"Часы работы"

Наступает 2020 год: практические советы по получению вашей первой работы с данными

5 важных вещей, о которых нужно помнить

Наука о данных - очень широкая область. Вначале специалист по обработке данных занимал всеобъемлющую позицию. Вы должны были знать об инженерии и машинном обучении. Будьте выдающимся аналитиком данных и свободно владейте облаком. Пишите SQL и еще пару языков программирования как разработчик. Или, что еще лучше, будь хорошим разработчиком! Это было потрясающе. Настолько ошеломляюще, что с ростом отрасли все эти требования получили свою роль.

И когда мы говорим о расширении области, помните, что мы не имеем в виду слияние бизнес-аналитики и статистики. Об этом много говорилось, и хотя раньше говорят, что Data Science родилась из слияния знаний предметной области, статистики и бизнес-аналитики, я лично считаю, что другая и, вероятно, лучшая графическая интерпретация, которую я видел, исходит из блога. Плюс:

Изображение само по себе довольно ясное и показывает, что бизнес-аналитика и наука о данных - это две совершенно разные области, и поэтому расширение последней происходит за счет индивидуализации задач с разными ролями, а не из некоторого преобразования позиций бизнес-аналитики в данные. Роли науки. В настоящее время вы можете найти примерно такое же количество вакансий для таких ролей, как Data Engineering, Data Scientists или Data Analyst. Имея впоследствии и другие роли в полном расширении, такие как инженерия машинного обучения или переводчик данных.

Все это привело людей из разных областей, таких как я, в науку о данных, соблазненных экспоненциальным спросом на все больше и больше профессионалов, а также из-за возможности участвовать в относительно новой области. И это довольно увлекательно, если вам всегда нравились данные и работа с числами, и вам нравится пытаться понять, почему что-то происходит.

Если вы чувствуете себя отождествленными с приведенным выше описанием и думаете о повороте в отрасль Data Science, или, возможно, вы уже на полпути, в следующих советах я постараюсь поделиться с вами некоторыми вещами, которые я узнал из своего собственного опыт когда такое не так давно я решил полностью встать на этот путь. Надеюсь, это будет полезно и для вас, если вы думаете о том, чтобы попасть в Data Science в 2020 году 🙂.

1. Познай себя

По мере роста области диверсификация ролей облегчила людям попадание в отрасль под некоторыми из всех доступных ролей. Итак, первое, что нужно сделать, - это понять, к какой из всех возможных ролей я готов прямо сейчас и в какой роли мне хотелось бы оказаться через несколько лет.

Три наиболее распространенных роли, которые можно найти прямо сейчас в сети, вероятно:

  • Специалист по данным: специалист, обычно отвечающий за построение моделей машинного обучения, часто включающих большинство функций, которые будут им использоваться. Они отвечают за постоянное улучшение характеристик модели и опробование новых, чтобы улучшить прогнозы.
  • Инженер по данным: этот парень, вероятно, больше разбирается в программировании и информатике. Они отвечают за весь поток данных, чтобы получать данные от моделей, построенных Data Scientist, и в них.
  • Аналитик данных: работа аналитика данных, вероятно, является наиболее непонятной и запутанной во всех сферах. Когда я искал работу, я постоянно находил объявления о вакансиях, которые искал аналитика данных, требующего знания и использования только Excel, без каких-либо статистических или математических знаний, с просьбой найти, описать и визуализировать идеи для коммерческой или управленческой команды. Идеально автоматизирует процесс. Эти роли, мой друг, насколько я понимаю, являются должностью Business Intelligence. Аналитик данных, опять же, согласно моему видению, - это человек, постоянно выполняющий специальный анализ, с твердым пониманием таких понятий, как распределения, вероятность или алгебра, регулярно исследующий закономерности, чтобы улучшить модели машинного обучения и понимание всей компанией как они работают. А иногда прорабатывает для Data Engineering, какие данные понадобятся и как их получить.

Если кто-то считает, что некоторые из приведенных выше описаний неточны, будучи специалистом по анализу данных, инженером или аналитиком, пожалуйста, не принимайте это на себя 🙃. Как я уже сказал, эта область выросла слишком быстро, поэтому, вероятно, существуют комбинации некоторых из них с одинаковыми или разными именами ролей.

Если прямо сейчас вы не имеете четкого представления, какая роль должна быть вашей нынешней и будущей, не волнуйтесь, мне потребовалось много времени, чтобы разобраться в шахтах. Например, я называю себя аналитиком данных, который может заниматься машинным обучением. Мне нравится и то, и другое, но я знаю, что сейчас у меня есть что предложить аналитику данных. Смогу ли я перейти на должность специалиста по данным в будущем? Кто знает. С другой стороны, вы можете быть кем-то с сильным опытом в области компьютерных наук и программирования, способным начать работу в качестве инженера по данным, но зная, что в конечном итоге вы хотите перейти в специалиста по анализу данных. Насколько я понимаю, возможность обучения и развития в этой области очень высока.

Практические советы:

  • Разработайте личное заявление о бренде. Это может показаться глупым, но может быть очень полезно для понимания себя изложить словами, в коротком абзаце, может быть, из 4 или 5 строк, ваш карьерный путь, ваши основные навыки, ваши достижения, цели и почему вы представляете ценность для компания. И да, я сказал 4 или, может быть, 5 строк. Я знаю, что это очень мало, но это ограничение помогает вам сосредоточиться только на самом важном.
  • Запишите свою профессиональную историю: так как спрос на профессионалов велик, то и предложение велико. Это означает, что вы будете соревноваться с очень страстными парнями. Поэтому, если вы такой же человек, как я, или, возможно, вы из другой отрасли или со смешанным опытом, обязательно расскажите о своей профессиональной деятельности, а также о том, как и почему вы пришли в Data Science.

2. Подготовка к поиску работы: самые важные инструменты

Раньше я начинал искать работу, и пока я этим занимался, я слышал о нескольких веб-сайтах и ​​прочем, что мне нужно было иметь в виду, чтобы добиться успеха. Однако на практике я обнаружил, что очень немногие из этих инструментов действительно нужны и полезны для меня при поиске работы. И что еще важнее, в ежедневной рутине, посвященной как минимум 6 часам, полностью посвященным поиску работы, я обнаружил, что очень важно иметь в виду ограниченное количество вещей, чтобы уметь справляться со всем.

Храни бог царя LinkedIn: не только лучшее место для поиска работы по количеству сообщений о вакансиях и уровню активности людей, ищущих сотрудников, но и отличное место для нетворкинга. и покажи себя.

Основные советы, которые я хотел бы дать тем, кто только начал работать, следующие:

  • Создайте свой профиль: отличное фото, полный профессиональный опыт и образование, а также хорошее правописание / грамматика - это основы. Оттуда у вас есть такие вещи, как настройка вашего URL-адреса вместо использования URL-адреса по умолчанию, предоставляемого вам LinkedIn, выбора правильного фонового изображения, написания красивого заголовка, отображения вашей обновленной контактной информации, включая хорошее и надежное резюме (может быть получено из заявление о вашем бренде) и максимально возможное заполнение всех других разделов, включенных в LinkedIn, таких как навыки, достижения или рекомендации.
  • Продолжайте в том же духе: старайтесь поддерживать активность в сети, показывая своим контактам контент, связанный с наукой о данных, но также постоянно добавляя и отслеживая людей в этой области, чтобы расширить сеть контактов. Они могут быть полезны, если они публикуют любую возможность или, может быть, в случае поиска вакансии в некоторых компаниях, где они работают.
  • Настройте параметры: когда ваш профиль будет заполнен на 100%, пора будет включить опцию «Сообщите рекрутерам, что вы открыты», а также воспользуйтесь бесплатной пробной версией Premium. Кстати, лично я настоятельно рекомендую это, так как это дает вам возможность искать и преследовать больше. Вероятно, это две вещи, которыми вы будете больше всего заниматься в LinkedIn в течение следующих недель.
  • Охватите нужную аудиторию: общайтесь с людьми в вашем городе, в идеале, в конкретных отраслях, которые вам интересны. Не теряйте время, добавляя CTO или CEO из модных организаций. Эти люди не будут даже близко подходить к процессу найма, который вас заинтересует. Вместо этого добавьте старших специалистов по данным, лидов или даже людей из отдела кадров, которые могут быть вовлечены в процессы в большей степени в соответствии с вашим профилем. И последнее, но не менее важное: и это, вероятно, лучший совет, который я получил, когда искал работу, добавьте выпускников из вашей школы, которые в настоящее время работают в этой области. Они уже прошли через все это и многие из них будут рады помочь вам рекомендациями или хотя бы хорошим советом.

Это мой профиль в LinkedIn на случай, если вы захотите взглянуть на него.

Следите за своим Github: GitHub - это не только место, где можно размещать в Интернете все ваши общие и личные проекты, но и показывать информацию о вас. Он показывает, насколько вы активны, как вы кодируете, над чем вам нравится работать, и базовое описание себя. Обязательно продвигайте самые разные проекты, демонстрируя разные навыки и интересы. Кроме того, в идеале, как можно чаще отправляйте сообщения на GitHub. Поиск первой работы в Data Science отчасти похож на изучение спорта: вы не можете перестать заниматься этим какое-то время, иначе вы все забудете. Так что не забывайте постоянно повышать свою повседневную работу, чтобы показать себя активным и улучшить свой набор навыков. Это, например, мой профиль.

Пример моей собственной панели активности на GitHub.

Ваше резюме имеет значение: биографические данные все еще в значительной степени важны в наши дни, и хотя я не буду давать советов по стилю и дизайну, поскольку они могут быть очень субъективными, я дам вам некоторые из лучших советы, которые я слышал:

  • Будьте краткими: в идеале 1 страница, максимум 2. Даже если у вас 8 предыдущих опытов работы и докторская степень. Люди просто не читают большего.
  • Контактная информация: включите всю свою контактную информацию и укажите ее правильно. Дважды проверьте свой телефон, электронную почту и все URL-адреса.
  • Представьтесь: в начале важно составить личную биографию. HR-специалисты и менеджеры по найму получают сотни резюме на каждую вакансию. Дайте им быструю причину продолжать читать всю вашу учебную программу.
  • Включите свои навыки: вместо того, чтобы заставлять кого-то расшифровывать весь набор ваших навыков из предыдущих описаний вакансий и образования, упростите им задачу и четко укажите это. Кроме того, некоторые компании используют программное обеспечение для определения ключевых слов в учебных программах и их фильтрации. Поэтому убедитесь, что важные вещи упоминаются хотя бы один раз в вашем резюме.
  • Детали имеют значение: правильное написание, выравнивание текста, возможность сканирования, имя отправляемого файла… все это говорит о вас самих. Так что будьте аккуратнее, чем когда-либо.

3. Где искать

Миссия здесь будет заключаться в том, чтобы как можно более эффективно использовать наше время. Многие веб-сайты с объявлениями о вакансиях просят вас заполнить очень-очень длинный специальный профиль, прежде чем даже начинать поиск и подавать заявки на их сообщения о вакансиях. Кроме того, многие компании размещают свои предложения в нескольких местах, поэтому многие объявления о вакансиях, которые вы увидите, будут повторяться между сайтами. Так что разумно распорядитесь своим временем и вместо того, чтобы часами искать вакансии на нескольких досках по трудоустройству, выберите пару и сосредоточьтесь на них.

Для меня основная доска объявлений, как упоминалось ранее, - это LinkedIn. Второй может зависеть от того, где вы живете, или от того, какие компании вам интересны. В Великобритании Glassdoor или Indeed являются хорошими вариантами. Но если вы хотите присоединиться к стартапу, Ангел, вероятно, будет вашим местом.

Но главное: не теряйте время. Ежедневно вы должны меньше 50% своего эксклюзивного времени на поиск работы искать подходящие вакансии, а остальное время подавать на них, в том числе заполнять свои данные в профилях многих компаний и писать красивые и красивые сопроводительные письма. Это может показаться большим количеством времени, но помните, что вы также должны работать над побочными проектами, каким-то образом поддерживать себя активным в LinkedIn, в конечном итоге готовясь к собеседованиям, а также иметь жизнь, чтобы вы могли понять, почему мы не хотим терять время. если не стоит досками по трудоустройству.

4 Стратегии применения и отслеживание всех

Поиск работы на полную ставку может вызвать больший стресс, чем многие думают. Вот почему для вас важно поддерживать порядок:

  • Начните с разбивки вашей недели. Понедельник и пятница обычно плохие дни для подачи заявления или общения с людьми. Так что используйте эти дни для работы над своими побочными проектами, написания сопроводительных писем, изучения чего-либо или поиска людей вокруг.
  • Подайте заявку, подайте заявку, подайте заявку. Когда я искал работу, люди в школе сказали нам стремиться присылать от 10 до 20 заявлений в неделю. Не знаю, откуда взялось число, но на практике это казалось агрессивной и неотложной целью, но вполне выполнимой и продуктивной.
  • Следите за всем. Вы отправили заявку? Добавили кого-нибудь в LinkedIn? Написали письмо кому-то, кого вы встретили на MeetUp? Как бы то ни было, найдите инструмент или метод, который вам удобен, и запишите его. В моем случае инструментом был простой Google Sheet. Каждый раз, когда я обращался к кому-то или подавал заявку на вакансию, я записывал, с кем я связывался, как я это делал, дату, когда это произошло, и некоторые другие полезные данные для себя. Это особенно важно, чтобы отслеживать каждое действие ровно через неделю, если к тому времени я не получил уведомления. Не бойтесь этого делать, люди обычно совсем не плохо это воспринимают.
  • Сделайте все возможное. Если вы подаете заявку на вакансию через доску объявлений или на веб-сайт компании, обязательно напишите обложку позже (коротко и мило: два абзаца… один о вас, а другой о возможность и компания), а в идеале отправить его напрямую кому-либо в компании по электронной почте или LinkedIn. И у вас нет Premium в последнем, не волнуйтесь, короткое сообщение с правильными словами будет лучше, чем ничего.

О сопроводительных письмах было сказано много, но по моему опыту, даже если их никто не читает, они все равно что-то показывают о вас, если вы потратили время на то, чтобы тщательно написать что-то о возможности, на которую вы подаете заявку.

5. Подготовьтесь к интервью.

Не подготовиться к собеседованию - это почти то же самое, что не пойти вообще. На мой взгляд, это основные вещи, которые всегда нужно готовить:

  1. Технические вопросы: в мире Data Science есть набор основных вопросов, которые задают, особенно на первых собеседованиях. Мы не будем рассматривать этот список по этой истории, но я рекомендую эту историю от Нитина Панвара, и вы легко можете найти в Google несколько сайтов, на которых перечислены все эти вопросы.
  2. Вопросы о компетентности: это больше касается вас… предыдущего опыта, образования, навыков, сильных и слабых сторон, мотивации и т. д. Опять же, на многих сайтах в Интернете есть примеры этих вопросов, чтобы вы могли подготовиться, хотя я нашел этот сайт особенно хорошим.
  3. Компания и роль: работодатели хотят, чтобы люди были мотивированы и заинтересованы в компании, поэтому обязательно исследуйте ее как можно больше и постарайтесь продемонстрировать эти знания на протяжении собеседования.

Как упоминалось ранее, все эти моменты и предложения пытаются подвести итог всего того, что я нашел полезным во время моего собственного поиска работы, а также просмотрев поиск работы нескольких моих одноклассников. Однако я уверен, что многие другие люди могли иметь другой опыт с некоторыми вещами, которые я упомянул в этой истории, или, может быть, у них есть что-то еще, что можно добавить к этому набору инструментов для поиска работы, который я пытался скомпилировать. здесь. Если это так, не забудьте поделиться своим опытом в комментариях, чтобы мы все тоже могли извлечь уроки из этого!

И помните, что наука о данных - это область, которая постоянно меняется. Он сильно изменился за последний год, и вы можете быть уверены, что он будет меняться в ближайшие годы. Так что продолжай двигаться! Слушайте подкасты, ходите на встречи, читайте как можно больше книг, постоянно изучайте новые материалы и, конечно же, следите за обновлениями здесь, в Medium ... это отличный источник, чтобы быть в курсе.

Если вам нравится эта история, не забудьте ознакомиться с некоторыми из моих последних статей, например 9 книг по науке о данных, чтобы попросить Санту на Рождество и Введение в НЛП и 5 советов по развитию вашей игры. Все они и многое другое доступно в Моем среднем профиле 🙂.

И если вы хотите получать мои последние статьи прямо на вашу электронную почту, просто подпишитесь на мою рассылку :)

Спасибо за чтение и до встречи на Medium!