Imparare a diventare un data scientist professionista ora è diverso, ma non è impossibile
L’articolo di oggi riguarda in parte la scienza dei dati, ma anche la sociologia del lavoro. In qualità di professionista senior nel settore, ho iniziato la mia carriera nella scienza dei dati molto prima che il Covid-19 si sviluppasse e si sviluppasse il cambiamento radicale nel modo in cui lavoriamo oggi. Ho iniziato la mia carriera professionale anni prima. Di conseguenza, i miei anni di apprendimento su come essere un professionista, per non parlare di un data scientist professionista, sono stati trascorsi a stretto contatto con persone molto più esperte e in molti modi ciò mi ha permesso di arrivare dove sono. Il mio sviluppo in uno scienziato dei dati non ha riguardato solo corsi e studio, si è trattato di imparare come essere uno scienziato dei dati in tutti i modi, molti dei quali sono stati sottilmente assorbiti dalla vicinanza di altri scienziati dei dati e dallo svolgimento del lavoro.
È importante riconoscere che il lavoro non riguarda solo ciò che diamo ai nostri datori di lavoro, anche sotto il capitalismo. Riguarda anche ciò che otteniamo in cambio, e non solo in termini monetari. I luoghi di lavoro e i posti di lavoro hanno molti impatti sociali e culturali su di noi, oltre alla semplice riscossione di uno stipendio. In particolare, sviluppiamo le nostre identità sociali attraverso le professioni e impariamo come incarnare tali identità vedendo come le altre persone le mettono in atto.
Sviluppiamo le nostre identità sociali attraverso le professioni e impariamo come incarnare tali identità vedendo come le altre persone le mettono in atto.
Il punto che voglio sottolineare è che trasformare giovani intelligenti ma inesperti in data scientist professionisti non è tanto una questione di abilità matematiche, ma piuttosto di norme sociali, sviluppo di reti e adattamento al contesto del nostro lavoro. Molti di questi elementi sono difficili da acquisire anche nel migliore dei casi, e ora ci troviamo in una situazione in cui il lavoro remoto e ibrido ci richiederà di trovare nuovi modi per far funzionare questa trasmissione di informazioni e cultura.
(Molto di ciò di cui parlerò può essere rilevante per molti tipi di lavoro, ma sono particolarmente interessato alle esperienze dei giovani data scientist qui.)
Analizziamo alcune di queste cose che acquisiamo dal lavoro che ci consentono di diventare partecipanti a pieno titolo nella nostra professione.
Sviluppiamo norme culturali e sociali dal lavoro, osservando il comportamento degli altri, in particolare di quelli al di sopra di noi nella gerarchia. Il gergo aziendale, le norme sull’abbigliamento e le formalità sociali, ad esempio, possono svilupparsi attraverso l’apprendimento per lo più indiretto sul posto di lavoro. In alcuni luoghi di lavoro, in particolare quelli dei colletti bianchi, queste norme rappresentano strumenti per costruire capitale sociale e persino mobilità di classe. Nella scienza dei dati, esistono alcune norme generalizzabili in tutto il campo o all’interno dei diversi settori in cui operano i data scientist. Ad esempio, nella scienza dei dati tecnologici, l’abbigliamento casual è certamente la norma. Esistono anche standard non detti su come interagisci con il tuo capo e con gli altri dirigenti, compreso il modo in cui comunichi su argomenti tecnici. Esistono anche tantissime norme su come essere un professionista in generale: come gestire i viaggi di lavoro, interagire con i clienti e così via. Queste abilità sono tutte essenziali per il successo professionale prima o poi, ma secondo la mia esperienza sono cose che si imparano principalmente attraverso l’osservazione e l’osmosi.
Acquisiamo competenze tangibili anche sul posto di lavoro, poiché quasi tutti devono imparare qualcosa per avere successo in un nuovo lavoro. Nel mio caso, entrando nella scienza dei dati dopo alcuni anni nel mondo accademico, avevo molto da imparare su come prendere ciò che sapevo sulla scienza dei dati e sull’apprendimento automatico e applicarlo a problemi aziendali, piuttosto che a quelli accademici. Ho appreso nuovi algoritmi, migliori pratiche di codifica e molte altre competenze dai colleghi nei lavori di scienza dei dati che ho svolto, in particolare il mio primo. Non si trattava affatto di formazione formale: una parte significativa era apprendimento passivo osservando e assorbendo il modo in cui altre persone più esperte e di successo facevano le cose. In relazione a ciò, apprendiamo le nostre “incognite sconosciute”. Tutti abbiamo dei punti ciechi, soprattutto all’inizio, e non ci rendiamo conto che ci manca un pezzo del puzzle o un approccio che potrebbe essere utile, finché non ci viene fatta notare quell’assenza. Osservare i colleghi che utilizzano un’abilità che non sapevi esistesse può aprirti la porta per sviluppare tu stesso quell’abilità.
Oltre a ciò, c’è un elemento più astratto ma comunque importante di cameratismo e creazione di reti fornito dai luoghi di lavoro. Idealmente, quando entri in un team o in un’azienda, sviluppi relazioni con le altre persone coinvolte e queste connessioni sono il collante di una rete professionale che può aiutare la tua carriera a svilupparsi in futuro. Se non crei questi collegamenti, sarai svantaggiato non solo nel tuo lavoro attuale, ma lungo il percorso. Per quanto mi riguarda, sono incredibilmente fortunato ad avere una forte rete professionale sviluppata attraverso la collegialità che è stata determinante per il mio successo professionale. I data scientist sono persone fantastiche e ci aiutiamo a vicenda a trovare opportunità e creare connessioni, ma è necessario un modo per entrare in quelle reti quando si entra nella professione. Spesso questo è reso più semplice dalla presenza di colleghi più esperti che faranno le presentazioni e garantiranno in modo informale per te.
Il processo di creazione di un nuovo data scientist implica con successo l’acquisizione di tutti questi componenti in qualche modo (e probabilmente anche di altri, a seconda della situazione). Ma, come ho già detto, il contesto fisico del lavoro è cambiato molto (e in meglio, credo) da quando ho iniziato la mia carriera. Come possiamo portare nuovi professionisti sul campo in questo nuovo mondo?
Per come la vedo io, ci sono davvero quattro modi di lavorare per i colletti bianchi come quelli di noi che lavorano oggi nella scienza dei dati/apprendimento automatico.
- 100% in ufficio di persona, senza che nessuno lavori da remoto
- Ibrido: lavoro in parte o prevalentemente da remoto con facetime intenzionale e mirato
- Ibrido: lavoro in parte o prevalentemente da remoto con facetime sciatto e casuale
- Lavoro completamente remoto con zero FaceTime
Come hanno sostenuto molti esperti, qualcosa nello spazio ibrido è probabilmente ciò che la maggior parte di noi scienziati dei dati avrà nei prossimi mesi e anni, se non l’abbiamo già fatto. Il lavoro completamente in ufficio non tornerà per la maggior parte di noi, perché abbiamo acquisito un gusto per l’autonomia e la flessibilità del lavoro a distanza e ci siamo resi conto di quanto questo rappresenti un miglioramento per la nostra qualità di vita. I data scientist hanno competenze sufficientemente richieste da poter ottenere questa flessibilità nei ruoli se lo desideriamo.
È importante dedicare del tempo a chiarire le ambiguità del significato di “ibrido”. Andare in qualche parco di uffici o in centro tre giorni alla settimana non è l’unico modo di lavorare dove le persone a volte si vedono di persona e altre volte no, ed è frustrante vedere quanto sia sorda la conversazione su questo argomento. Considererei la maggior parte delle concezioni di lavoro ibrido come “un po’ o per lo più di lavoro a distanza con un facetime sciatto e casuale”. Questo perché stanno cercando di creare ibridi sul modello dei luoghi di lavoro pre-Covid. È una questione di avere una comprensione molto scarsa di ciò che vogliamo che sia il lavoro e di quali siano i compromessi utili.
Trascorrere del tempo in un ufficio per lo più vuoto con una manciata di persone che conosci a malapena e con cui interagisci a malapena è un pessimo modo per un data scientist junior di ottenere i benefici che ho descritto sopra, sempre che vengano raggiunti. E i compromessi per loro, per le loro famiglie e per la comunità sono enormi. Il pendolarismo è terribile per la nostra salute individuale, il nostro benessere sociale e la nostra salute ambientale, per non parlare dello spreco di tempo prezioso che potremmo spendere in modi produttivi. Se abbiamo intenzione di trascorrere del tempo viaggiando verso un luogo di lavoro, è meglio che ne valga la pena.
Il pendolarismo è terribile per la nostra salute individuale, il nostro benessere sociale e la nostra salute ambientale, per non parlare dello spreco di tempo prezioso che potremmo spendere in modi produttivi.
Qual è l’alternativa? Sono un grande fan del “lavoro a distanza, in parte o per lo più, con facetime intenzionale e mirato”. Un esempio di ciò potrebbe essere il lavoro quotidiano a distanza con una frequenza trimestrale in sede, in cui le persone si recano in un luogo centrale (non solo in un ufficio regionale o locale) e svolgono attività come la pianificazione strategica, il lavoro collaborativo, trascorrono un po’ di tempo socialmente, e imparare gli uni dagli altri. Ci sono una miriade di altre possibilità su come dividere questo tempo, ma il punto è che si tratta di affrontare il tempo con uno scopo ed è progettato per raggiungere quello scopo.
Cose che possono essere vere per un lavoro ibrido efficace:
- potrebbe non essere più economico del lavoro a distanza O completamente in ufficio
- richiederà riflessione e pianificazione per avere successo
Per i data scientist esperti che lavorano sul campo da anni, il lavoro completamente remoto potrebbe andare bene. Siamo entrati nelle reti, imparato le norme sociali e acquisito competenze (e, soprattutto, canali per aggiornare le nostre competenze) che non richiedono un tempo speciale in presenza. Direi, tuttavia, che abbiamo la responsabilità di dare una mano a coloro che verranno dopo di noi e che trascorrere del tempo propositivo di persona con i colleghi più giovani rappresenta un atto di restituzione e vale la pena.
Non prescriverò esattamente come dovrebbe essere strutturato il tempo intenzionale, perché ogni azienda e organizzazione non è la stessa e non esiste una soluzione unica per tutti. Tuttavia, ho alcuni suggerimenti per gli obiettivi specifici che ho descritto sopra.
- Norme: È meglio trasmettere norme e cultura in modo intenzionale. Non sperare solo che il tuo personale junior capisca immediatamente come funzionano le aspettative interpersonali. Forse non avremmo dovuto spiegare queste cose quando tutti trascorrevano più di 40 ore a settimana fianco a fianco, ma le cose potrebbero essere cambiate. Sii più esplicito di quanto pensi di dover essere. Parte dell’assorbimento passivo di queste norme avverrà anche durante il faccia a faccia intenzionale.
- Competenze: Le competenze chiave della scienza dei dati sono descritte in modi diversi a seconda della persona a cui chiedi, ma di solito implicano un mix di codifica, statistica e apprendimento automatico, senso degli affari e comunicazione. Queste sono tutte cose che sviluppiamo e miglioriamo svolgendo il lavoro, ma acquisiamo queste competenze anche osservando come gli altri svolgono il lavoro. Creando opportunità di lavoro collaborativo durante il tuo tempo in presenza e non concentrandoti solo su riunioni noiose, puoi favorire questa trasmissione di competenze.
- Reti: Onestamente penso che costruire reti possa essere la cosa più difficile da fare con i data scientist che lavorano a distanza, perché molto spesso svolgiamo il nostro lavoro quotidiano da soli. Anche se in team si effettuano revisioni di modelli e codici e si può entrare in contatto durante stand up, riunioni e hackathon, gran parte dello sviluppo della rete nei luoghi di lavoro pre-Covid deriva dalla socializzazione periferica. Le chiacchierate davanti alla macchina del caffè sono un cliché, ma in realtà offrono ai colleghi l’opportunità di acquisire maggiore familiarità. Ecco perché il lavoro ibrido Face Time sciatto e casuale è completamente diverso dal Face Time mirato: avere interazioni per scopi sociali durante questi siti designati può contribuire notevolmente allo sviluppo di reti forti.
Sembra che molti datori di lavoro non siano sicuri di come assumere data scientist entry level e trasformarli in professionisti esperti in questo nuovo mondo del lavoro, quindi per impostazione predefinita cercano di assumere più persone senior di quanto il loro lavoro richieda realmente. Anche se questo crea maggiori opportunità e richieste per persone al mio livello, non è positivo per il settore nel suo insieme. Abbiamo bisogno di nuovi operatori nella disciplina, che portino idee e creatività, e dobbiamo dare loro gli strumenti per crescere e avere successo, anche se non siamo più nello stesso ufficio tutto il giorno come una volta.
Dobbiamo avere nuovi operatori nella disciplina, che portino idee e creatività, e dobbiamo dare loro gli strumenti per crescere e avere successo.
Il nostro compito come membri affermati della professione della scienza dei dati è in primo luogo riconoscere che le cose ora sono diverse, e va bene. Non possiamo desiderare di tornare in un mondo lavorativo diverso, e non vorrei. La flessibilità nel lavoro rende migliori le nostre vite e le nostre comunità. Dobbiamo solo impegnarci per identificare ciò che è importante e capire come possiamo raggiungere questi obiettivi in questo nuovo ambiente.
Vedi di più del mio lavoro su www.stephaniekirmer.com.
Fonte: towardsdatascience.com
