Vanliga misstag när du rekryterar en data scientist

Vad ska er data scientist göra den första månaden? Om svaret är något i stil med hitta insikter i vår data har rekryteringen redan börjat luta åt fel håll. Data scientists lämnar sällan för lönens skull. De lämnar för att jobbet inte blev det som utlovades: modellerna byggs aldrig, datan är inte redo och ingen i ledningen vet vad rollen ska leverera.

Misstag ett: rekrytera analysrollen som forskarroll

Många kravprofiler skriker forskarbakgrund och avancerad maskininlärning, men vardagen visar sig vara rapporter och enklare analyser. Det finns utmärkta kandidater för det jobbet, men det är inte samma personer. Var ärlig i profilen: handlar rollen om prediktiva modeller i produktion eller om beslutsstöd till ledningen? Båda är värdefulla. Förväxlingen är det som kostar.

Misstag två: testa fel saker

• Algoritmfrågor på whiteboard säger lite om verkligt analysarbete
• Be i stället kandidaten resonera kring ett rörigt, verkligt dataproblem ur er vardag
• Lyssna efter frågorna kandidaten ställer om datakvalitet och syfte, de avslöjar seniorstatus
• Be om ett exempel på en analys som ändrade ett beslut. Det är rollens hela poäng

Misstag tre: anställa en innan grunden finns

En data scientist utan fungerande dataflöden blir en dyr och frustrerad person som städar data på heltid. Om era pipelines inte är på plats behöver ni ofta en data engineer först, eller en person som uttryckligen vill bygga båda delarna och vet vad det innebär. Att säga det högt i intervjun sorterar snällt: fel kandidater backar, rätt kandidater tänder till. De som trivs i pionjärläget finns, men de vill veta att ni vet vad ni ber om.

Det gemensamma för alla tre misstagen är att de går att undvika före första intervjun. En timmes ärlig diskussion internt om vad rollen ska leverera det första året sparar månader av felrekrytering. Det är den billigaste försäkring som finns i datarekrytering.

Och när ni väl hittat rätt person: ge rollen en tydlig hemvist och en första uppgift med synligt affärsvärde. Den första lyckade analysen köper förtroende i organisationen, och förtroende är den valuta en data scientist behöver för att få tillgång till data, domänexperter och beslutsfattare. Planera den första framgången lika noga som rekryteringen, så förvandlas en lovande anställning till en varaktig förmåga.