Open Close

Τι κάνει ο data scientist/analyst & 25 ερωτήσεις που θα ακούγατε σε μια συνέντευξη επιλογής προσωπικού

Επιστήμη των Δεδομένων: Τι κάνει ο data scientist/analyst & 25 ερωτήσεις που θα ακούγατε σε μια συνέντευξη επιλογής προσωπικού

Δύσκολα κάποιος επιχειρηματίας ή επαγγελματίας θα σας έλεγε πως δε θα εκτιμούσε να έχει δίπλα του κάποιον ειδικό που θα του «μεταφράζει» και θα αξιοποιεί όλα αυτά τα δεδομένα που συγκεντρώνονται από το πελατολόγιο του, από τα social media, από το web, από το CRM και από εκατοντάδες άλλες πήγες που μπορούμε πλέον να συλλέξουμε δεδομένα..

Η επιστήμη των δεδομένων καταλαμβάνει μέρα με τη μέρα ολοένα και μεγαλύτερη αξία σε όλους τους κλάδους της οικονομίας και των επιστημών. Δεν είναι τυχαία η αναφορά πως, «τα δεδομένα είναι το νόμισμα της εποχής μας».

Αυτός είναι και ο λόγος που αξιολογείται και ως ένα δυναμικό επαγγελματικό πεδίο για αποφοίτους τμημάτων στατιστικής και αναλογιστικής, μαθηματικών, επιστήμης υπολογιστών αλλά και κάθε άλλου ενδιαφερομένου που έχει τις γνώσεις και τη διάθεση να εμβαθύνει σε κάποιο από τα πεδία που σχετίζονται είτε με το κομμάτι του E.T.L. (Extract – Load -Transform) είτε με το κομμάτι του D.A.D. (Discover-Access-Distill).

Σε κάθε περίπτωση πάντως, πρόκειται για ένα πεδίο όπου και οι ίδιοι οι επιστήμονες και οι αναλυτές δεδομένων (Data Scientists & Data Analysts), αναφέρουν πως τα τελευταία χρόνια άρχισε να διογκώνεται θεαματικά.

Ποια είναι όμως τα απλά ερωτήματα – αρμοδιότητες που καλείται συνήθως να απαντήσει ένας επαγγελματίας του χώρου. Συγκεντρώνοντας στοιχεία από άρθρο του Vincent Granville, παραθέτουμε ακολούθως ορισμένες ερωτήσεις σε ένα πιθανό job interview που ίσως να άκουγε ένας υποψήφιος για μια σχετική θέση.

  1. Ποιο είναι το μεγαλύτερο σύνολο δεδομένων που επεξεργαστήκατε και πώς το επεξεργαστήκατε, ποια ήταν τα αποτελέσματα;
  2. Πείτε μου δύο ιστορίες επιτυχίας σχετικά με τα αναλυτικά ή επιστημονικά έργα σας;
  3. Τι είναι: lift, KPI και ο κανόνας 80/20;
  4. Τι είναι: συνεργατικό φιλτράρισμα & απόσταση συνημίτονου;
  5. Πώς να βελτιστοποιήσετε ένα web crawler ώστε να εκτελείται πολύ πιο γρήγορα, να εξαγάγετε καλύτερες πληροφορίες και να συνοψίζετε καλύτερα δεδομένα για να παράγετε πληρέστερες βάσεις δεδομένων;
  6. Πρέπει να γίνεται διαχείριση click data σε πραγματικό χρόνο; Γιατί;
  7. Τι είναι καλύτερο: καλά δεδομένα ή καλά μοντέλα;
  8. Είναι ευκολότερο να χειριστείτε με SQL ή άλλες γλώσσες; Ποιες γλώσσες θα επιλέγατε για συνδυασμούς ημι-δομημένων δεδομένων κειμένου;
  9. Πώς χειρίζεστε τα δεδομένα που λείπουν;
  10. Ποια είναι η αγαπημένη σας γλώσσα προγραμματισμού; Γιατί?
  11. Πες μου 3 πράγματα θετικά και 3 πράγματα αρνητικά για το αγαπημένο σου στατιστικό λογισμικό.
  12. Σύγκρινε μου κάποια χαρακτηριστικά της SAS, της Python και της Perl.
  13. Έχετε ασχοληθεί με το σχεδιασμό βάσεων δεδομένων και τη μοντελοποίηση δεδομένων;
  14. Πρόκειται να στείλετε μαζικα χιλιάδες email για μια καμπάνια μάρκετινγκ. Πώς βελτιστοποιείτε την παράδοση;
  15. Πώς θα μετατρέψετε τα μη δομημένα δεδομένα σε δομημένα δεδομένα;
  16. Μπορείτε να πραγματοποιήσετε logistic regression με το Excel;
  17. Είναι καλύτερο να περάσετε 5 ημέρες για να αναπτύξετε μια 90% ακριβή λύση ή 10 ημέρες για 100% ακρίβεια; Εξαρτάται από το πλαίσιο;
  18. Τι είναι η sensitivity analysis;
  19. Τι είναι η ανάλυση των βασικών αιτίων (root cause analysis); Δώστε παραδείγματα.
  20. Πώς θα ορίζατε και θα μετρούσατε την προγνωστική ισχύ μιας μέτρησης;
  21. Δώστε μερικά παραδείγματα “βέλτιστων πρακτικών” στην επιστήμη των δεδομένων.
  22. Έχετε εμπειρία με τη χρήση API;
  23. Πότε είναι καλύτερο να γράψετε τον δικό σας κώδικα παρά να χρησιμοποιήσετε ένα πακέτο λογισμικού επιστήμης δεδομένων;
  24. Τι είναι το POC;
  25. Πώς να εντοπίσετε ψευδείς κριτικές ή ψευδείς λογαριασμούς Facebook που χρησιμοποιούνται για κακούς σκοπούς;

Αξίζει να σημειωθεί πως τα τελευταία χρόνια, σε προπτυχιακό και σε μεταπτυχιακό επίπεδο, αρκετά είναι τα ΑΕΙ που προφέρουν προγράμματα σπουδών στην επιστήμη των δεδομένων αλλά εξίσου αξιόλογα προγράμματα επαγγελματικής εκπαίδευσης προσφέρονται και από διάφορους οργανισμούς και φορείς.

Η επιστήμη των δεδομένων μπορεί να αποτελέσει την αφορμή για να ακολουθήσει μια εντελώς διαφορετική καριέρα, με θετικές προοπτικές επαγγελματικής ανέλιξης, ένας απόφοιτος ακόμη και παραδοσιακών προγραμμάτων σπουδών, όπως π.χ. το μαθηματικό. Μάλιστα μελλοντικά αναμένεται και ενός Ελλάδος να δημιουργηθούν ακόμη περισσότερες θέσεις εργασίας, Το ζητούμενο είναι πόσοι θα αντιληφθούν τη σπουδαιότητα της και θα εφοδιαστούν με τις απαραίτητες γνώσεις για να έχουν και τα τυπικά προσόντα που θα τους βοηθήσουν να στελεχώσουν αυτές τις θέσεις.

Σύνταξη: EMPLOY EDU ΣΥΜΒΟΥΛΟΙ ΕΚΠΑΙΔΕΥΣΗΣ & ΣΤΑΔΙΟΔΡΟΜΙΑΣ | www.employ.edu.gr

Comments are closed.