How to Prevent or Deal with a Data Science Role or Title Mismatch

eugeneyan

Начало Статьи Выступления Прототипы Обо мне

Как предотвратить или решить проблему несоответствия роли или должности в Data Science

[ datascience career ] · 8 мин. чтения

Ранее мы обсуждали различные роли в Data Science (data scientist, applied scientist, research scientist, machine learning engineer) и читали о дата-сайентисте, который обнаружил, что занимается в основном рутинной работой с SQL, далёкой от настоящей Data Science.

Возможно, вы сейчас думаете: как не попасть на позицию, которая окажется не тем, чего мы ожидали? А если мы уже в такой ситуации — что делать?

Как не попасть на неподходящую позицию

Первая линия защиты — внимательно читать описание вакансии. Не зацикливайтесь только на названии должности! В этом (немного устаревшем) исследовании учёные выяснили, что соискатели в основном обращают внимание на название должности и компанию, игнорируя другую информацию, такую как требования к позиции. Стоит уделить время изучению требований и круга обязанностей. В большинстве случаев нанимающие менеджеры и рекрутеры стараются адаптировать описание под конкретную роль.

Если вы дошли до собеседования, задавайте правильные вопросы. Собеседование — это в равной степени и ваша оценка компании, и их оценка вас. Вот несколько полезных вопросов, чтобы разобраться в роли:

Как выглядит мой обычный рабочий день: Это поможет понять реальные задачи, которыми вы будете заниматься Какой технологический стек я буду использовать чаще всего: Если вы ожидали Python и библиотеки глубокого обучения (например, PyTorch), а реальная работа больше связана с SQL, дашбордами и scikit-learn, возможно, стоит скорректировать ожидания или идти дальше. Какие навыки нужны для успеха на этой позиции: Если вы рассчитывали направлять решения через аналитику и сторителлинг, а на деле нужны навыки разработки ПО и devops для вывода моделей в продакшен, это может быть не то, что вам подходит Каковы ожидаемые результаты моей работы: Проверьте, совпадает ли это с вашим представлением о балансе между написанием кода, подготовкой документов, проведением презентаций и т. д.

Подробнее о целях, навыках, инструментах и результатах работы для различных ролей — здесь.

Если вы достаточно уверены в выборе роли (и, возможно, уже получили оффер), свяжитесь с будущими коллегами, с которыми вы познакомились в процессе собеседований, чтобы узнать больше. Или найдите их в LinkedIn. Помимо вопросов выше, спросите о культуре компании и вашем будущем руководителе. Обычно коллеги не так заинтересованы в том, чтобы «продать» вам позицию, и склонны давать более объективную информацию.

Также можно почитать отзывы на таких сайтах, как Glassdoor. Это особенно полезно для организаций с единой централизованной командой по работе с данными. Тем не менее, имейте в виду, что в крупных организациях с несколькими командами по работе с данными каждая команда может быть устроена по-разному и иметь свою культуру. Руководствуйтесь здравым смыслом и относитесь к отзывам с долей скептицизма.

А что, если роль правильная, но название должности — нет?

Например, вы можете строить модели машинного обучения, выводить их в продакшен и заниматься инженерными и devops-задачами. Однако ваша должность — data scientist, тогда как коллеги (в других компаниях) имеют должности вроде applied scientist или machine learning engineer.

В зависимости от того, как вы определяете роль data scientist, ваша должность может не отражать реальную работу. Но я думаю, это не так уж страшно. По крайней мере, вы на правильной стороне проблемы — это гораздо лучше, чем иметь правильное название должности, но заниматься не тем (как этот парень).

Не позволяйте названию должности определять вас. (Как и работе в целом, если уж на то пошло.) Если вы занимаетесь правильными вещами и растёте в направлении своих амбиций, просто продолжайте — именно это важно. На собеседованиях людей интересует то, что вы делали и что умеете, а не ваша должность.

Интернету всё равно, какая у вас должность.— Naval (@naval) 9 ноября 2020

А что, если я оказался на неподходящей позиции?

Например, вы пришли в команду, рассчитывая создавать и внедрять ML-модели. Вместо этого большую часть времени вы занимаетесь базовыми задачами дата-инженерии и подготовкой аналитики для бизнес-решений.

Прежде всего, оцените — ситуация временная или постоянная. Если вы пришли в стартап с зарождающимися data-возможностями, начальная работа по дата-инженерии и ad hoc аналитике может быть неизбежной (и, надеемся, временной). С другой стороны, если вы устроились в Facebook как (не-core) data scientist, основная работа по извлечению данных, анализу и статистике, скорее всего, будет постоянной.

Если ситуация временная, я считаю, что правильнее принять её и наслаждаться процессом. Эй, по крайней мере мы работаем с данными! Это также выводит нас за пределы зоны комфорта, на задачи, которыми мы обычно не занимаемся (например, дата-инженерия, инфраструктура) — отличная возможность для обучения. (Ситуация могла быть куда хуже: представьте, что вас заманили в компанию, у которой нет данных…)

Одновременно с этим договоритесь с руководителем о выделении времени на 20%-проект или исследовательскую задачу. Проект должен соответствовать потребностям организации и вашим амбициям. Такие проекты могут напрямую улучшать выручку, затраты или клиентский опыт, либо развивать возможности команды (например, внутренняя библиотека для быстрого экспериментирования). Если проект окажется успешным, вы можете возглавить новое направление и получить возможность написать идеальное описание своей должности.

А что, если возможностей для таких проектов нет вообще? Что ж, это ещё не конец. Большинство из нас работает 40–50 часов в неделю; остаётся достаточно личного времени для самообучения и проектов. А публичные данные широко доступны. Личные проекты — отличный способ освоить новые методы и получить практический опыт. К тому же таким кодом проще делиться и писать о своём процессе, что станет солидным дополнением к портфолио.

Кэтфишинг — это намеренное представление ложной или вводящей в заблуждение информации с целью обмана. Изначально это понятие относилось к социальным сетям, но подобное может происходить и в процессе найма, когда рекрутер или нанимающий менеджер представляет реальную роль в искажённом виде.

Если вы оказались в такой ситуации, что делать? Прежде всего, сохраняйте спокойствие. Возможно, это просто недоразумение из-за неорганизованности HR и/или нанимающего менеджера. К тому же вы можете не получить полную картину за первые несколько дней работы, особенно если работаете удалённо.

Как можно скорее найдите время поговорить с руководителем, чтобы синхронизировать ожидания. Соответствовали ли обещания на этапе найма действительности? Поговорите с коллегами (если они есть), чтобы узнать больше о роли. Дайте себе время разобраться в ситуации.

Когда у вас будет достаточно информации, решите, можно ли исправить ситуацию. Если она временная и всё остальное вас устраивает, дайте ей время разрешиться. Однако если вы понимаете, что не можете с этим смириться и нужно двигаться дальше, попробуйте связаться с компаниями, от которых вы получали другие предложения, и объяснить ситуацию. С некоторой долей удачи вы сможете принять предыдущий оффер.

А что, если я меняю работу (та же роль), но получаю менее престижную должность?

Это похоже на ситуацию «правильная роль, неправильное название должности». Менее престижная должность может ударить по самолюбию. Тем не менее постарайтесь преодолеть это и сосредоточиться на обучении и результатах на новой работе. Пусть ваш рост, работа и достижения говорят за вас — не используйте название должности как костыль.

В зависимости от новой компании, вы можете попробовать обсудить название должности с руководителем и HR. Успех во многом зависит от существующей организационной структуры. Если название достаточно стандартное (например, data scientist) и у нескольких других сотрудников такая же должность, продвинуть изменение может быть сложно. (Нанимающему менеджеру придётся объяснять разницу в должностях существующим членам команды или переименовывать всех.) Но если роль достаточно новая и HR гибко подходит к этому вопросу, изменение названия должности вполне возможно.

Если вам нужно ссылаться на свои академические регалии или название должности, чтобы люди верили тому, что вы говорите, значит, вам нужны более сильные аргументы. — Neil deGrasse Tyson

Профилактика лучше лечения

Проведите тщательную проверку перед тем, как принять предложение о работе — это лучший способ предотвратить несоответствие роли или должности. Задавайте правильные вопросы, связывайтесь с будущими коллегами, читайте отзывы о работе.

Если вы оказались на неподходящей позиции, оцените, временная ли это ситуация и насколько она в вашей власти. Сосредоточьтесь на том, что вы можете контролировать (так полезнее для психики). Измените свой подход, ищите возможности для 20%-проектов, занимайтесь самообучением и проектами в свободное время.

В целом, если вы делаете значимую работу с высоким импактом, много учитесь и работаете с отличными коллегами — не позволяйте названию должности тянуть вас вниз. Это всего лишь название — ваши компетенции, результаты и удовлетворённость работой важнее.

На прошлой неделе мы обсуждали роли в Data Science и ML. На этой неделе обсуждаем:• Как не попасть на неподходящую позицию• Что делать, если роль правильная, но должность — нет• Что делать, если роль неподходящая• Что делать, если меняешь работу, но получаешь «менее престижную» должность https://t.co/lporgUPN8j— Eugene Yan (@eugeneyan) 18 ноября 2020

Благодарности: спасибо Yang Xinyi за вычитку черновиков.

Если этот материал оказался для вас полезен, пожалуйста, цитируйте его так:

Yan, Ziyou. (Nov 2020). How to Prevent or Deal with a Data Science Role or Title Mismatch. eugeneyan.com. https://eugeneyan.com/writing/role-title-mismatch/.

или

@article{yan2020mismatch, title = {How to Prevent or Deal with a Data Science Role or Title Mismatch}, author = {Yan, Ziyou}, journal = {eugeneyan.com}, year = {2020}, month = {Nov}, url = {https://eugeneyan.com/writing/role-title-mismatch/} }

Присоединяйтесь к 11 800+ читателям, получающим обновления о машинном обучении, рекомендательных системах, LLM и инженерии.