Карьера, Наука о данных, Мнение
Уважаемый менеджер по найму, пожалуйста, прекратите использовать домашние задания!
Мнение о том, что вы могли бы использовать в интервью с аналитиками и наукой о данных.
Отказ от ответственности: мнения в этой статье принадлежат мне и никоим образом не связаны с моим работодателем.
Наука о данных и аналитика данных - одни из самых популярных вакансий на рынке в 2021 году. Эта область настолько популярна, а описания должностей настолько широки, что на большинство вакансий приходят сотни или даже тысячи кандидатов, потому что большинство мужчин знают, что они могут подать заявку даже на эту должность. когда они не соответствуют 100% требованиям [Ссылка]. Почему-то женщины более консервативны [Ссылка].
В связи с тем, что поступает так много приложений, а наука о данных / аналитика являются новыми областями для многих из этих компаний, менеджеры по найму прибегают к использованию ужасных заданий «забрать домой» для отбора кандидатов.
В домашнем задании кандидату выдается набор данных и, в большинстве случаев, выдается пустой чек, чтобы сделать любые выводы, которые он / она может найти из данных.
Почему домашние задания - ужасная идея:
У ваших лучших кандидатов нет времени.
Думаю об этом. Разве ваши нынешние высокоэффективные сотрудники не самые трудолюбивые люди? То же самое и с вашими потенциальными кандидатами. Если он / она хорошо работает в своей нынешней компании, они будут загружены работой и упорно трудятся на своей нынешней работе. Они не смогли бы сэкономить более 10 часов, которые в среднем занимают домашние задания [Ссылка]. В результате их домашнее задание может выглядеть не так гладко, как средний исполнитель из той же компании, у которого больше свободного времени. Я уверен, что все менеджеры по найму хотят нанимать лучших сотрудников, так зачем же ставить их в невыгодное положение во время собеседования?
В бизнесе цели редко бывают расплывчатыми и неопределенными.
Многие, если не все, домашние задания не определяют конкретную цель, а используют подход «делай, что можешь». Это худший способ оценки потенциальных кандидатов, если только ваш бизнес не работает в таких огромных серых зонах. По большей части бизнес-цели конкретны. Увеличьте доход на X или достигните минимальной точности Y% с вашей моделью и т. Д. Расплывчатые и неопределенные цели вредят вам, потому что
- Он посылает сообщение, что вы не знаете, что ищете, - большой красный флаг для высокоэффективных кандидатов.
- Когда вы отклоняете кандидата без конкретной причины, это наносит ущерб имиджу вашей компании. Лучшие кандидаты очень гордятся своей работой и хотят, чтобы их время уважали. Если вы можете отбросить более 10 часов чьего-то времени с простым ответом «не подходит», это красноречиво говорит о том, насколько вы могли бы впоследствии ценить их время в качестве сотрудника.
Это дискриминационный
Я отец малыша, муж и сын пожилому родителю. Задания на дому дискриминируют людей с любой ответственностью в жизни вне работы. Они особенно дискриминационны по отношению к женщинам с детьми, потому что большинству детей по той или иной причине нужна «мама» каждые 5 минут. Из-за этого работающим матерям невероятно сложно найти время дома, чтобы поработать над домашним заданием в течение 10+ часов, что может сделать их представление менее качественным и усугубить гендерный разрыв, уже преследующий технологические команды.
По этим причинам я не думаю, что какой-либо менеджер по найму должен использовать домашнее задание как часть процесса найма. Если вы его используете, я настоятельно рекомендую рассмотреть некоторые из альтернатив, которые я предлагаю ниже, чтобы максимизировать ваш потенциал найма лучшего, высокоэффективного кандидата.
Вот что вы можете делать вместо домашних заданий:
Сузьте описание работы (JD)
Многие должностные инструкции Data Scientist / Analyst выглядят следующим образом: Владение Python, R, Java, C ++, Scala, научными вычислениями (Pandas, Numpy, Tensorflow, Pytorch, OpenCV, Sklearn), большими данными (Hadoop, Hive, Spark, MapReduce). , ETL, базы данных (MS SQL, Oracle, MySQL, Teradata, BigQuery), без SQL (HBASE, Cassandra, MongoDB), информационная панель (Tableau, PowerBI), облачные вычисления (AWS, GCP, Azure), ElasticSearch, Kubernetes, даже некоторые веб-разработка (Angular, Node и т. д.) Проблема с такими широкими JD заключается в том, что вы получите много кандидатов, которые разбавят лучших кандидатов, которых вы ищете.
На мой взгляд, лучшая альтернатива - это посмотреть на состав вашей текущей команды и опубликовать несколько JD, каждый из которых сосредоточен на одной области. Я уверен, что ни один человек в вашей нынешней команде не знает всех этих технологий с таким уровнем мастерства, на который вы рассчитываете нанять. Вместо этого у вас будут люди, знающие Python и научные вычисления. Некоторые другие, которые хороши в базах данных и облачных вычислениях, некоторые эксперты по приборным панелям и так далее. Почему бы не разделить ваш JD на три JD, чтобы также отразить эти строки? Таким образом, кандидаты, которые подают заявки, также будут сосредоточены на тех областях, которые вы хотите нанять, и вам будет проще составить короткий список хороших кандидатов, уменьшая необходимость в предварительном этапе отбора.
Обзор портфолио GitHub
Большая часть реальной работы в области Data Science занимает недели, если не месяцы. Чтобы уверенно оценить способность кандидата решать реальные проблемы в течение продолжительного периода времени, потребуйте от соискателей поделиться своим Github (или любым другим профилем репозитория кода) как портфолио. Аналитики данных могут запросить их Tableau Public или любую другую опубликованную работу. Это гораздо лучший способ оценить их способность решать реальные проблемы, поскольку такой вид портфеля не может быть создан в одночасье. Кроме того, это поможет вам оценить, есть ли у кандидата знания в области управления версиями, что крайне важно в крупномасштабных совместных проектах по работе с данными!
Публикации / Обзор проектов Kaggle
Вместо обзора портфолио на Github, если ваш кандидат опубликовал работу, вы можете оценить и это! Статьи, конференции, журналы, средние сообщения, проекты Kaggle и т. Д. - вот примеры того, что вы можете просмотреть, чтобы получить представление о технических навыках кандидата и навыках решения проблем.
Тест онлайн-кодирования
Мне нравится этот формат, потому что он привязан ко времени и цель задачи ясна. В наши дни популярны различные платформы онлайн-тестирования, такие как HackerRank и Codility, для создания краткого теста кодирования для оценки навыков программирования и решения проблем ваших потенциальных кандидатов. Обратная связь происходит мгновенно, и кандидат уходит с чувством выполненного долга. Если вы не можете тратить время на просмотр чьего-либо профиля или публикаций на Github, тест на программирование в Интернете может быть подходящей альтернативой.
Собеседование с коллегами и / или с заинтересованными сторонами
Большая часть работы Data Science и Data Analyst осуществляется в тесном сотрудничестве. Было бы лучше, если бы были люди, которые не только технически сильны, но и обладают хорошими коммуникаторами и хорошо работают с другими. Мягкие навыки более важны, чем то, что человек может достичь самостоятельно за 10 часов, выполняя домашнее задание [Ссылка]. Следовательно, собеседование с коллегами и / или заинтересованными сторонами меняет правила игры для собеседований по науке о данных / аналитикам, чтобы найти подходящих людей.
Это мое мнение по этой теме. Несмотря на то, что это несправедливо и кандидаты ненавидят это, домашние задания упорно отказываются сдаваться из-за сложности оценки способностей специалиста по обработке данных. Однако я надеюсь, что все больше и больше менеджеров по найму смогут отказаться от этой практики с этими предложениями. Согласны ли вы со мной или не согласны, я надеюсь на открытый разговор на эту тему.
Первый шаг к решению проблемы - признать, что она существует.
Как всегда, спасибо за внимание!
