư duy kinh doanh lẫn khả năng làm việc nhóm của bạn.
Kết luận
Trong bài viết này, chúng ta đã nhìn vào sự tăng trưởng nhu cầu đối với nhà khoa học dữ liệu gần đây. Sau đó, chúng ta thảo luận một vài mẹo giúp bạn xử lý các câu hỏi phỏng vấn cho vị trí nhà khoa học dữ liệu — cả kỹ thuật lẫn phi kỹ thuật. Nếu bạn mong muốn giành được công việc nhà khoa học dữ liệu trong tương lai, bạn có thể cân nhắc áp dụng những mẹo này hoặc bắt đầu con đường hướng tới lời mời mơ ước bằng cách tham gia một khóa học khoa học dữ liệu được công nhận.
