Ищете работу в области науки о данных и замечаете, что ваши усилия не приносят результатов? Не исключено, что вы практически все делаете правильно, но допускаете одну оплошность, которая не оставляет ни единого шанса на получение работы.
Какие распространенные ошибки приводят к провалам на собеседованиях? Соискатели наиболее часто допускают следующие.
- Подача заявок на разные типы вакансий одновременно.
- Неподготовленность к собеседованиям.
- Аналитический ступор.
Конечно, для достижения успеха в поиске работы в области науки о данных нужно не только знать о возможных ошибках. Необходимо также понимать, как их избежать наилучшим образом. Поэтому стоит подробно рассмотреть каждую из них и подумать о том, почему она возникает.
Не стоит расстраиваться, если вы уже совершали какую-либо из этих ошибок! Они описаны здесь именно потому, что допускаются многими людьми, в том числе и мной. Надеюсь, узнав о них, вы не повторите их в будущем, благодаря чему сэкономите много времени и сил.
Эта информация также доступна в формате видео на английском языке.
Ошибка 1. Подача заявок на несколько типов позиций одновременно
Это ошибка, которую стоит рассмотреть в первую очередь. Под разными типами позиций имеются в виду различные вакансии в области науки о данных (например, специалист по анализу данных и специалист по алгоритмам) и смежные должности (например, инженер машинного обучения).
Начиная работать в технологической отрасли, я не представляла, насколько разными могут быть такие сферы в науке о данных, как инжиниринг и статистика. Вам, вероятно, кажется, что подавать заявки на несколько типов позиций одновременно — отличный способ увеличить шансы на успех. Однако в действительности все ровно наоборот. Но почему?
Это неэффективно. Если вы только собираетесь работать в этой сфере, не следуйте моему примеру. Я подавала заявки на все возможные должности: специалист по обработке данных, аналитик данных, инженер по программному обеспечению, специалист по алгоритмической обработке данных и другие. Такой подход — пустая трата времени: вы лишаете себя шансов найти должность, которая вам идеально подходит.
Для достижения наилучших результатов следует подавать заявки на один тип вакансий и досконально к нему готовиться.
Нельзя объять необъятное. Это может показаться банальным, но если не сконцентрироваться на одной должности, трудно приобрести практические навыки, необходимые для устройства на работу в качестве специалиста по анализу данных. Сосредоточившись на одном типе вакансий, вы сможете изучить его подробнее и быстро приобрести навыки, необходимые работодателям.
На подачу заявок уходит много времени. При подаче каждого резюме и сопроводительного письма придется хорошо потрудиться, чтобы адаптировать их под конкретную вакансию. Время, потраченное на эти старания, может растянуться на долгие часы!
В такой специализированной отрасли, как наука о данных, немногое можно перенести из одного отклика в другой. Не стоит тратить силы на прохождение собеседований на такие разные должности, как аналитик данных, инженер-программист и инженер машинного обучения. Совпадение необходимых навыков настолько незначительно, что вы потратите много времени впустую.
Все вышеперечисленное в конечном итоге сокращает шансы получить предложение о работе. Собеседования для специалистов по науке о данных отличаются строгостью требований и сильно зависят от типа вакансии. Вам будут задавать разные вопросы в зависимости от того, на какую должность вы претендуете. Различные вакансии нацелены на различные технические навыки и знания.
Претендуя на несколько типов должностей, вы обрекаете себя на непосильное испытание — собеседование с большим количеством вопросов. В результате подвергнете себя стрессу, не сможете должным образом подготовиться и, скорее всего, провалите собеседование.
Если приведенные выше аргументы не убедили вас в том, что подавать заявки на несколько видов должностей — плохая идея, вот вам пример из жизни. Недавно один из подписчиков оставил у меня в блоге комментарий, который прекрасно иллюстрирует мои слова.
“Я долго раздумывал над тем, стоит ли мне искать работу лишь в области машинного обучения или же в более общей сфере науки о данных. Я подавал заявки на все вакансии подряд. После чтения вашего блога и просмотра видео изменил свою стратегию — перестал гнаться за количеством вакансий и начал оставлять отклики только на должность исследователя данных о продуктах. К концу марта получил несколько звонков, за каждым из которых последовало собеседование и несколько предложений. На прошлой неделе согласился на должность научного сотрудника по анализу данных о продуктах в Facebook. Для меня это работа мечты, но без вашей помощи я бы не достиг такого карьерного рубежа”.
Таким образом, концентрация на одном типе должности помогает найти работу в области науки о данных. Гораздо разумней оттачивать навыки в определенной нише, чем пытаться охватить все, что только возможно.
Ошибка 2. Неподготовленность к собеседованию
Следующая ошибка многих соискателей заключается в том, что они идут на собеседование, не подготовившись должным образом. Некоторые даже не знают, какие вопросы им могут задать.
Эта ошибка встречается гораздо чаще, чем вы думаете. Ее причина банальна: многие люди наивно полагают, что поиск работы — это просто лотерея. А значит, если подавать заявки на достаточное количество вакансий, то в конце концов одна из них обязательно “выстрелит”.
Оглядываясь назад и вспоминая ход собственных рассуждений при поиске работы, я понимаю этих людей. Раньше я думала так же, но при этом никогда не получала предложений. В конце концов мне пришлось выяснить, в чем заключались мои проблемы на собеседованиях, и научиться их решать. Нельзя полагаться на количество собеседований, чтобы найти работу.
Понять истоки этой ошибки и выяснить, как лучше ее избежать, помогут несколько примеров собеседований из моего опыта.
Неподготовленность к техническим собеседованиям
Очень важно заранее готовиться к техническим собеседованиям. Вы можете считать, что превосходно разбираетесь в предмете, но лишь после провала на собеседовании поймете, как мало времени уделяли обучению. Как это происходит? Рассмотрим мой опыт прохождения такого собеседования.
Технические собеседования обычно состоят из четырех заданий: двух легких, одного среднего и одного трудного. Поскольку в прошлом у меня был опыт работы в датасайенс-проектах с большим объемом кода, мне казалось, что я отлично справлюсь с выполнением таких задач, как реализация алгоритмов с нуля, оптимизация времени выполнения путем сравнения различных алгоритмов и т. п.
Однако на одном из собеседований мне совершенно не хватило времени: я успела справиться только с двумя легкими заданиями. Позже я поняла, что написание кода дома в одиночестве сильно отличается от ситуации, когда кто-то за вами наблюдает, внимательно изучая каждое нажатие клавиши. Кроме того, на собеседовании вы должны объяснять ход своих мыслей во время написания кода, не допустив при этом никаких ошибок.
Поэтому, когда будете готовиться к техническому собеседованию, обязательно вслух комментируйте каждую строчку кода. Это поможет учитывать время в ходе реального собеседования.
Отсутствие представления об интервьюере
Не отправляйтесь на собеседование вслепую. Небольшое предварительное исследование никогда не помешает. Я усвоила этот урок во время собеседования с презентацией.
К презентационным собеседованиям сложно готовиться. Однажды компания попросила меня представить самый значимый из моих проектов. Полагая, что аудитория будет состоять из специалистов по работе с данными, я использовала большое количество технических терминов из профессиональной лексики статистов и специалистов МО в надежде впечатлить слушателей сложностью проекта.
Но оказалось, что это было большой ошибкой. Аудитория состояла из нескольких заинтересованных сторон, среди которых были менеджеры по науке о данных и менеджеры по продуктам. Последних больше интересовало влияние проекта на бизнес, а не технические детали. Я не была готова обсуждать эти аспекты, и поэтому собеседование оказалось неудачным.
Вот почему всегда полезно заранее изучить интервьюера. Обычная электронная переписка накануне собеседования часто помогает выяснить положение интервьюера в компании.
Как видно из приведенных выше примеров, даже я проходила собеседования без должной подготовки. Только поделившись своей историей с подписчиками и получив от них множество откликов, я поняла, что не одна совершала эту ошибку.
Одни кандидаты не ожидают заданий по написанию кода, поэтому не готовятся к ним. Другие не готовы обсуждать детали проектов или резюме. В любом случае вывод таков: до прихода на собеседования необходимо проделать определенную работу.
Незнание продукта
Некоторые соискатели проваливают собеседования из-за того, что незнакомы с продукцией компании. Человек, который не знает, что такое лента новостей в Facebook или что означает ETA для Uber, сразу проявит свою некомпетентность и вряд ли произведет хорошее впечатление на интервьюера.
Надеюсь, что многие относятся к собеседованиям серьезно и делают все возможное, чтобы к ним подготовиться. Ведь практика показывает: быстрее находят работу те, кто хорошо и даже более чем хорошо готовится ко встрече с интервьюерами.
Это заключение основано не только на моем бэкграунде, но и на опыте многих людей, поделившихся со мной своими историями. Вдобавок ко всему, добросовестная подготовка к собеседованиям позволит вам осуществить “фронтальную загрузку” необходимой информацией и применить полученные знания в повседневной работе в качестве специалиста по анализу данных.
Ошибка 3. Аналитический ступор
Последняя ошибка, о которой стоит поговорить, — это аналитический ступор или паралич от анализа. Предвижу возможные возражения, но все же замечу: специалист в области науки о данных не должен всегда и все анализировать — ни одна метрика не скажет, какая сфера деятельности вам подходит больше всего.
Прекрасно понимаю, что люди заботятся об эффективности и рентабельности инвестиций. Но хочу обратить внимание на такую распространенную ошибку, как беспокойство насчет полезности изучаемого предмета.
Иногда ко мне обращаются с такими вопросами.
- Действительно ли полезна книга, которую вы рекомендовали в своем видеоролике на YouTube?
- Действительно ли полезны ресурсы в ваших статьях в блоге?
- Если я хочу изучить самый полезный из них, какой мне выбрать?
Понимаю мотивы, побуждающие задавать подобные вопросы, но на самом деле понять, полезен ли предмет, можно только после его изучения. Опыт других людей может быть неприменим к вам. Имейте в виду следующее.
- Не тратьте слишком много времени на беспокойство по поводу того, чего вы не знаете. Вместо этого, тратьте время на приобретение новых навыков. Например, не нужно часами исследовать, какая книга может быть наиболее полезной, — просто начните изучать одну из них.
- Постоянное совершенствование поможет построить прочный фундамент из навыков в области науки о данных и более успешно проходить собеседования.
Итак, если вы понимаете, что у вас есть пробел в знаниях, и вам доступен способ восполнения этого пробела, то просто начните действовать, а не тратьте время на чрезмерный анализ. Помните: вы никогда не пожалеете об инвестициях в собственное развитие.
Заключительные мысли
Теперь вам известны 3 самые распространенные ошибки при поиске работы в области науки о данных. Я научилась на этих ошибках в прошлом и очень надеюсь, что вы не совершите их в будущем.
Читайте также:
- Качество превыше количества: создание идеального проекта в науке о данных
- Отказ после четырех раундов технических собеседований. Что делать?
- Как составить Data Science портфолио? Часть 2
Читайте нас в Telegram, VK и Яндекс.Дзен
Перевод статьи Emma Ding: Top Mistakes to Avoid in Your 2022 Data Science Job Search
