Recruitment

Manja Bogićević: Greške koje regruteri prave pri odabiru data scientist-a

Regrutacija data scientist-a zahteva unapred osmišljenu strategiju. Pre nego što krenete u potragu za kandidatom, treba da razgovarate sa menadžerima i saznate zašto im treba data scientist, koje su to nužne tehničke i druge veštine koje očekuju da on ili ona poseduje.

Tek kad imate tačno definisano zašto vama treba data scientist i zašto vam treba baš sada, a ne za šest meseci, greška odabira pogrešnog kandidata svodi se na miminum.

Prva i osnovna greška koju HR regruteri prave jeste uverenje da svaki data scientist zna sve.

Data science je široka oblast i u zavisnosti gde je data scientist radio ili radi zavisi i njegova ekspertiza. Prema tome, ono što se podrazumeva u jednoj kompaniji da je opis posla data scientist-a, ne mora nužno da znači da je tako i u drugim kompanijama.

Takođe, osoba koja je ekspert u Excelu, nije data scientist. Data scientist mora da zna da programira u R ili Pythonu i da dobro poznaje SQL.

Svaki data scientist se specijalizuje za određenu oblast. Ovde je bitno napomenuti da AI ili veštačka inteligencija nije deo data science, iako određeni broj ljudi meša te pojmove.

AI je oblast sama za sebe, koja je u razvoju, ali na koju treba obratiti pažnju, jer će u narednoj godini biti mnogo više projekata vezanih za tu oblast.

Druga greška koja je stalno prisutna, i sa kojom se i ja još uvek susrećem, jeste i to da pojedini HR regruteri automatski eliminišu data scientist-e koji nisu završili neki od tehničkih fakulteta

Zašto je to velika greška? Trenutno u Srbiji, ali i na Balkanu, ne postoji fakultet koji može da edukuje ovakav kadar, jer data scientist nije programer sam po sebi.

Osnova data science je matematika, statistika i ekonomija, pa tek onda poznavanje određenih programskih jezika. Pritom, najbolji data scientist-i na svetu su po struci ekonomisti, fizičari, statističari i matematičari koji su naučili da programiraju, a ne inženjeri informacionih tehnologija.

Naravno da postoje izuzeci, ali ovo su podaci sa sajta Glassdoor, koji svakako nisu lažirani.

Moj savet regruterima je da prvo testiraju kandidata, a ne da ga odbiju samo zato što je neko nekada rekao da kandidat mora da poseduje određeno obrazovanje. Uzmimo npr. regrutere iz kompanije Google, jedne od najvećih data science kompanija na svetu.

Njima obrazovanje nije osnovni preduslov da nekoga zaposle. Kod nas u Srbiji data scientist-a nema mnogo, i zbog toga ih regruteri uglavnom kontaktiraju putem Linkedina. Grubom procenom, oko 90% klijenata i ponuda za posao data scientist dobija upravo preko Linkedina, 5% preko Mediuma i Tvitera, a ostatak preko preporuka starih ili trenutnih klijenata.

Ono što je važno kada kontaktirate data scientist-a je da odmah u startu definišete neke uslove. Na taj način, kada na početku jasno odredite opis posla, radno vreme, mogućnost rada od kuće, svodite grešku na minimum i štedite vreme, a vreme je novac.

Siguran način da oterate data scientist-a jeste ukoliko ga pri selekciji uslovljavate da mora da radi iz kancelarije striktno od 9h do 17h. Ovaj zahtev je još apsurdniji, ukoliko je ceo tim lociran negde daleko, možda i na drugom kontinentu. Zabluda je da je produktivnost najbolja kada ceo tim radi zajedno u kancelariji.

Jedan od benefita koje traže data scientist-i je mogućnost rada remotely ili od kuće. Zašto? Data science je profesija koja je jako dobro plaćena i oni kao eksperti ne moraju da se sele u Ameriku da bi imali ista primanja kao njihov kolega.

Klijenti će po potrebi pozvati data scientist-a da ide kod njih ili drugih klijenata u kancelarije širom sveta kada je potrebno da budu prisutni i kada je potrebno da pomognu u implementaciji data science u određenoj kompaniji. Na ovaj način vaš zaposleni ima slobodu da radi odakle god želi.

Takođe, potreba da se sedi do 17h, čak i ukoliko je posao završen u 15h, nema potrebe ni smisla za većinu data scientist-a.

Kada govorimo o motivaciji, beneficijama koje su bitne data scientist-u, možemo slobodno reći da će uvek biti presudan projekat na kojem će se raditi.

Iz mog ličnog iskustva i razgovora sa različitim klijentima i kolegama, data scientist-i su u mogućnosti da biraju projekte iz onih oblasti u kojima su najbolji i koje ih najviše interesuju, a samim tim i najviše motivišu. HR regruteri treba da znaju i da benefiti i plate zaista zavise od osobe do osobe.

Ono što sam do sada primetila, jeste da je najbolja kombinacija – solidna plata, stručna usavršavanja i akcije kompanije. Samo ako uložite u data scientist-a, možete da očekujete da će vaša kompanija imati ogroman benefit, a ukoliko ne ulažete, verovatnoća da preživite je manja od 5%, što je negde na nivou statističke greške.

Kada zaposlite data scientista, treba da znate da on mora da radi rame uz rame sa menadžerima, jer samo na taj način data science služi osnovnoj svrsi, razvoju i rastu biznisa. Dodala bih i da ukoliko imate priliku, zaposlite ženu data scientist-a, jer iz mog iskustva, diversifikovani timovi najviše doprinose.

Data scientist treba da bude jako važna karika u poslovanju svake kompanije. Kada kažem svake kompanije, to zaista i mislim. Veoma brzo će sve kompanije imati data science departmane ili neće više postojati kao kompanije.

Osvrnuću se i na bitnost polja data science. Kada govorimo o važnosti samog data science bitno je pomenuti postojanje dve vrste analiza- besplatna analiza koju vrše sami vlasnici firme ili CFO firme i plaćeno istraživanje.

Tužno je to što je uzrok propasti 80% korporacija upravo taj što se oglušuju o važnost rezultata istraživanja, upotrebe data science i kada kompanija dobro posluje.

S druge strane, čak i da neka firma razmišlja o data sciencu, verovatno će otpisati ideju, jer neće moći da je priušti ili će se voditi mišlju da dok postoji profit nema problema.

Znajte, ovo neznanje je skuplje od plaćene analize koja nikako nije nepotrebna investicija.

Nažalost, kod mnogih velikih i malih firmi suviše korporativnog ega ili najobičnije tvrdoglavosti stoji na putu onog pravog i potrebnog osluškivanja potrošača.Ipak, krajnji cilj firme nije samo ostvarivanje profita, nego i da u kriznim vremenima, kada konkurencija gubi, vi budete taj koji će biti na nuli zato što ste na vreme implementirali data science i donosili poslovne odluke na osnovu podataka, a ne na osnovu subjektivnog mišljenja pojedinih menadžera.

Ponoviću još jednom, data science departman treba da otvori što pre svaka kompanija, dok još uvek dobro posluje. Kada počne da se gubi novac, tada je već kasno za angažovanje data scientist-a.

Data science nije čarobni štapić i ne može ekspresno da reši probleme kompanije. Data science je dugoročna strategija koja se isplati. Potrebno je pristupiti metodološki i planski i zato je od ključne važnosti da razmislite već danas kako i koliko data scientist može da pomogne u razvoju i rastu vaše kompanije.

Manja Bogićević

Data Scientist

Povezani članci

Leave a Reply

Your email address will not be published. Required fields are marked *

Back to top button