علاقه روزافزون شرکت ها به استخدام «متخصصان علم اطلاعات»

    به قلم: Talia Borodin

    کارآفرین و مدیرعامل شرکت آمارو ساینس

15 سال پیش وقتی کار خود را در حوزه داده ها شروع می کردم، هرگز نمی توانستم فراگیرشدن کارم را تحت عنوان «متخصص علم اطلاعات» پیش بینی کنم، چه رسد به محبوبیت فوق العاده زیاد سال های اخیر. باوجود اینکه این کار یکی از محبوب ترین و پرطرفدارترین مشاغل دنیاست، امروزه دانشمندان علم اطلاعات تعریف جدیدی از خوشایند بودن در عصر تکنولوژی مدرن ارائه می کنند. هرگز زمانی بهتر از اکنون برای همکاران من نبوده است. تقاضا برای این شغل به شدت درحال پیشی گرفتن از عرضه است. این صنعت به قدری پررونق شده است که شنیدن این واقعیت که اعضای هیأت مدیره شرکت های نوپا به دنبال استخدام متخصصان علم اطلاعات در ابتدای چرخه تولید محصول باشند، امر عجیبی نیست. به حدی پتانسیل این کار بالاست که من اغلب در ملاقات با مدیران، آنها را از عدم نیاز بیشتر به متخصصان علم اطلاعات مطلع می کنم.

چگونه امکان دارد که یک متخصص و مروج علم اطلاعات مانند من که این گونه علاقه شدید به علم اطلاعات نشان می دهد، ناگهان در آستانه عقبگرد قرار می گیرد؟ قبل از اینکه جواب این سؤال را بدهم، اجازه دهید بگویم که قطعا منافع زیادی از استخدام یک کارشناس داده وجود دارد. نمی خواهم درمورد این که نیازی به علم اطلاعات نیست یا این که این علم، مبحث مفیدی نیست بحث کنم، زیرا اگر به درستی و در جای مناسب از این علم استفاده شود، مانند یک سلاح با قدرت خارق العاده در تجارت عمل می کند. فقط می خواهم بگویم که این اصطلاحی پرتکرار با تأیید و اعتباری ضعیف ا ست که طیف گسترده ای از فعالیت های مرتبط با اطلاعات را دربر می گیرد؛ نه مجموعه محدود و معینی که در مدت 12 ماه قابل یادگیری باشد. در زمان به کارگیری متخصص اطلاعات، سازمان ها باید ملاحظات و محدودیت های حقیقی خود در مورد زمان و نوع تخصص لازم برای رفع نیازهای شان را در نظر گیرند.

1- به چه میزان داده در اختیار دارید؟

من همواره برای شروع، چهار سؤال مطرح می کنم که خیلی از سازمان ها قبل از شروع چنین سؤال هایی را نمی پرسند. اگر شرکت شما یک شرکت نوپاست، اما هنوز شروع به کار نکرده اید، به یک کارشناس داده تمام وقت احتیاجی ندارید. حتی اگر شرکت موفقی باشید، اما مشتریان یا محصولات یا اعضای محدودی دارید، بازهم به کارشناس داده نیازی ندارید. حتما از خود می پرسید به چه دلیل؟ چون عجیب نیست که یک کارشناس داده برای کار خود، به داده نیاز دارد و هر داده ای برای این کار مناسب نیست. تکنیک های زیادی وجود دارند که اگر به صدها هزار و هزاران یا حتی میلیون ها واحد اطلاعات برای پیاده شدن احتیاج نداشته باشند ، اما حداقل به ده ها هزار واحد اطلاعات نیاز دارند.

مطلب مرتبط: استخدام بهترین رهبران برای تیم با سه سوال

در حال حاضر، تمرکز و توجه زیادی بر یادگیری عمیق معطوف است. توصیف شغل متخصص علم اطلاعات با واژه ها و عباراتی مانند شبکه های عصبی، بینایی ماشین و پردازش زبان طبیعی (NLP) توأم شده است . اما دلیل این امر چیست؟ این تکنیک ها مبتنی بر وجود حجم عظیمی از داده های آموزشی هستند. مترجم فوق العاده محبوب گوگل را به عنوان نمونه ای از شبکه عصبی مبتنی بر بیش از 150 میلیون کلمه، در نظر بگیرید. حجم داده های موردنیاز جهت توسعه موفق این مدل، از آنچه بسیاری شرکت ها در اختیار دارند نیز فراتر است.

تکنیک های بسیاری وجود دارند که از داده های کمتری نسبت به روش یادگیری عمیق استفاده می کنند، گرچه آنها هم نیازمند حجم گسترده ای از نمونه ها هستند و نیازی به گفتن نیست که استفاده از روش تحلیل و پژوهش مناسب در زمان مقتضی نیز باید مدنظر قرار گرفته شود. هنوز باید کارهای زیادی برای ایجاد زمینه پیشرفت علم اطلاعات در آینده انجام شود و تنها در اختیار داشتن منابع پرهزینه و تمام وقت جوابگو نیست.

2- آیا از شاخص کلیدی عملکرد مشخص یا گزارش های هوش تجاری منظمی استفاده می کنید؟

بدون دانستن عوامل تأثیرگذار بر سازمان، بهره گیری از این روش های پیشرفته بسیار دشوار خواهد بود. برای مثال یک متخصص علم اطلاعات از یادگیری ماشین برای پیش بینی مسائلی از قبیل اینکه کدام کاربران فعالیت بیشتری خواهند داشت ، استفاده می کند؛ که اگر چنین تعریفی در تجارت موردنظر وجود نداشته باشد، باید قبل از مدل های پیش بینی ایجاد شود. با این وجود، اعتبارسنجی مدل ها بدون وجود معیارهای لازم برای ارزیابی آنها به سختی صورت می گیرد. روش های دیگر مانند آزمون آ/ب (A/B testing) نیازمند انتخاب دقیق معیارهای کلی ارزیابی (OEC) است که خود نوعی شاخص عملکرد محسوب می شود.

3- تصور می کنید یک متخصص علم اطلاعات چه کارهایی انجام می دهد؟

هرچه سؤال های خاص تر و جالب تری می پرسم، جواب های معمولی تری می گیرم. مثلا در جواب سؤال «انتظار دارید یک متخصص علم اطلاعات چه کارهایی انجام دهد؟»، پاسخ «دقیقا نمی دانیم و به همین دلیل می خواهیم کسی را استخدام کنیم»، را می گیرم. در اینجاست که به اعضای آن سازمان و مؤسسه می گویم که زمینه را برای عدم موفقیت علم اطلاعات در آنجا فراهم کرده اند. برای به کارگیری و استخدام یک متخصص علم اطلاعات، نیازی نیست که شما هم خود در این زمینه متخصص باشید، گرچه داشتن اطلاعات کلی در این مورد و دانستن اینکه چه چیزهایی در زمینه علم اطلاعات ممکن و چه چیزهایی غیرممکن است، باعث می شود انتظارات غیرواقعی نیز نداشته باشیم.

علم اطلاعات جادو یا علمی قدیمی نیست. به همان میزان که علم است، هنر نیز محسوب می شود؛ بدین معنا که این علم شامل مهارت های گوناگون و توانایی های کلیدی ا ست. ممکن است اعضای فعلی تیم شما در آینده و در زمینه کارکردهای علم اطلاعات توسعه خیره کننده ای داشته باشند. پیش بینی شاخص های عملکرد براساس گزارش های موجود، زمینه مناسبی برای یک تحلیلگر داده در ورود به علم اطلاعات محسوب می شود. بدین ترتیب آنها فرصت یادگیری از داده هایی را که قبلا با آنها آشنایی دارند پیدا می کنند که نه تنها برای انگیزه کارکنان مفید است ، بلکه سرمایه گذاری امروز روی کارمندان، به معنای نیاز کمتر در به کارگیری افراد متخصص در شرایط رقابتی بازار در آینده است.

4- متخصصان علم اطلاعات به چه ملزوماتی نیاز دارند؟

اگر شما نمی توانید آنچه را متخصصان علم اطلاعات نیاز دارند در اختیار آنان بگذارید، خود را برای به کارگیری آنان به زحمت نیندازید. اگرچه در چند سال اخیر جهش عظیمی در برنامه های علم داده ها رخ داده است، اما فارغ التحصیلان این رشته برای اشتغال در بیشتر زمینه ها، بدون ابزار مناسب آمادگی ندارند. دانشجویان این رشته اغلب با حل مسائلی از قبل طراحی شده در زمینه داده های پاکسازی شده سروکار دارند، اما در جهان واقعی، این متخصص علم اطلاعات است که مشخص می کند آیا مسائل قابل حل شدن هستند یا نه؟ و از طرف دیگر، داده های پاکسازی شده نیز وجود ندارند.

به کارگیری متخصص علم اطلاعات تازه کار، بدون در اختیار داشتن منابع معتبر جهت تحلیل، نه تنها باعث اختلال در کار او، بلکه اغلب منجر به تحلیل های اشتباه هم می شود. اعضای تازه کار گروه اغلب تمایل به تفسیر مسائل کاری به مسائل فنی دارند و همین تفسیر اشتباه به هدر رفتن ماه ها کار و تلاش منجر می شود.

این مشکل با به کارگیری افراد باتجربه تر مرتفع نخواهد شد؛ شاید به این دلیل که گرچه به کارگیری این افراد نسبت به تازه کارها کارایی بیشتری دارد، اما در اختیار داشتن داده های معتبر دشوار است. حتی اگر خوش شانس باشید و موفق به استخدام یک متخصص علم اطلاعات باانگیزه و بااستعداد شوید، باز هم نیازمند پشتیبانی مدیران برای نتیجه گیری مطلوب هستید. وضعیتی را تصور کنید که مدل ها ایجاد شده، اما هرگز به علت حمایت ناکافی از سوی مدیران، مورد استفاده قرار نگرفته است. یا هنگامی که آزمون آ/ب (A/B testing) اجرا شده اما نتایج آن نادیده گرفته شده است. بدتر از همه اینها، دنبال کردن داده هایی که برای تحلیل یک مسئله موردنیاز است، هرگز اجرایی نمی شود.

مطلب مرتبط: چرا باید کارمندانی با تحصیلات عالی استخدام کنیم

غالبا، اولین قدم ضروری ایجاد برنامه گردآوری داده هاست، که احتمالا توسط یک مهندس یا مدیر پایگاه داده اجرا می شود و نه یک متخصص علم اطلاعات. در بسیاری از سازمان ها، یک متخصص علم اطلاعات ارشد و باتجربه، وقت و انرژی زیادی را صرف تهیه کردن مقدمات اولیه و سر و کله زدن برای تهیه داده های لازم و مشخص کردن وظایف اعضا می کند. این راه قطعا به تلف کردن استعداد و انگیزه او منجر می شود.

چشم انداز به کارگیری و حفظ استعداد خارق العاده داده پژوهی، رقابتی و گران است، اما آگاه بودن درباره چگونگی، زمان و انتخاب شخص موردنظر می تواند هزینه ها و زیان های تجارت و سازمان ها را کاهش دهد. به دام لیست های بی مصرف و طولانی مهارت های شغلی نیفتید. انتظار قدرت جادویی عصای سحرآمیز را از داده پژوه ها نداشته باشید. لیستی از نیازهای حقیقی خود تهیه کنید و اگر ممکن است، با یک متخصص قابل اعتماد قبل از به کار گرفتن کارشناس داده پژوهی مشورت کنید. موفقیت برنامه تحلیل داده در شرکت شما به این کارها بستگی دارد.