Photo par rawpixel sur Unsplash

Comment embaucher un data scientist

Je voulais écrire un post sur l'obtention d'un emploi en tant que data scientist. Mais mon dieu, il y en a déjà beaucoup là-bas. Il y a des conseils sur la construction de portefeuille. Des listes de chansons remplies d’habiletés suggérées. Il existe des modèles de réponses aux questions d’entrevue courantes. Lire tout cela m'a fait réfléchir - quel genre de candidats cette communauté crée-t-elle?

De là où je suis, ça n’a pas l’air bien.

Certes, je n’ai jamais travaillé dans une grande équipe de science des données. De plus, j'étais un peu protégé par la science des données, ayant travaillé pendant un certain temps dans l'analyse de données totalement ancienne et dans le BI. Mais il me semble que ces articles remplis d’habiletés et de conseils de portefeuille constituent des candidats moyens. Cela n’aurait pas tant d’importance si la science des données était aussi banalisée que la comptabilité. Mais ce n'est pas.

La valeur que la première ou la seconde entreprise de location d'analyses peut avoir sur une entreprise est délirante. Cela peut (et devrait) être comme allumer les lumières. Il y a tellement de sociétés dans le noir qui recherchent des analystes exceptionnels, intéressants et confiants. S'ils ne le sont pas encore, ils le seront bientôt.

Si vous êtes une entreprise qui cherche à embaucher des candidats influents, voici mon conseil:

Éducation

L’éducation n’a pas d’importance. J'en ai marre de voir des offres d'emploi qui disent qu'un doctorat est nécessaire. Soyez honnête avec vous-même - si vous n’avez pas besoin de ces personnes pour faire de la recherche (et dans certains cas, même si vous le faites), laissez les docteurs seuls.

Cela peut sembler intéressant dans votre organigramme, mais c’est mauvais pour l’humanité. Obtenir un doctorat demande beaucoup de travail. Ces personnes sont (ou du moins ont été) animées par une passion pour la découverte, pour travailler en marge. Si vous voulez simplement qu’ils écrivent du code et déplacent votre courbe de croissance vers la droite, laissez la science les conserver. S'il vous plaît, la science a besoin d'eux.

Bien sûr, c’est leur choix de faire leur carrière. Mais le salaire d’un PhD Data Scientist semble très convaincant pour quelqu'un qui vient de passer 4 ans en bourse. Demandez-leur s'ils accepteraient le travail pour la moitié de l'argent. S'ils disent oui, payez-les plus que ce qu'ils ont demandé - ils méritent d'être conservés et votre mission est évidemment importante.

Vous ne devriez pas réduire les salaires en science des données. Ce serait idiot. Ne vous y trompez pas cependant, la raison pour laquelle ces personnes travailleront à l’augmentation de votre CTR est la même raison pour laquelle la dernière génération de docteurs en STEM est allée travailler à Wall Street.

Alors, qu'en est-il des MOOCs?

Les meilleurs scientifiques de données que j'ai vus ont acquis leurs compétences dans les cours en ligne. Ceci est tout à fait vrai mais comporte une mise en garde importante. Ces personnes travaillaient dans une entreprise, développaient une expertise du domaine, suivaient des cours d'apprentissage automatique et de statistiques et combinaient ces compétences avec leurs connaissances pour avoir un impact considérable.

Je n’ai pas vu beaucoup de gens avec un passé uniquement MOOC venir de l’extérieur d’une entreprise pour y faire de grosses vagues. Je pense que cela a moins à voir avec la qualité de l’éducation qu'avec un manque d’expérience dans le domaine des affaires (ou peut-être des affaires en général).

Alors, que devrais-tu faire?

Eh bien, laissez-moi vous demander ceci. Avez-vous déjà embauché un assistant en ressources humaines qui n’a pas étudié pour obtenir un baccalauréat en ressources humaines? Avez-vous déjà embauché un développeur de logiciels ayant étudié la musique ou un comptable titulaire d'une maîtrise en géographie? Avez-vous déjà embauché un responsable du service clientèle qui n’est pas allé à l’université mais qui a une grande expérience de la vie?

En embauchant uniquement des diplômés en informatique ou en statistique, nous construisons une monoculture. S'appuyant sur les qualifications est la valeur par défaut lorsque vous n'avez aucune idée de ce que la personne va faire. Alors apprends. Et ensuite, jugez les candidats selon les mêmes heuristiques que vous utiliseriez pour n’importe quel autre poste.

Portefeuilles

Le succès de Kaggle est l’échec de la curiosité. Avez-vous une idée du nombre de problèmes de données que je souhaite résoudre à un moment donné? Beaucoup.

Les mondes des affaires, de la science, du sport, des réseaux sociaux, de l'information, de la finance, des ressources naturelles, de la politique, de l'économie et de la médecine sont pleins à craquer de problèmes ouverts. Tout scientifique des données qui n’est pas assez curieux pour extraire, nettoyer, gérer et analyser des données et raconter une histoire sur un problème qui les préoccupe n’est pas celui que vous devriez embaucher.

Si vous demandez à un candidat de décrire un projet récent et que vous ne pouvez pas le convaincre de s’arrêter de parler pendant 15 minutes, louez-le.

Les ensembles de données nettoyés et les objectifs prédéfinis sont un anathème pour le scientifique. Vous devriez demander aux candidats comment ils ont trouvé des problèmes à résoudre. Si la réponse est Kaggle et que vous l’aimez, soyez prêt à toujours nourrir votre nouvel employé avec de nouveaux problèmes.

Vous pensez peut-être que, parce que je soutiens de manière si évidente l’activité scientifique, je vous conseillerais de regarder au-delà des tableaux, des graphiques et des visualisations. Nan. La manière dont les scientifiques de données communiquent leur solution à un problème est l’une des tâches les plus importantes (sinon la plus importante) qu’ils accomplissent dans leur travail.

Regardez les graphiques. Poser des questions. Si vous ne comprenez pas ce que vous regardez avant la fin de l’entretien, n’engagez pas cette personne.

Compétences non techniques

Cela nous amène aux compétences non techniques. Il y a quelques années, les gens soupçonnaient les docteurs d'entrer dans l'industrie. Ils pensaient qu’ils seraient difficiles à gérer, qu’ils risquaient de prendre un risque de fuite. Ils se sont protégés en leur payant beaucoup d'argent et en les laissant surtout s'autogérer.

Maintenant, c’est la valeur par défaut.

Les entreprises de la Silicon Valley se disputent les meilleurs talents en apprentissage automatique et élèvent ainsi des divas. Maintenant, tout le monde fait la même chose.

Les personnes douées sont toujours les plus difficiles à vivre, n'est-ce pas?

Ce n’est évidemment pas vrai.

N'embauchez pas quelqu'un que vous n'aimez pas.

L'intérêt

Pourquoi voulez vous travailler ici? C’est une question que les organisations d’embauche posent tout le temps. Mais si vous embauchez un premier ou un deuxième expert en données, la réponse que vous obtiendrez généralement est de créer une équipe ou de développer une nouvelle technique: l'opportunité nouvelle d'utiliser votre entreprise en bonne santé en tant que hôte pour leur ambition. Comme un virus.

Si la façon dont un candidat voit votre entreprise ne concerne que lui et votre mission, ne les engagez pas. Ils partiront quand la greenfield virera au brun.