Вы находитесь на грани окончания бакалавриата, взволнованы тем, что получите свою первую работу в качестве специалиста по данным, и начинаете подавать заявки. Вы продвигаетесь по спискам на Indeed и LinkedIn и вскоре испытываете серьезные затруднения - почти на всех вакансиях требуется либо предыдущий опыт, либо ученая степень. У вас нет ни того, ни другого. Ну так что ты делаешь? Что ж, у вас есть несколько вариантов, некоторые из которых я обсуждал в предыдущей статье:
Но в этой статье я хотел бы взглянуть на проблему с другой точки зрения. Перспектива компании, которая нанимает. Компания, создавшая объявление о вакансии. Я хотел бы убедить эти компании, что они наверняка пожалеют, что не наняли и не наняли недавних студентов, не имеющих опыта, в качестве специалистов по обработке данных.
Они готовы
Рост спроса на науку о данных и искусственный интеллект породил множество возможностей для студентов получить навыки, которые ранее преподавались только в магистратуре или докторантуре. программы. Например, Массачусетский технологический институт только что объявил план на 1 миллиард долларов по созданию нового колледжа, который сочетает искусственный интеллект, машинное обучение и науку о данных с другими академическими дисциплинами. Во многих школах сейчас есть специальности по науке о данных для студентов. Хотя, как и в случае любой другой специальности, качество этих программ может быть разным, это означает, что студенты более чем когда-либо готовы внести свой вклад в команду специалистов по анализу данных.
Они голодны
Студенты часто приходят на рынок труда с огромной энергией и драйвом. Они только что закончили 4 года обучения и рады применить свои знания и оказать влияние. Лучшие из них также обладают глубоким желанием учиться и расти. Такое сочетание стремления и роста может добавить команде значительного количества энергии. Кроме того, при соответствующем наставничестве и руководстве ваш неопытный студент быстро вырастет в своих способностях и внесет значительный вклад в вашу команду.
Они эффективны
Я думаю, что одно из опасений компаний, нанимая студентов без опыта, состоит в том, что он или она будут изо всех сил пытаться повысить ценность компании. По моему опыту, это далеко от истины. Команда специалистов по анализу данных реализует множество проектов, для которых не требуется предыдущего опыта или ученой степени, чтобы повысить эффективность. Например, возможно, вы пренебрегали переобучением моделей искусственного интеллекта с использованием новых данных. Позвольте вашему новому сотруднику разобраться в коде, чтобы понять модель, запустить ее, повторно обучить ее на новых данных и провести некоторый анализ ошибок, чтобы обнаружить другие потенциальные возможности для улучшения. Это не только улучшит вашу модель, но и поможет вырастить вашего нового ученого, поскольку он или она работает с более опытным членом команды, чтобы помочь улучшить их модель. Это также дает более старшим ученым возможность руководить и наставлять других - по сути, расширяя их знания и влияние.
Они масштабируемы
Это скорее практический момент, но на рынке гораздо больше свежих студентов, чем докторов наук или людей с 10-летним опытом. Поскольку многие компании плохо справляются с наймом студентов, это также упрощает привлечение талантливых специалистов. Это идеальное сочетание для растущих команд по анализу данных. Найдите несколько ключевых старших сотрудников, а затем помогите им расти, нанимая умных, голодных и изгнанных студентов, только что закончивших школу. При правильном наставничестве и правильном процессе эти неопытные сотрудники быстро добавят значительную ценность вашей компании.
Без сожалений
Теперь - в следующий раз, когда вы будете писать объявление о вакансии для следующего найма в области науки о данных, спросите себя, может ли вам подойти новый студент. И если да, пожалуйста, адаптируйте публикацию соответствующим образом. Я обнаружил, что студентов можно легко отпугнуть, если они «требуют» большого опыта, подготовки или обучения. Поверьте мне, вы не пожалеете, что узнаете, как эффективно интегрировать новичков в свою команду по анализу данных.
Эту статью также можно найти здесь.
