Tùy Chỉnh Chế Độ Xem
Cài đặt chỉ áp dụng cho trình duyệt này
Chế độ ánh sáng màn hình
  • Giao diện sáng
  • Giao diện tối
  • Giao diện mặc định

Tại Sao Có Quá Nhiều Nhà Khoa Học Dữ Liệu Bỏ Việc?

tai-sao-co-qua-nhieu-nha-khoa-hoc-du-bo-viec


Sau khi nói chuyện với các đồng nghiệp trong ngành dữ liệu, những người giống như tôi, đã rời bỏ công việc của họ ở giai đoạn rất sớm trong sự nghiệp của họ, tôi nhận ra rằng có hai lý do chính khiến lĩnh vực khoa học dữ liệu có tỷ lệ sa thải nhân viên cao như vậy.

Khi tôi mới bắt đầu học về khoa học dữ liệu, tôi cho rằng việc tìm được một công việc trong lĩnh vực này có nghĩa là phần khó khăn đã kết thúc. Tuy nhiên, sau một vài năm làm việc trong ngành, tôi nhận ra rằng mình không thể sai lầm hơn thế nữa.

Nhiều nhà khoa học dữ liệu mà tôi biết đã rời bỏ công việc của họ chỉ vài tháng sau khi nhận được vị trí này. Tôi đã bỏ công việc thực tập về khoa học dữ liệu một tuần sau khi tham gia, vì tôi cảm thấy như thể những nhiệm vụ mà tôi được giao không liên quan gì đến tất cả các kỹ năng mà tôi đã dày công học hỏi.

Sau khi nói chuyện với các đồng nghiệp trong ngành dữ liệu, những người giống như tôi, đã rời bỏ công việc của họ ở giai đoạn rất sớm trong sự nghiệp của họ, tôi nhận ra rằng có hai lý do chính khiến lĩnh vực khoa học dữ liệu có tỷ lệ sa thải nhân viên cao như vậy :

Lý do 1: Kỳ vọng của nhà tuyển dụng không phù hợp

Hãy tưởng tượng điều này:

Bạn dành hàng nghìn giờ để học số liệu thống kê và sắc thái của các thuật toán máy học khác nhau. Sau đó, bạn nộp đơn vào hàng tá danh sách công việc khoa học dữ liệu khác nhau, trải qua các quy trình phỏng vấn rộng rãi và cuối cùng được một tổ chức cỡ trung bình tuyển dụng. 

Bạn rất hào hứng khi cuối cùng cũng bắt đầu giải quyết các vấn đề về máy học trong thế giới thực và áp dụng tất cả các kỹ năng bạn đã có được trong nhiều năm vào thực tế. Tuy nhiên, vào ngày đầu tiên đi làm, bạn nhận ra rằng công ty có một lượng lớn dữ liệu phi cấu trúc nhập vào hệ thống chưa được định dạng hoặc xử lý theo bất kỳ cách nào.

Chủ nhân của bạn coi bạn là “anh chàng dữ liệu” và giao cho bạn trách nhiệm giúp anh ta tăng doanh số bán hàng với sự trợ giúp của một lượng lớn dữ liệu họ đang thu thập hàng ngày.

Vào cuối ngày, bạn không còn xây dựng các thuật toán và mô hình dự đoán phức tạp như bạn tưởng tượng nữa. Giờ đây, bạn dành toàn bộ thời gian để trau dồi kỹ năng chuẩn bị dữ liệu và SQL để lấy dữ liệu ra khỏi hệ thống thành các định dạng khác nhau và trình bày dữ liệu này cho các bên liên quan để họ có thể sử dụng dữ liệu đó để đưa ra các quyết định kinh doanh.

Mặc dù chức danh công việc của bạn có từ “khoa học dữ liệu” trong đó, nhưng bạn không ở trong vai trò mà bạn luôn hình dung về mình. Bạn không hài lòng khi là người thu dọn dữ liệu của công ty và muốn làm việc trong các dự án sẽ thực sự sử dụng dữ liệu của công ty. những kỹ năng mà bạn đã bỏ ra quá lâu để đạt được. 

Cuối cùng, bạn chỉ còn hai lựa chọn - ở lại công ty trong vài năm và tiếp tục thực hiện những nhiệm vụ mà bạn không thích, hoặc rời đi và tìm một tổ chức có các dự án phù hợp hơn với mục tiêu của bạn.

Đây là vấn đề:

Kịch bản trên nghe có vẻ khó xảy ra với bạn, nhưng đó là một trong những phàn nàn lớn nhất mà tôi từng nghe từ các nhà khoa học dữ liệu xung quanh mình. Nhiều người trong số họ có những kỳ vọng rất khác nhau về phạm vi công việc của họ, nhưng cuối cùng lại thực hiện các nhiệm vụ phân tích và báo cáo dữ liệu hàng ngày.

Sau khi làm việc trong các công ty như thế này một thời gian, nhiều nhà khoa học dữ liệu cuối cùng đã đánh mất các kỹ năng học máy của mình, vì họ đã không làm việc với các dự án ML trong thế giới thực trong nhiều năm. 

Khi tìm kiếm một công việc khác, họ không thể nộp đơn vào danh sách công việc khoa học dữ liệu cấp trung hoặc cấp cao, vì đơn giản là họ không có chuyên môn cần thiết. Những cá nhân này thường phải xoay chuyển nghề nghiệp và tiếp tục trở thành nhà phân tích dữ liệu hoặc báo cáo.

Lý do 2: Không thể gia tăng giá trị kinh doanh

Một lý do phổ biến khác đằng sau sự thất vọng của hầu hết các nhà khoa học dữ liệu là không thể gia tăng giá trị kinh doanh bằng các mô hình học máy của họ.

Theo ý kiến ​​của tôi, vấn đề này thậm chí còn xảy ra thường xuyên hơn so với vấn đề trước đó - vì vấn đề này cũng gặp phải đối với các tổ chức có phạm vi công việc được xác định rõ ràng và có sẵn một đường dẫn dữ liệu phù hợp.

Dưới đây là một số lý do khiến các nhà khoa học dữ liệu không thể xây dựng các mô hình gia tăng giá trị cho các tổ chức:

Khoảng cách lâu đời giữa công nghệ và kinh doanh:

Các bên liên quan và quản lý cấp trên khá phi kỹ thuật và không phải lúc nào cũng nhận thức được những gì có thể xảy ra với mô hình máy học. Có rất nhiều sự cường điệu xung quanh lĩnh vực này, với tư cách là một nhà khoa học dữ liệu, bạn sẽ nghe thấy một số yêu cầu khá tham vọng từ người quản lý của mình.

Bạn phải giải thích cho họ biết liệu một dự án có thể được hoàn thành thành công hay không và liệu nó có thực sự mang lại kết quả mà họ mong đợi hay không là tùy thuộc vào bạn. Đảm bảo rằng những kỳ vọng phù hợp với kết quả tiềm năng, để sau này sẽ không có nhiều thất vọng.

Cũng có thể hữu ích khi tạo báo cáo chi phí-lợi ích trước khi thực hiện bất kỳ dự án máy học nào, để công ty có thể cùng nhau quyết định xem có đáng để phân bổ thời gian và nguồn lực hay không?

Không hỏi đúng câu hỏi:

Là một nhà khoa học dữ liệu, bạn cần biết liệu các mô hình bạn đang xây dựng có làm tăng thêm giá trị cho doanh nghiệp hay không. 

Hầu hết các nhà khoa học dữ liệu mà tôi từng gặp đều nhanh chóng bắt đầu một dự án dựa trên các hướng dẫn mà họ đã nhận được. Họ không hỏi đúng câu hỏi. Họ không cố gắng hiểu dòng suy nghĩ của người quản lý của họ.

Khi bạn làm điều gì đó đơn giản chỉ vì người khác bảo bạn làm, thì bạn không có bất kỳ hiểu biết sâu sắc nào về giá trị mà bạn mang lại. Nếu bạn được yêu cầu giải thích tại sao công việc của bạn lại hữu ích, bạn sẽ không thể làm được. 

Làm sao bạn có thể thuyết phục ai đó rằng sản phẩm của bạn hoạt động nếu bạn không biết tại sao bạn lại xây dựng nó ngay từ đầu?

Thiếu kiến ​​thức về lĩnh vực:

Để đặt câu hỏi đúng, bạn cần biết cách thức hoạt động của doanh nghiệp. 

Các mô hình bạn xây dựng phải được điều chỉnh cho phù hợp với một vấn đề cụ thể của miền và bạn cần hiểu tác động của nó đối với người dùng cuối.

Ví dụ: Nếu bạn đang xây dựng mô hình cho một công ty quần áo, bạn cần lưu ý rằng các yếu tố như tính thời vụ sẽ có tác động đến các đề xuất mà bạn cung cấp cho người tiêu dùng. 

Tôi làm việc trong lĩnh vực tiếp thị và hầu hết kiến ​​thức về lĩnh vực này có được bằng cách làm việc trực tiếp với nhóm kinh doanh. Một số trong số đó đến từ các khóa học trực tuyến. Và tất nhiên, rất nhiều trong số đó dựa trên sự tương tác hàng ngày của tôi với mọi người và sự hiểu biết cơ bản về cách họ hành động.

Tùy thuộc vào lĩnh vực bạn làm việc, bạn nên dành thời gian để có được kiến ​​thức cụ thể về ngành. Điều này sẽ được sử dụng trong mọi bước của quy trình khoa học dữ liệu của bạn - tiền xử lý, lựa chọn tính năng, trọng số tính năng và quyết định những thay đổi không thường xuyên sẽ được thực hiện ngay cả sau khi triển khai mô hình.

Vậy... Làm thế nào để trở thành một nhà khoa học dữ liệu không ghét công việc của mình?

Đầu tiên, điều quan trọng là chọn một công ty cho phép bạn làm việc theo những gì bạn thích. Tránh xa các công ty có mọi công cụ được liệt kê trong bản mô tả công việc của họ. Trước khi bạn nộp đơn, hãy tìm những công ty này trên LinkedIn và xem liệu họ đã từng tuyển dụng vị trí khoa học dữ liệu trước đây chưa. Nếu không, bạn có thể muốn tránh xa, vì điều đó có nghĩa là bạn có thể sẽ phải thực hiện mọi nhiệm vụ liên quan đến dữ liệu.

Nếu họ có, hãy tìm hồ sơ của những nhà khoa học dữ liệu này và kiểm tra mô tả họ đã nhập cho vai trò đó. Xem nếu nó phù hợp với mong đợi của bạn.

Hãy chắc chắn rằng quá trình phỏng vấn của bạn không phải là một chiều. Hỏi người phỏng vấn càng nhiều câu hỏi càng tốt về phạm vi công việc và những gì nó đòi hỏi. Nếu nó không phù hợp với mong đợi của bạn, thì tốt hơn là bạn nên tìm nơi khác.

Cuối cùng, hãy đảm bảo dành thời gian để thu thập kiến ​​thức về lĩnh vực mà bạn đang làm việc. Sử dụng kiến ​​thức này để hỏi người quản lý của bạn những câu hỏi phù hợp và đảm bảo rằng kỳ vọng của họ phù hợp với kết quả tiềm năng của dự án.

Copyright Disclaimer:

This site does not store any files on its server. We only index and link to content provided by other sites. Please contact the content providers to delete copyright contents if any and email us, we'll remove relevant links or contents immediately.

Tuyên bố miễn trừ bản quyền:

Trang web này không lưu trữ bất kỳ tệp nào trên máy chủ của nó. Chúng tôi chỉ lập chỉ mục và liên kết đến nội dung được cung cấp bởi các trang web khác. Vui lòng liên hệ với các nhà cung cấp nội dung để xóa nội dung bản quyền nếu có và gửi email cho chúng tôi, chúng tôi sẽ xóa các liên kết hoặc nội dung có liên quan ngay lập tức.

Tham khảo các bài viết cùng chủ đề:

1. Khoa Học Dữ Liệu Có Phải Là Một Nghề Sắp Chết?
2. 8 Cộng Đồng Slack Khoa Học Dữ Liệu Hàng Đầu Sẽ Tham Gia Vào Năm 2023
3. Khai Thác Tiềm Năng Của Sản Phẩm Dữ Liệu Vào Năm 2023


Đọc thêm
Đăng nhận xét