Je hebt geen PHD nodig om een ​​datawetenschapper te zijn

In deze speciale gastfunctie geeft hoofd van Data Science Operations, Amy Sharif, van Decision Intelligence-bedrijf Peak, haar mening over hoe het inhuren van een diverse groep teamgenoten van cruciaal belang is, vooral in 2022, wanneer samenwerking, creativiteit en zakelijke slimheid allemaal essentiële componenten zijn van een kwaliteitsdatawetenschapper. Amy heeft digitale transformatieprojecten geleid voor wereldwijde retailmerken, waaronder Nike, Footasylum en Superdry, en heeft AI-aangedreven oplossingen ontwikkeld die commerciële resultaten stimuleren. Gepassioneerd door het toegankelijker maken van STEM-carrières, met name voor vrouwen, was Amy mede-oprichter van Peak’s Data Science Graduate Scheme, dat dit jaar zijn eerste cohort afgestudeerden verwelkomde. Ze leidde ook een mentorprogramma, waarbij haar team van 60 datawetenschappers één-op-één coaching gaf aan MSc-studenten aan de North West University.

De vraag naar datawetenschappers groeit snel en recruiters hebben moeite om gekwalificeerde kandidaten te vinden voor openstaande functies. Wat de vraag oproept, wat maakt een gekwalificeerde kandidaat?

Vrouwen over de hele wereld vormen 55% van de universitair afgestudeerden, maar zijn goed voor slechts een derde van de STEM-graden. Ondanks een sterke stijging van de markt voor datawetenschap, hebben vrouwen ook slechts 18% van de banen in de industrie in de Verenigde Staten. Ondertussen is slechts 7% van de mensen die STEM-graden behalen zwart, en slechts 12% is Spaans.

Met deze ongelijkheid in het spel, is het huidige tekort aan kandidaten niet eenvoudig een kwestie van vraag en aanbod. In mijn ervaring is er op de arbeidsmarkt geen gebrek aan mensen met waardevolle datawetenschapsvaardigheden. Het is eerder zo dat bedrijven gewend zijn om mensen aan te nemen uit een zeer beperkte academische pijplijn.

Het is in ieders belang om de wervingspool te verbreden en kandidaten te diversifiëren. Het is niet alleen essentieel om ervoor te zorgen dat modellen voor machine learning (ML) en kunstmatige intelligentie (AI) die worden gecreëerd eerlijk en representatief zijn, maar ook dat minderheden niet worden uitgesloten van een steeds belangrijker wordende industrie; het Amerikaanse Bureau of Labor Statistics voorspelt dat banen waarvoor datawetenschap vereist is, tot 2026 met 28% zullen stijgen.

Aanwervingscriteria uitbreiden om aan het moment te voldoen

Ik geloof dat rekruteren niet langer alleen om diploma’s gaat. Het gaat veeleer om bedrijven die werknemers moeten evalueren op basis van vaardigheden en de waarde die ze kunnen toevoegen – naast hun technische kennis. Het inhuren van een diverse groep teamgenoten is van cruciaal belang, vooral in 2022, wanneer samenwerking, creativiteit en commercieel begrip allemaal vaardigheden zijn die net zo belangrijk zijn voor datawetenschappers als coderen.

In bedrijven van vandaag is er een groeiende vraag naar AI die de theoretische overtreft: AI die kan worden toegepast in een commerciële omgeving en zakelijk succes kan stimuleren. Om deze reden is het absoluut noodzakelijk dat bedrijven de toegang verbeteren voor kandidaten buiten de STEM-pijplijn voor hoger onderwijs. Er is een toenemende vraag naar datawetenschappers met commerciële knowhow of mensen die goed kunnen samenwerken binnen een organisatie om AI in verschillende branches te implementeren.

Het lijdt geen twijfel dat kennis van bepaalde programmeertalen het basisniveau is voor elke datawetenschapsrol. Hoe smaller de vereisten, hoe smaller en monolithischer de kandidatenpool. Mijn ervaring is dat het uitzenden van de vele soorten en maten van een moderne datawetenschapper het veld toegankelijker maakt voor een breed scala aan kandidaten.

Investeren in een diverse pijplijn

Bedrijven moeten ook de vereisten voor programma’s op instapniveau uitbreiden tot buiten de STEM-graden. Naarmate de commerciële investeringen in AI toenemen en het veld van datawetenschap volwassener wordt, zal er meer aandacht komen voor end-to-outcome, dat wil zeggen het bouwen van modellen die in een bepaalde behoefte voorzien. Datawetenschapsteams zullen moeten overschakelen van een bottom-upbenadering en in plaats daarvan prioriteit moeten geven aan het live brengen van een applicatie en het zo snel mogelijk genereren van waarde, en zich vervolgens moeten concentreren op het herhalen en verbeteren ervan.

Gezien het brede scala aan vaardigheden die een geweldige datawetenschapper maken, kan het inhuren van aangrenzende velden, zoals psychologie, de deur openen voor echt sterke kandidaten. Door de focus in het wervingsproces uit te breiden tot meer dan technische vaardigheden, kunnen werkgevers talent vinden dat kan inspelen op de steeds commerciëlere vaardigheden die in deze rollen nodig zijn.

Uw strategie wijzigen om veerkrachtig en relevant te blijven

Het bouwen van deze trajecten voor divers talent is een essentiële volgende stap, aangezien bedrijven diversiteitsdoelen stellen voor hun personeel. Het verbreden van de wervingspool zorgt alleen voor nieuwe, meer eclectische visies die ervoor zorgen dat alle datawetenschapsmodellen die worden gemaakt eerlijk en representatief zijn voor de bevolking als geheel. Met verschillende achtergronden en meningen, brengen gediversifieerde kandidaten ook verschillende ervaringen en kennis mee die innovatie zullen stimuleren

Bedrijven die hun talentstrategie aanpassen en zich aanpassen aan het veranderende personeelsbestand, zijn degenen die een concurrentievoordeel behouden.

Meld u aan voor de gratis insideBIGDATA-nieuwsbrief.

Volg ons op Twitter: @InsideBigData1 – https://twitter.com/InsideBigData1

Kommentar verfassen

Deine E-Mail-Adresse wird nicht veröffentlicht. Erforderliche Felder sind mit * markiert