Le competenze sulla statistica, il Machine Learning e la Programmazione informatica, sono necessarie per lavorare nell’ambito della Data Science ma spesso non bastano per inserirsi nel mondo del lavoro. Sebbene il curriculum sia importante, avere un portfolio che mostra le skills sul campo è un plus da mostrare ai potenziali datori di lavoro per avere un vantaggio sugli altri candidati. 

Portfolio per dimostrare il Requisito di Esperienza 

Anche per un ruolo entry level, la maggior parte delle aziende vuole persone con almeno un po’ di esperienza nella vita reale. 

Quindi, come si fa a fare esperienza se si ha bisogno di esperienza per ottenere il primo lavoro? Se c’è una risposta, è quella dei progetti. Infatti, quando un HR intervista i candidati, spesso può chiedere di esporre uno degli ultimi progetti a cui si è lavorato, a prescindere dal fatto che il progetto sia stato realizzato in azienda o se si tratta di un progetto indipendente. L’intervistatore sarà interessato alla validità dei risultati raggiunti, all’impegno e all’interesse che il candidato mette nell’affrontare il progetto.

Molte persone si pongono il problema di dove trovare dataset interessanti. Jason Goodman, data scientist di Airbnb, ha pubblicato un post dal titolo “Advice on Building Data Portfolio Projects” in cui espone molte idee di progetti diversi e dà buoni consigli sul tipo di dataset da utilizzare.

Ad esempio, il webscraping è un ottimo modo per ottenere dataset sempre aggiornati. 

Pubblicare i propri progetti su piattaforme online come GitHub darà maggiore visibilità alle vostre competenze oltre che mettervi in contatto con figure del settore a livello internazionale. Anche partecipare alle competizioni Kaggle vi aiuterà, in quanto verrai messo alla prova con dataset nuovi e reali e potrai affinare le tue skills apprendendo dalle submission degli altri partecipanti.

Man mano che si impara e ci si migliora, ricordiamoci sempre di aggiornare il nostro portfolio.

 

Portfolio_img

Il vostro curriculum è un’occasione per rappresentare in modo sintetico le vostre competenze relative al ruolo per cui vi state candidando. In genere, gli HR analizzano i curriculum molto velocemente. Migliorare il vostro curriculum può aumentare le possibilità di ottenere un colloquio. Dovete assicurarvi che ogni singola riga e ogni singola sezione del vostro curriculum sia importante. 

William Chen ha pubblicato 9 consigli per la stesura del curriculum di Data Science:

  • Lunghezza: Mantenete la semplicità. In questo modo si ottiene il massimo impatto con una rapida scrematura.
  • Obiettivo: Gli obiettivi non aiutano a distinguersi dagli altri. Sottraggono spazio alle cose più importanti, come competenze, progetti, esperienza. Se si inseriscono le lettere di presentazione assicuratevi di personalizzarle.
  • Corsi di studio: Elencare i corsi di studio pertinenti che sono applicabili alla descrizione del lavoro. 
  • Competenze: Non date valutazioni numeriche alle vostre competenze. Potete anche escludere del tutto le valutazioni.
  • Skills: Elencate le competenze tecniche richieste per il ruolo in cui vi state candidando. 
  • Progetti: Prediligete progetti innovativi e che non siano stati già svolti da altri. 
  • Progetti (URL): Mostrate sempre i risultati e includete i link. Ad esempio, se avete partecipato a una competizione Kaggle, mettete il rank in quanto aiuta chi analizza il vostro curriculum a capire dove vi siete posizionati. 
  • Portfolio: Siate attivi sui social di settore per la condivisione delle conoscenze come Medium, Quora e Stack Overflow.
  • Esperienza: L’esperienza è il fulcro del vostro curriculum. Se non avete esperienza lavorativa concentrate il vostro curriculum su progetti indipendenti.   

Le persone possono trovare il vostro curriculum online attraverso varie fonti come:

  • LinkedIn
  • GitHub
  • Twitter
  • Kaggle
  • Medium
  • Stack Overflow
  • Tableau Public
  • Quora
  • Youtube

Github 

Nella sezione progetti di un curriculum, i candidati spesso lasciano i link al loro GitHub, dove è memorizzato il codice dei loro progetti. GitHub permette di vedere i vostri progetti e come li avete svolti così da poter essere valutati meglio di altri. 

Kaggle 

Partecipare alle competizioni di Kaggle, creare un kernel e contribuire alle discussioni sono modi per dimostrare una certa competenza come data scientist. 

Le competizioni Kaggle si occupano di proporre un compito, acquisire i dati e ripulirli in una forma utilizzabile. Ciò che fa è esercitarsi nell’analisi dei dati e nell’elaborazione di un modello. 

Linkedin 

Un profilo LinkedIn consente di descrivere in modo più approfondito i propri progetti e la propria esperienza lavorativa. Una parte importante di LinkedIn è lo strumento di ricerca: per essere visibili, è necessario inserire nel profilo parole chiave pertinenti. I reclutatori cercano spesso persone su LinkedIn. LinkedIn vi permette di vedere quali aziende vi hanno cercato e chi ha visualizzato il vostro profilo. 

Medium e/o altri blog 

Scrivere di un progetto o di un argomento vi permette di fare rete con la comunità e vi incoraggia a scrivere il vostro  lavoro e i vostri pensieri. Un blog è l’occasione per mettere in pratica le competenze necessarie. 

Twitter 

Essere attivi su Twitter è un ottimo modo per identificare e interagire con le persone del vostro settore. Potete anche promuovere il vostro blog su Twitter, in modo che il vostro portfolio sia ancora più visibile. 

Tableau Pubblico 

Non tutti i Data Scientist utilizzano Tableau o altri strumenti di BI. Tuttavia, se vi candidate a lavori in cui vengono utilizzati questi strumenti, esistono siti web in cui è possibile inserire dashboard pubbliche.

Grazie ad internet e ai social media, oggi diventa più semplice mostrare le proprie capacità e competenze per ottenere un lavoro. Un portfolio è un modo per ottenere opportunità che normalmente non si avrebbero ed è importante sottolineare che è un processo iterativo. Non smettete mai di imparare e di accrescere le vostre skills.