Больше советов для успешного прохождения собеседований на начальные позиции в области науки о данных

Еще больше советов для успешного прохождения собеседований на начальные позиции в области науки о данных

Предыдущие девять советов касались более очевидных аспектов для начинающих специалистов по обработке данных.

Следующие рекомендации по собеседованию затрагивают более тонкие нюансы подчеркивания своей превосходности в качестве кандидата на работу.

Отталкиваясь от моей предыдущей статьи, эти дополнительные советы увеличат ваши шансы на прохождение собеседования по начальному уровню обработки данных.

• «Как данные науки помогут ускорить переход на циркулярную экономику?»
• Преодоление пропасти искусственного интеллекта Как OpenAI превратило LLM в успешный продукт массового спроса
• Подробное руководство по созданию и публикации пакета данных R с использованием Devtools.

1. Подготовьте портфолио

Создание портфолио научно-исследовательских проектов является одним из лучших способов продемонстрировать свои навыки научного работника.

Начинающим сложно выбрать подходящие проекты для своего портфолио. Вот несколько идей для проекта по науке о данных для начала. Вы также можете изучить рекомендации Datacamp или проекты с данными, которые у нас есть на StrataScratch .

2. Практика кодирования с доменными знаниями

Понимание домена означает, что вы знакомы с определенной отраслью, сектором или предметной областью. Эти знания включают в себя детали, вызовы, термины, процессы и тонкости, свойственные конкретному домену.

Они должны отражаться ваши навыки кодирования, так как вы будете использовать их для решения проблем для конкретной компании в рамках конкретной отрасли.

Когда вы практикуете кодирование, было бы идеально, если бы вы делали это на основе реальных вопросов от компании, в которой вы проходите собеседование. Я уже упоминал о StrataScratch и LeetCode в первой статье.

Конечно, вы можете практиковаться на вызовах, которые не являются непосредственно связанными с собеседованием. Но когда вы их выбираете, попытайтесь найти вопросы собеседования по науке о данных и наборы данных из соответствующей отрасли. Скажем, вы проходите собеседование в Meta (технологическая отрасль) и Pfizer (фармацевтическая отрасль). Эти компании работают с совершенно разными данными, которые ведут себя по-разному. Естественно, и вопросы будут отличаться. Поэтому, для Meta используйте данные технической / социальной медицины, а для Pfizer – фармацевтические данные.

Таким образом, вы также гарантируете, что повышаете свои знания в области домена. Возможно, вам понадобится разобраться с определенными данными, о которых вы ничего не знаете, поэтому вам придется изучить их и их важность в отрасли.

Теперь вы связываете кодирование с доменными знаниями!

3. Продемонстрируйте свои навыки рассказа о данных

Рассказ о данных означает, что вы можете ясно и понятно коммуницировать инсайты из своих проектов с данными. Подумайте о том, почему вы начали определенный проект и что вы достигли; всегда есть история.

Создавая историю на основе своего проекта, вы сделаете данные более доступными для непрофессионалов. В ответ вы будете иметь больше влияния на принятие решений.

Вот несколько советов для демонстрации этого навыка.

Создайте повествование: У любой хорошей истории есть структура: экспозиция, проблема, развитие событий, кульминация, спад и разрешение. Включите это в рассказ о вашей истории с использованием данных.

Вы можете начать с делового контекста, например: «Компания запустила пять новых продуктов за последние три года». Затем проблема. Вы заметили, что продажи растут, но сохранение клиентов – нет. Теперь вы будете продолжать, углубляясь в данные и пытаясь найти причины проблемы сохранения. Здесь в вашей истории должны углубиться технические аспекты проекта: что вы сделали и почему. Кульминация наступает, когда вы находите один продукт с высокими продажами, но также с высокими показателями возврата. Падающий показатель – обсуждение потенциальных причин высоких возвратов. В резолюции вы делаете рекомендацию по улучшению продукта. В резолюции прямо относитесь к тому, что делала ваша работа, и количественно оценивайте ее достижения. Не заканчивайте свою историю тем, что вы даете рекомендации по улучшению продукта, но расскажите о росте продаж этого продукта, о том, сколько денег он принес компании и так далее.

Используйте понятные визуализации: Используйте визуализации, которые поддерживают вашу историю.

В вашем проекте о тенденциях продаж за последние годы не просто показывайте таблицу с месячными показателями продаж. Вместо этого используйте линейный график, чтобы визуально отобразить колебания продаж. Таким образом, аудитория сможет понять тенденцию. Для значительных всплесков продаж используйте столбчатую диаграмму, чтобы разбить продажи по товару или категориям товаров и выделить продукты, стимулировавшие рост продаж.

Избегайте жаргона и упрощайте сложные концепции: Используйте техническую терминологию только при необходимости. Задача – “продать” (иногда даже буквально) вашу идею и проект бизнес-людям, поэтому упростите сложные концепции для них. Не говорите: “Гетероскедастичность в остатках указывает на то, что наша линейная регрессионная модель, возможно, не является лучшим вариантом”. Вместо этого скажите: “Паттерны в наших данных указывают на то, что наша начальная модель, возможно, не эффективно передает всю информацию”. Гораздо лучше!

4. Обсуждайте неудачи и учение

Мы все делаем ошибки. Они необходимы для процесса обучения. Интервьюеры не ищут идеального кандидата; они ищут того, кто хочет и может учиться.

Позвольте интервьюеру познакомиться с этой стороной вас. Если вы откровенно делитесь своими неудачами и тем, чему вы научились от них, это создаст доверие и продемонстрирует вашу способность справляться с неудачами.

Вот несколько советов, как об этом говорить.

Избегайте игры виной: Избегайте обвинения всех и всего в своих ошибках. Конечно, объясните контекст обстоятельств, не зависящих от вас, но не играйте жертвой. Возьмите ответственность за свою часть, покажите то, чему вы научились из этих обстоятельств, и расскажите, что вы должны были сделать по-другому.

Уделяйте внимание учению, а не части о неудаче: Речь о неудачах должна служить только для того, чтобы показать, как и что вы из них вынесли, поэтому сосредоточьтесь на этом.

Говорите из опыта: Найдите реальный пример из предыдущей работы. Даже если это не связано с наукой о данных, это может быть применимо, если оно показывает ваш акцент на обучении и самосознании. Если у вас нет опыта работы, расскажите о ошибках, которые вы совершили в своих проектах по данным и о том, чему вы научились.

Рассказывайте о шагах, которые вы предприняли: Это относится к тому, что вы сделали, чтобы исправить свою ошибку или минимизировать ее влияние, например, изменение данных, настройка алгоритма или полное отказ от проекта и начало нового.

Вот как может выглядеть разговор между вами (Y) и интервьюером (I).

I: “Можете рассказать о случае, когда проект или задача не пошел по плану, и как вы справились с этим?”

Y: Конечно! Во время моей предыдущей работы в качестве научного сотрудника по данным я был ответственен за проект, направленный на прогнозирование оттока клиентов. Я выбрал алгоритм k-ближайших соседей на основе своего первоначального понимания и начал работать над ним. Однако результаты были не такими точными, как я надеялся.

I: Почему? Что вы сделали, когда это осознали?

Y: Были некоторые несоответствия в данных, а сроки были очень сжатыми, поэтому мои исследования перед использованием данных не были очень тщательными. Несмотря на это, сейчас я понимаю, что должен был провести более детальные исследования перед использованием данных. Когда я узнал о несоответствиях, я сотрудничал с командой по качеству данных, чтобы лучше их понять. Я также исследовал другие алгоритмы и оценил их. В конечном итоге, я перешел на алгоритм XGBoost, который значительно повысил точность прогнозирования модели. Я узнал, что не стоит недооценивать важность исходного анализа данных. Я также рад тому, что не стеснялся признавать ошибки и начинать с чистого листа, осознавая, что у нас не будет применения для модели, в которую мы не можем доверять.

 

Заключение

 

Наука о данных – это не просто бездумная обработка данных и написание кода. Это также включает возможность переводить вашу работу на язык простых смертных с помощью повествования о данных и визуализаций.

Вы продемонстрируете это, рассказывая об этом на интервью. Вам нужно убедиться, что вы умеете говорить на одном языке, но также доказать, что вы можете поступать соответствующим образом. Лучший способ сделать это – иметь прочный портфель проектов по данным, в котором будут явными ваши навыки кодирования, повествования и визуализации.

В процессе работы над проектами вы будете допускать ошибки. Не скрывайте их. Открыто говорите о них и ищите обратную связь от интервьюера.

Все сводится к двум простым вещам: быть компетентным и честно рассказывать о том, как ты этого достиг. Легче сказать, чем сделать!

Но с некоторыми подсказками, которые я дал в этой статье, я уверен, что у вас пойдет хорошо на следующем собеседовании по анализу данных!

****[Nate Rosidi](https://twitter.com/StrataScratch)**** является специалистом по анализу данных и стратегии продукта. Он также внештатный преподаватель по аналитике и основатель StrataScratch, платформы, помогающей аналитикам подготовиться к собеседованиям с реальными вопросами от ведущих компаний. Свяжитесь с ним на Twitter: StrataScratch или LinkedIn.