Les compétences techniques sont surestimées, en particulier en science des données. De nombreux spécialistes des données réalisent rapidement qu’une grande partie de leurs défis professionnels ne sont pas dus à ce qu’ils peuvent ou ne peuvent pas faire. Au contraire, la mentalité avec laquelle ils abordent les tâches compte beaucoup.
Par exemple, un data scientist qui maîtrise la communication présentera ses idées mieux que son homologue plus (techniquement) qualifié dont les rapports sont confus. De même, l’extrapolation d’informations à partir de données brutes nécessite une énorme dose de créativité et de réflexion critique, qui ne sont pas enseignées en tant que compétences techniques, mais doivent plutôt être développées personnellement.
Les autres compétences générales nécessaires aux scientifiques des données comprennent l’aptitude commerciale, la résolution de problèmes et l’adaptabilité.
Toutes ces compétences sont à l’épreuve du temps qui transcendent les innovations technologiques. Le succès en 2021 et au-delà en tant que data scientist dépendra fortement du développement de ces compétences générales.
Esprit critique
Cet auteur définit la pensée critique comme «l’analyse, l’exploration et l’évaluation judicieuses et objectives d’une question ou d’un sujet afin de former un jugement viable et justifiable».
La pensée critique est souvent considérée comme la compétence la plus essentielle en science des données.
Cela vous rend bien informé, améliore votre jugement et vous rend mieux équipé pour prendre des décisions plus efficaces. En tant que data scientist, vous devez être capable d’examiner les données disponibles sous plusieurs angles. Pour développer la pensée critique, procédez comme suit:
- Remettez en question vos hypothèses: en tant que domaine scientifique, votre travail consiste à appliquer des méthodes empiriques à l’analyse des données et à l’extraction d’idées. Cependant, l’esprit humain reste soumis à toutes sortes de préjugés et de présupposés. Vous devez les interroger minutieusement pour affiner votre raison et éviter les pièges de décision.
- Engagez différentes perspectives: En tant qu’êtres sociaux, nous sommes attirés par des personnes qui agissent et pensent comme nous. Mais le manque de dissidence saine conduit à une mauvaise prise de décision. Penser de manière critique signifie constamment rechercher de nouvelles perspectives. Cela ne signifie pas nécessairement un désaccord; cela pourrait être aussi simple que d’entrer en contact avec des collègues d’un autre département afin de comprendre leurs perspectives.
la communication
Le but de l’analyse des données est de prendre des décisions éclairées. Et votre responsabilité en tant que data scientist inclut d’être en mesure de présenter vos découvertes de manière claire aux non-data-scientists qui doivent prendre les décisions.
Votre public non technique a besoin de savoir comment vous êtes parvenu à une conclusion spécifique, la justification de vos méthodes, l’implication de vos résultats et pourquoi vous considérez une solution meilleure que l’autre.
Vous pouvez rendre votre présentation plus efficace grâce à la narration. Comme le dit Brent Dykes dans son livre, Storytelling efficace des données, « … Les récits sont plus convaincants que les statistiques si votre objectif est d’avoir un impact sur votre public. »
Les visuels produisent le même effet; lorsqu’ils sont utilisés correctement, ils aident votre public à voir et à comprendre les tendances entre les bribes de données. Vos idées n’ont pas d’importance à moins que vous ne puissiez les faire comprendre aux autres et les inciter à prendre les mesures nécessaires.
Résolution de problème
Un data scientist est comme un détective. Les deux travailleurs enquêtent sur les faits et données disponibles pour résoudre les problèmes. Dans un cas, le but est de résoudre des crimes; d’autre part, l’objectif est de fournir une valeur commerciale.
Les données sont ce que nous en faisons. Et un data scientist doit être résolu et équipé pour enquêter sur les problèmes à la racine. Les chefs de projet aiment les data scientist qui peuvent identifier des solutions créatives aux problèmes.
Par exemple, découvrir que les clients de votre entreprise se comportent d’une certaine manière est différent de Pourquoi ils se comportent ainsi. Et même dans ce cas, le travail n’est probablement pas terminé. Vous devez toujours utiliser les données disponibles pour déterminer comment faire en sorte que les clients se comportent différemment ou pour que l’entreprise s’adapte aux habitudes des clients.
La science des données est un travail continu d’évaluation des données et de pesée des options, déterminant pourquoi une approche pour atteindre un objectif est meilleure que l’autre. Les conséquences de vos conclusions pourraient être énormes; vous devez donc faire les choses correctement, au moins en fonction des données dont vous disposiez à l’époque.
La pratique fait de vous un meilleur résolveur de problèmes. Il y a sites Internet qui vous aident à apprendre à relever divers défis de la science des données avec de réels impacts commerciaux.
Aptitude commerciale
L’analyse des données est une chose; le contextualiser pour résoudre de vrais problèmes commerciaux en est une autre. Dr NR Srinivasa Raghavan d’Infosys est largement cité ainsi: La science des données est plus que de simples calculs: c’est l’application de diverses compétences pour résoudre des problèmes particuliers dans une industrie.
Sans une bonne compréhension des processus et des opérations de l’entreprise (tels que les chaînes d’approvisionnement, le service client, les finances, les ressources humaines, la logistique), il serait impossible d’extrapoler des informations exploitables.
La science des données est un domaine impliquant tellement de théorie, mais a des implications pratiques de grande portée. Par conséquent, un bon analyste de données comprend le modèle commercial et peut s’adapter rapidement à diverses situations commerciales.
Comment fonctionne l’entreprise? Comment fonctionne votre entreprise? Que savez-vous de votre industrie? Comment votre entreprise gagne-t-elle de l’argent? Quel produit / service votre entreprise propose-t-elle et comment cela fonctionne-t-il? Qu’est-ce qui fait perdre de l’argent à votre entreprise? Qui sont vos concurrents?
Ces questions, et plus encore, sont importantes pour comprendre les opérations commerciales. Vous pouvez développer cela par la recherche. Mais vous devez d’abord avoir un sens des affaires et comprendre que la science des données ne concerne pas seulement Python, SQL et toutes les parties techniques.
Adaptabilité
L’adaptabilité a à voir avec la rapidité avec laquelle vous pouvez vous adapter à de nouvelles conditions, qui peuvent être positives ou négatives. À l’ère de l’information, l’innovation se développe à un rythme si rapide qu’il est souvent difficile de suivre le rythme. Nous vivons dans un monde de possibilités et ce qui est nouveau aujourd’hui peut devenir obsolète en quelques mois ou années.
En fait, les outils que vous utilisez pour l’analyse des données dans cinq ans pourraient être différents de ceux que vous utilisez aujourd’hui.
L’adaptabilité est également importante pour les moments de crise, une période où les scientifiques des données sont soumis à une pression accrue pour livrer. Prenons la pandémie du COVID-19. La propagation mondiale de ce virus a perturbé les opérations commerciales partout et modifié, peut-être de façon permanente, le cours du travail et des affaires.
Lorsqu’il y a un revers, les gens cherchent des réponses; ils veulent savoir exactement ce qui ne va pas et comment ils peuvent avancer.
Aujourd’hui, tout le monde s’appuie sur les données. Dans ce monde de plusieurs changements sans précédent, vous devez être prêt à vous adapter aux tendances qui prévalent.
Conclusion
Les compétences générales traitent de la façon dont vous abordez les données. Vous connaissez peut-être tous les aspects techniques de l’analyse des données, mais une mauvaise approche conduit presque toujours à de mauvais résultats.
Plus important encore, les aspects techniques peuvent changer. Dans cinq ans ou une décennie, les outils de science des données actuellement populaires pourraient être complètement hors des feux de la rampe, bordés par de nouveaux outils avancés.
Mais des compétences telles que la pensée critique et la résolution de problèmes perdureront. Développer ces compétences tôt est un excellent moyen de sécuriser votre carrière à l’avenir.
Crédit d’image: pixaby; pexels
L’article 5 compétences non techniques essentielles que les scientifiques des données doivent posséder en 2021 est apparu en premier sur zimo news.
