مسیر شغلی BI: چگونه من یک رهبر داده در AngelList Venture شدم
تیم متابیس
از هکرهای پایتون تا «جذابترین شغل قرن ۲۱»، کار با داده راه زیادی آمده است. ورود به داده امروز متفاوت از حتی چند سال پیش به نظر میرسد — و این زمینه هیچ نشانهای از کند شدن نشان نمیدهد. داده همه جا است و دانشمندان داده و تحلیلگرانی که با آن اطلاعات کار میکنند، مدیریت میکنند و ترجمه میکنند در شرکتهای نوآورانه جهان تقاضای زیادی دارند.
Brandon Krull، رهبر داده در AngelList Venture خیلی شبیه بسیاری از رهبران دیگر در زمینه داده است — او بزرگ نشد که رویای تبدیل شدن به یک دانشمند داده را ببیند — زیرا آنها هنوز وجود نداشتند. او به عنوان یک شیمیدان شروع کرد، علاقهمند به تبدیل شدن به یک استاد. امروز، او به AngelList کمک میکند تا تیمها و راهحلهای نرمافزاری بسازد تا چالشها و فرصتهای داده بزرگ را حل کند.
پس چگونه به آنجا رسید؟
از شیمی آزمایشگاهی به شیمی محاسباتی
«چند سال گذشته است، اما احساس میکنم سالهای طولانی بودهاند،» Brandon با خنده میگوید.
Brandon اولین بار در حالی که هنوز در مدرسه تحصیلات تکمیلی بود وارد علوم داده شد. خسته از زمانهای برگشت آهسته کار در آزمایشگاههای مرطوب برای فرآیندهای شیمیایی، Brandon شروع به همکاری با یکی دیگر از اعضای هیئت علمی که در شیمی محاسباتی کار میکرد کرد: اجرای شبیهسازیها با استفاده از کد از پیش ساخته شده. کار او در آنجا او را به ساخت و بازسازی نرمافزاری طراحی شده برای اجرای شبیهسازیهای شیمیایی هدایت کرد.
مشکلاتی که Brandon حل کرد، و فناوری که در پشتیبانی از کار تحصیلات تکمیلی خود ساخت، شامل ایجاد ابزارهای داده و اجرای تحلیلها در حالی که جهان علوم داده هنوز در دوران کودکی خود بود. ماژول Python که برای رابط با یک پایگاه کد Fortran قدیمی ساخت هنوز تا به امروز در استفاده است.
رقابت بالا در آکادمی منجر به یک شغل مهندسی داده شد
پس از مدرسه تحصیلات تکمیلی، رقابت شدید در آکادمی Brandon را به جستجوی فرصتهای اضافی هدایت کرد. او برای تعدادی از مشاغل «دانشمند داده» درخواست داد، اما کارفرمایان به دنبال آمارشناسانی بودند که میتوانستند کد بزنند، به جای کدنویسانی که میدانستند چگونه با داده کار کنند. او در نهایت برای یک موقعیت پسادکترا در Berkeley در حال کار روی یادگیری ماشین برای مشکلات مولکولی استخدام شد، اما هنوز احساس بیاشتیاقی نسبت به جهان آکادمی داشت.
تا زمانی که برای Insight Data Engineering Fellowship درخواست نداد، شغل او به عنوان یک مهندس داده جدی شروع نشد.
با نگاه به گذشته، تجربیات او در بهبود فرآیندهای داده از پیش موجود و زمان صرف شده در تقاطع ایجاد داده و تحلیل داده لحظات «آها» بودند که چشم او را به زمینه مهندسی داده باز کرد. Brandon کار پاداشدهندهای در توانمندسازی دانشمندان داده برای انجام تحلیلهای سریعتر، معنادارتر و کارآمدتر از طریق ابزارها و برنامهنویسی بهتر پیدا کرد.
پل زدن شکاف مهارت برای یک مسیر شغلی هوش تجاری
و توانمندسازی دانشمندان داده برای انجام «هر چیزی که میخواهند انجام دهند،» Brandon میگوید، این بود که چگونه توانست مهارتهای برنامهنویسی خود را به یک شغل علوم داده ترجمه کند، که او را به مسیر هوش تجاری هدایت کرد: کار روی مشکلات مهندسی داده، ساخت سیستمهای پایگاه داده، و توسعه نرمافزار مدیریت و تحلیل داده.
او همچنین در مورد شکاف فعلی که بین مهندسان داده و تحلیلگران داده وجود دارد صحبت میکند. کار Brandon، به طور غیرمعمول، شامل تحلیل داده و همچنین مهندسی محصول است. «مهندسان واقعاً به تحلیل اهمیت نمیدهند، و تحلیلگران واقعاً به پلتفرم اهمیت نمیدهند، بنابراین من سعی میکنم آن شکاف را نیز پل بزنم.»
توصیه Brandon: به کلمات کلیدی در نقشهای سطح ورودی مهندسی داده توجه کنید
مسیر شغلی Brandon گواهی بر تنوع باورنکردنی مشاغل متمرکز بر داده در بازار است. «توضیحات شغل همه یکسان به نظر میرسند، اما همه چیز متفاوتی میخواهند.»
اگر به دنبال یک موقعیت در هوش تجاری هستید، Brandon شما را تشویق میکند که با جستجوهای کلمه کلیدی خود بسیار خاص شوید و به دنبال مشاغلی باشید که با شایستگیها و علایق منحصر به فرد شما بازی میکنند. علوم داده هنوز یک زمینه جوان است و آنچه شرکتها نیاز دارند به طور مداوم در حال تغییر است. بنابراین ارزش دارد که زمان اضافی را صرف پیدا کردن شغلی کنید که چیزی را که از انجام آن هیجانزده هستید ارائه میدهد.
یادگیری با انجام دادن — چگونه میتوانید در علوم داده شروع کنید
«برو کار کن.»
Brandon میگوید، منابع منبع باز «بینهایت» وجود دارد که میتواند به شما کمک کند در ابزارها و تحلیل خوب شوید فقط با دادن یک مشکل برای حل کردن. Kaggle، یک جامعه دیجیتال برای دانشمندان داده، مهندسان و تحلیلگران، به ویژه در تجربیات یادگیری اولیه او در این زمینه مفید بود.
فراتر از آن، Brandon پیشنهاد میکند تا حد امکان بسازید. نگران عملکردی بودن چیزی نباشید. به آنچه دیگران انجام میدهند نگاه کنید، کنجکاو شوید و سعی کنید مشکلات را به بهترین شکل ممکن حل کنید، حتی اگر قبلاً پاسخ داشته باشند.
مرز بعدی علوم داده
Brandon میگوید که ارتباط مرز بزرگ بعدی در علوم داده BI است. برای تحلیلگران یک مبارزه است که با مشتریان فقط با استفاده از داده ارتباط برقرار کنند.
من فکر میکنم توانایی استقرار و ارتباط نتایج از تحلیلهای داده یک فضای جالب برای تماشا است. این است که چگونه به افرادی که به داده اهمیت نمیدهند میگویید چرا چیزی برای آنها مهم است.
متابیس در AngelList Venture
اگر این مصاحبه را دوست داشتید و میخواهید بیشتر در مورد Brandon یاد بگیرید، میتوانید او را در Twitter پیدا کنید یا LinkedIn او را بازدید کنید. یا میتوانید بیشتر در مورد نحوه استفاده او از متابیس در AngelList Venture بخوانید.
یک داشبورد فروش بسازید که تیم شما واقعاً استفاده کند. ۱۰ متریک کلیدی، نکات و یک مثال زنده در متابیس را ببینید.
تحلیلهای جاسازیشده به معنای دادن دسترسی به کاربران شما به نمودارها، متریکها و گزارشها مستقیماً در داخل محصول شما است، تا بتوانند دادههای خود را کاوش کنند و بر اساس آن عمل کنند بدون اینکه نیاز به ترک برنامه شما داشته باشند یا برای پاسخ به شخص دیگری تکیه کنند.