作者图片
我认识一个非常了不起的编码员。他为了职业转型学习了 Python，然后迅速掌握了 JavaScript、Go、SQL 以及其他几种语言，仅仅是为了好玩。而且他确实很优秀，不仅仅是那些在简历上列出语言却没有任何数据科学技能的那种人。
1. 谷歌网络安全证书 - 快速进入网络安全职业领域。
2. 谷歌数据分析专业证书 - 提升你的数据分析技能
3. 谷歌 IT 支持专业证书 - 支持你的组织 IT
但他在找工作时遇到了困难。我几周前和他见过一次面，他的经历激发了这篇文章。为了不对他造成太大冒犯，我提到了他上一次面试的情况。他有些迟到，之后没有发感谢邮件，虽然他在所有编码问题上表现出色，但在白板问题上，他只是一味地给出完美的答案，没有进一步参与讨论。
“Kev，”我对他说，“你的编码能力好得令人难以置信。任何公司都很幸运能拥有你作为数据科学家。但你需要提升你的软技能。”
这是我为每个数据科学家推荐的四项关键软技能，无论你是想进入这个领域、在职业上进步，还是只是为了做得更好。
作者图片
每个人都认为这意味着知道如何说话。事实正好相反：良好的沟通能力完全是关于如何倾听，特别是在数据科学领域。
想象一下这样的情景：一个利益相关者，也许是市场营销副总裁，来找你询问她想要进行的一个活动。她对这个活动充满兴奋，脑海中有一个愿景，但她不确定如何衡量其影响或需要哪些数据。在你立刻深入讨论如何提取数据或使用什么模型之前，你首先要倾听。你让她解释她的目标、担忧以及她希望通过这个活动实现的目标。
通过积极倾听，你可以理解她请求的更广泛背景。也许她不仅仅在寻找简单的分析，而是想了解客户行为或以她未曾考虑的方式细分受众。通过先倾听，你可以提供一个量身定制的解决方案，而不仅仅是最初的任务。
沟通在数据科学中至关重要。你不会整天在黑暗的地下室里敲代码；你会接收请求，准备演示文稿并与人打交道。正如在 数据分析师技能 中提到的，你必须知道如何沟通才能成功。
StackOverflow 2023 开发者调查实际上是适应能力的一个很好的例子。作者首次引入了 AI 部分，显示了对不断变化的开发环境的显著适应能力。
AI 只是一个例子。数据科学很好地展示了那个老生常谈的说法：唯一不变的就是变化。要成为成功的数据科学家，你需要准备好迎接挑战。
这可以意味着许多不同的事情。最明显的应用是能够轻松学习新技术。云技术是新的。AI 是新的。FastAPI 是新的。你需要跟上所有这些。
另一个应用是跟上就业趋势。最近的趋势不仅仅是传统意义上的数据科学家；许多雇主期望你身兼多职。你还必须成为数据工程师、机器学习工程师，有时甚至是领域专家。这些角色之间的界限越来越模糊，现代数据科学家常常发现自己在处理曾经分开角色的任务。
你也可以将其理解为理解和整合反馈。作为数据科学家，我们经常基于某些假设或数据集构建模型或解决方案。但它们并不总是按预期工作。适应能力意味着在接受这些反馈的同时，迭代你的模型，并根据实际结果改进它们。
可能最糟糕但最重要的应用是适应被解雇或裁员。2021 年和 2022 年是劳动市场异常的年份，许多大公司在几乎没有警告的情况下裁员。预见到这种可能性并做好准备是一个好主意。
作者提供的图片
还记得我提到的沟通吗？团队合作与协作也属于同一范畴。作为数据科学家，你不仅仅与其他数据科学家合作。每个人都喜欢基于数据的任何东西，因此你将接收到各种请求，要求你制作 PowerPoint 演示文稿、报告和图表。
要成功做到这一点，你必须与他人友好合作。数据科学项目通常涉及与跨职能团队的合作，包括业务分析师、工程师和产品经理。有效的合作确保数据科学解决方案与业务目标一致。
例如，在我之前的一个角色中，产品团队希望在我们的应用中引入一个新功能。显然，需要数据来支持他们的决定。他们向我和其他数据科学团队寻求关于类似功能的用户行为见解。
与此同时，营销团队希望了解这个新功能如何影响用户参与度和留存率。与此同时，工程团队需要理解技术需求以及数据管道会受到什么影响。
我们的团队在其中变得至关重要。我们必须从产品团队那里收集需求，向营销团队提供见解，并与工程团队合作，以确保数据流畅。这不仅需要技术专长，还需要理解每个团队的需求，有效沟通——有时还要在冲突的利益之间进行调解。
我选择回避这个问题，不提解决问题作为终极软技能，因为我认为它被过度使用。但说实话，好奇心与此相同。
作为数据科学家，我可能不需要告诉你，你会遇到很多问题。但从根本上讲，每个问题实际上都是一个问题。
“我们的用户没有转化”，变成了“我们如何使这个产品更具吸引力？”
“我的模型没有给出准确的预测”，变成了“我可以改变什么来使我的模型更现实？”
“我们的销售在上个季度下滑了”，变成了“是什么因素影响了这种下降，我们如何解决这些问题？”
当以好奇的心态去处理这些问题时，每个问题都会转化为一个寻求理解和改进的问题。好奇心驱使你深入挖掘，不仅仅接受表面现象，并不断寻求更好的解决方案。
Kevin，从我的介绍来看，总体上是一个好奇心强的人。但不知为何，当涉及到数据科学时，他却带着盲目性。每个问题都成了必须用代码锤子解决的钉子。现实是，数据科学工作很难以这种方式完成。
他给了我一个他最近在面试中被问到的例子：“客户支持团队一直收到关于网站结账过程的投诉。你会如何解决这个问题？”
Kevin 详细讲述了他将如何修复技术故障。但面试官真正想要的答案是像“为什么用户觉得结账过程很麻烦？”这样的问题。
在现实世界中，数据科学家需要提出问题以解决问题。可能某个地区的用户由于本地支付网关的集成而面临问题。或者可能是移动版本的网站不够用户友好，导致购物车放弃。
通过将问题框架化为一个问题，数据科学家不仅仅停留在识别问题上；他们深入探讨背后的“为什么”。这种方法不仅会导致更有效的解决方案，还会揭示出可以推动战略决策的更深层次的见解。
这里没有提到很多软技能，如同理心、韧性、时间管理和批判性思维等等。但如果你仔细想想，它们都属于这些范畴。
与人沟通。知道如何改变。能够与他人合作。并以好奇心解决问题。凭借这四项软技能，你将能够应对任何问题、面试或出现的 bug。
Nate Rosidi 是一名数据科学家，专注于产品策略。他也是一名兼职教授，教授分析课程，并且是 StrataScratch 的创始人，StrataScratch 是一个帮助数据科学家准备面试的平台，提供来自顶级公司的真实面试问题。Nate 撰写有关职业市场的最新趋势，提供面试建议，分享数据科学项目，并涵盖所有 SQL 内容。