Tóm lược Radar: Vượt qua phỏng vấn Khoa học Dữ liệu với Jay Feng

Khi khoa học dữ liệu ngày càng trưởng thành, các buổi phỏng vấn kỹ thuật cho các vai trò dữ liệu cũng trở nên phức tạp hơn. Nếu bạn là một nhà khoa học dữ liệu đầy tham vọng đang tìm kiếm công việc đầu tiên, phỏng vấn kỹ thuật thường là phần khó nhằn nhất của quá trình ứng tuyển. Trong buổi phỏng vấn, bạn sẽ phải thể hiện không chỉ năng lực kỹ thuật mà còn cả kỹ năng giao tiếp, giải quyết vấn đề và khả năng tư duy dưới áp lực.

Trong khuôn khổ Hội nghị DataCamp Radar, chúng tôi đã tổ chức một phiên thảo luận về cách vượt qua phỏng vấn khoa học dữ liệu cùng Jay Feng, CEO của Interview Query, một nền tảng luyện phỏng vấn khoa học dữ liệu từ xa với sứ mệnh giúp mọi nhà khoa học dữ liệu tìm được việc trong ngành. 

Trong phiên này, Feng đã phân tích những điều quan trọng nhất mà các ứng viên mới vào nghề cần biết khi phỏng vấn cho các vị trí khoa học dữ liệu. Bài viết này tóm tắt sự kiện và các điểm rút ra chính.

Các loại phỏng vấn khoa học dữ liệu

Một trong những yếu tố khiến phỏng vấn kỹ thuật trong khoa học dữ liệu đặc biệt thách thức là sự đa dạng rất lớn của các hình thức phỏng vấn. Khoa học dữ liệu là một lĩnh vực phức tạp và đòi hỏi cao, yêu cầu chuyên gia dữ liệu phải có kiến thức và năng lực về nhiều miền và công cụ khác nhau.  Vì phỏng vấn kỹ thuật được thiết kế để kiểm tra những kỹ năng này, bạn có thể gặp nhiều dạng phỏng vấn tùy theo yêu cầu của công việc và con đường sự nghiệp bạn chọn (xem phần tiếp theo).

Theo Feng, “có khoảng 10 đến 15 nhóm kỹ năng khoa học dữ liệu”. Câu hỏi có thể trải rộng từ thao tác dữ liệu bằng SQL hoặc Python, các thống kê và thuật toán nền tảng phía sau machine learning, đến các bài tập tình huống phân tích chỉ số sản phẩm, và câu hỏi liên quan đến thiết kế hệ thống (ví dụ: cách bạn xây dựng một bộ dữ liệu mới từ đầu). 

Trong khi phỏng vấn cho các vị trí CNTT khác, như kỹ sư phần mềm, chủ yếu tập trung vào lập trình, thì tính đa ngành của khoa học dữ liệu cho phép người phỏng vấn đặt câu hỏi ở nhiều mảng khác nhau.  Như Feng chỉ ra, những câu hỏi chúng ta gặp trong phỏng vấn kỹ thuật chính là “những khối xây dựng cho công việc thực tế mà chúng ta sẽ làm”. 

Các lộ trình nghề nghiệp điển hình trong Khoa học Dữ liệu

Khi tìm việc trong lĩnh vực khoa học dữ liệu, điều quan trọng là tập trung vào những vai trò đòi hỏi các kỹ năng bạn mạnh nhất. Điểm hay của việc cấu trúc công việc dữ liệu theo năng lực cần có là “bạn có thể căn chỉnh kỹ năng của mình với vị trí bạn muốn nhảy vào”.

Có nhiều lộ trình nghề nghiệp trong khoa học dữ liệu, và con số này đang tăng lên khi lĩnh vực phát triển nhanh dẫn tới các vai trò chuyên biệt hơn. Dưới đây là danh sách chưa đầy đủ các vị trí được nhắc đến trong phiên của Jay:

• Chuyên viên phân tích dữ liệu (Data Analyst) thu thập, phân tích và diễn giải dữ liệu để giải quyết đủ loại bài toán kinh doanh. Họ sử dụng kết hợp các công cụ lập trình và phương pháp thống kê để thực hiện công việc.

• Chuyên viên phân tích sản phẩm (Product Analyst) tương tự Data Analyst, nhưng chủ yếu tập trung vào các chỉ số đo lường mức độ tăng trưởng và “sức khỏe” của một sản phẩm. Ví dụ, sau khi ra mắt ứng dụng mới, họ sẽ muốn biết người dùng tương tác ra sao. Để làm vậy, họ theo dõi các chỉ số như người dùng hoạt động hằng ngày và số phiên trên mỗi người dùng.

• Nhà khoa học dữ liệu (Data Scientist) chia sẻ nhiều nhiệm vụ với Data Analyst. Tuy nhiên, họ được kỳ vọng sử dụng các kỹ thuật dữ liệu nâng cao hơn như machine learning và deep learning để trích xuất insight từ lượng lớn dữ liệu có cấu trúc và phi cấu trúc, và xây dựng mô hình dự đoán. 

• Kỹ sư Machine Learning (Machine Learning Engineer) dành thời gian xây dựng, huấn luyện và triển khai các mô hình machine learning có thể học từ dữ liệu để đưa ra quyết định. Theo Feng, sứ mệnh của họ là “phát triển mô hình để biến dữ liệu thành sản phẩm”.

• Nhà nghiên cứu (Researcher) liên tục tìm lời giải cho các câu hỏi nền tảng và mở rộng tri thức lý thuyết trong khoa học dữ liệu. Đây là nhánh rất chuyên sâu, đòi hỏi kiến thức cao nhất về toán và lý thuyết machine learning.

• Nhà nghiên cứu ứng dụng (Field Researcher) chịu trách nhiệm tìm giải pháp cho các vấn đề thực tiễn trong doanh nghiệp. Họ tập trung vào kết quả thương mại ngắn hạn, chẳng hạn đảm bảo các kỹ thuật học mới có thể áp dụng cho bộ dữ liệu thực tế.

Chuẩn bị cho phỏng vấn Khoa học Dữ liệu 

Theo Feng, quá trình chuẩn bị cho một buổi phỏng vấn khoa học dữ liệu có thể chia thành bốn bước đơn giản:  

• Nghiên cứu vai trò khoa học dữ liệu. Như đã đề cập, bạn nên tập trung vào những vai trò mình thích nhất và có nhiều cơ hội thành công dựa trên các kỹ năng mạnh nhất. Vì vậy, luôn đáng để đầu tư thời gian nghiên cứu trước khi gửi bất kỳ đơn ứng tuyển nào.

• Đối chuẩn kỹ năng. Làm sao biết kỹ năng của bạn đủ vững để nhận việc? Nhiều người tìm câu hỏi phỏng vấn trên internet để đối chuẩn. Theo Feng, đây không phải chiến lược tốt vì những câu hỏi đó thường chỉ chạm đến các chủ đề cơ bản, ít khả năng xuất hiện trong phỏng vấn. “Câu hỏi phỏng vấn giống như một nghiên cứu tình huống, thường bắt đầu bằng một phát biểu vấn đề”. Đây mới là kiểu câu hỏi thực tế bạn nên dùng để kiểm tra kỹ năng của mình.

• Xây dựng kế hoạch học hằng ngày. Để củng cố kỹ năng và tăng cơ hội có được công việc mơ ước, bạn cần sự đều đặn. Theo khảo sát của công ty Feng, Interview Query, những người luyện nhiều câu hỏi hơn có tỷ lệ thành công phỏng vấn cao hơn. Thiết kế kế hoạch học thế nào? Theo lời Feng: “Hãy khiến việc giải câu hỏi trở nên dễ dàng, giải một câu mỗi ngày, và luyện các bài ngày càng khó”.

• Nhận phản hồi phỏng vấn. Cuối cùng, luôn tốt khi có người để bạn chia sẻ câu trả lời và nhận góp ý, lời khuyên. Bạn có thể viết ra suy nghĩ và chia sẻ với huấn luyện viên và chuyên gia; tuy vậy, như Feng nhấn mạnh, cách tốt nhất là trò chuyện trực tiếp. 

Nếu bạn muốn tìm hiểu thêm, bạn có thể xem toàn bộ phiên của Jay. Đồng thời, hãy xem các phiên khác từ Radar mà bạn có thể quan tâm.