Nein, es ist nicht die „einfache“ Runde

Bei Vorstellungsgesprächen in meiner vorherigen Firma dachte ich immer, dass der verhaltensbezogene Teil des Vorstellungsgesprächs der einfache Teil sei. Wenn jemand technisch versiert wäre und die Interviewer mit seinem analytischen Verstand begeistern könnte, wäre er der Prime-Anwärter für jeden Job.

Dann wurde ich Zeuge, wie ein technisch sehr versierter Bewerber gegen einen sozial kompetenteren Bewerber verlor.

Nicht weil es ihm an Erfahrung mangelte. Er hatte gute Arbeit geleistet und wusste offensichtlich, was er tat. Er hatte einfach keine Ahnung, wie er uns auf eine Artwork und Weise erzählen sollte, was er getan hatte, und wie er seine Arbeit als Datenwissenschaftler mit den Dingen verbinden konnte, die meinem Workforce wirklich am Herzen lagen: Zusammenarbeit, Kommunikation und Entscheidungsfindung unter Unsicherheit.

Das Besondere an Verhaltensinterviews für Stellen in der Datenwissenschaft ist, dass sie sich von Verhaltensinterviews für andere Bereiche unterscheiden. Unternehmen prüfen nicht nur, ob Sie ein netter Mensch sind. Sie finden heraus, ob Sie technische Arbeit in Geschäftswert umsetzen, Beziehungen zu nicht-technischen Interessengruppen verwalten und Situationen bewältigen können, in denen die Daten keine eindeutige Antwort liefern.

Hier sind drei Tipps, die ich jedem vor einem Verhaltensinterview geben würde.

1. Behandeln Sie jede Geschichte als ein Downside der Stakeholder-Kommunikation

Der größte Fehler, den Datenwissenschaftler bei Verhaltensinterviews machen, besteht darin, die technische Geschichte zu erzählen, wenn der Interviewer die geschäftliche Geschichte will.

Sie werden gefragt: „Erzählen Sie mir von einer State of affairs, in der Sie ein schwieriges Projekt hatten.“ Sie beginnen mit einer detaillierten Erläuterung Ihres Kreuzvalidierungsansatzes, der von Ihnen durchgeführten Hyperparameter-Optimierung und des Kompromisses zwischen Präzision und Rückruf, den Sie navigiert haben.

Die Augen des Interviewers werden glasig.

Folgendes habe ich gelernt, sowohl aus meinen eigenen Interviews als auch aus der Beobachtung, wie andere Datenwissenschaftler ihre Karriere gestalten: In den meisten Unternehmen Der Datenwissenschaftler, der die geschäftlichen Auswirkungen seines Modells in einfachem Englisch erklären kann, ist wertvoller als derjenige, der die Mathematik besser erklären kann. Ihr Interviewer muss nicht tief in die Technik eintauchen. Sie müssen wissen:

• Was struggle das Downside?
• Was hast du gemacht?
• Warum struggle es wichtig?

Über genau diese Herausforderung habe ich in meinem Artikel über die Arbeit mit Stakeholdern geschrieben: Ein Leitfaden für Datenwissenschaftler für Stakeholder

Üben Sie vor Ihrem Vorstellungsgespräch, Ihre Geschichten mithilfe dieser Struktur zu formulieren:

• Was struggle das geschäftliche Downside (nicht das technische Downside)?
• Wer struggle betroffen oder beteiligt?
• Was struggle Ihr Beitrag, im Klartext?
• Was struggle das messbare Ergebnis?

Anstatt zu sagen „Ich habe ein Zeitreihen-Prognosemodell mit Verzögerungsfunktionen und Random Forest erstellt, das den RMSE um 40 % reduzierte.“ versuchen: „Wir hatten ein wiederkehrendes Downside, bei dem unser Workforce jeden Monat deutlich zu viel Energieressourcen bestellte, was echte Auswirkungen auf die Kosten hatte. Ich habe ein Prognosemodell erstellt, das uns eine genauere Prognose für die Woche lieferte, was unsere Überkosten direkt senkte.“

2. Recherchieren Sie

Ich empfehle Beginnen Sie mit einer einfachen Suche bei Google: „(Firmenname) verhaltensbezogene Interviewfragen“. Informationen finden Sie möglicherweise auf Glassdoor, Reddit und anderen kleineren Web sites. Vor allem bei größeren Unternehmen findet man häufig Threads, in denen frühere Kandidaten die tatsächlichen Fragen, die ihnen gestellt wurden, mitteilen, wie das Format aussah und wie sich der Prozess anfühlte. Denken Sie daran, dass Groups ihre Fragen im Laufe der Zeit ändern. Betrachten Sie alte Bewertungen additionally nicht als Evangelium, aber sie vermitteln Ihnen dennoch ein klares Gefühl dafür, was das Unternehmen schätzt und wie es danach strebt.

Das können Sie auch Suchen Sie nach einer allgemeinen Liste verhaltensbezogener Interviewfragen für Ihre spezifische Rolle (Datenwissenschaftler, Dateningenieur, Datenanalyst). Ein Datenwissenschaftler wird möglicherweise häufiger zu mehrdeutigen Projekten und Modellkompromissen befragt. Ein Datenanalyst steht möglicherweise vor weiteren Fragen zur Übermittlung seiner Ergebnisse an die Führung.

Suchen Sie nach YouTube-Movies von verhaltensorientierten Scheininterviews oder Personen, die viele Runden von Information-Science-Interviews durchgeführt haben. Wenn Sie sehen, wie jemand anderes antwortet, erfahren Sie mehr, als wenn Sie eine Liste mit Tipps lesen. Beachten:

• Welche Situationen hat der Kandidat angesprochen und in welchen ähnlichen Situationen waren Sie?
• Der Gesichtsausdruck und das allgemeine Verhalten des Kandidaten

3. Bereiten Sie einige Situationen im Voraus vor

Viele verhaltensbezogene Ratschläge zur Vorbereitung auf Vorstellungsgespräche konzentrieren sich auf Konflikte: „Erzählen Sie mir von einer State of affairs, in der Sie mit einem Kollegen nicht einverstanden waren“ oder „Beschreiben Sie eine State of affairs, in der Sie versagt haben.“ Diese Fragen sind wichtig, aber für datenwissenschaftliche Rollen ist die schwierigere Kategorie die Mehrdeutigkeit.

• „Erzählen Sie mir von einer State of affairs, in der Sie eine Entscheidung treffen mussten, ohne alle benötigten Informationen zu haben.“
• „Beschreiben Sie ein Projekt, bei dem sich die Anforderungen im Laufe der Zeit geändert haben.“
• „Wie gehen Sie mit Situationen um, in denen die Daten keine eindeutige Antwort stützen?“

Diese Fragen sind speziell dazu gedacht, etwas zu beurteilen, das in der Datenwissenschaft sehr wichtig ist: Ihre Toleranz gegenüber Unsicherheit und Ihre Fähigkeit, ohne perfekte Informationen voranzukommen.

Die beste Möglichkeit, diese zu planen, ist die Verwendung der STAR-Methode.

STERN steht für:

• State of affairs: Was struggle der Kontext/Hintergrund?
• Aufgabe: Welche konkrete Aufgabe hatten Sie zu erledigen/zu lösen?
• Aktion: Welche Schritte haben Sie unternommen, um das Downside zu lösen?
• Ergebnis: Was struggle das Ergebnis?

Lassen Sie uns ein konkretes Beispiel der STAR-Methode durchgehen: „Erzählen Sie mir von einer State of affairs, in der Sie eine Entscheidung treffen mussten, ohne alle benötigten Informationen zu haben.“

State of affairs: Mitten in einem Prognoseprojekt stellte ich fest, dass die historischen Energieverbrauchsdaten von zwei Monaten aufgrund eines Zählerfehlers in der Mitte des Trainingsfensters, das ich verwenden wollte, falsch protokolliert wurden.

Aufgabe: Meine Stakeholder brauchten bis zum Ende des Sprints ein funktionierendes Modell. Ich musste mich entscheiden, ob ich das Projekt verschieben sollte, um das Datenproblem weiter zu untersuchen, oder ob ich mit einem geänderten Ansatz fortfahren und das Risiko kennzeichnen sollte.

Aktion: Ich habe das betroffene Fenster aus dem Trainingssatz herausgeschnitten, mit den saubereren Daten neu trainiert und eine schnelle Analyse durchgeführt, um zu quantifizieren, wie viel Vorhersagekraft ich wahrscheinlich verlieren würde. Ich habe meinem Stakeholder beide Optionen vorgestellt (mit größerer Sicherheit verzögern oder mit dokumentierten Vorbehalten pünktlich liefern) und ihn mit vollständigen Informationen anrufen lassen.

Ergebnis: Wir konnten das Modell pünktlich bereitstellen. Wir haben eine Reduzierung des mittleren absoluten Fehlers um 12 % im Vergleich zum bestehenden Basisszenario erreicht, und unsere Prognosen für die kommende Woche waren genau genug, um die Überbestellung von Energie im ersten Monat der Bereitstellung um etwa 18 % zu reduzieren. Der Stakeholder erzählte mir später, dass die Transparenz über das Datenproblem tatsächlich sein Vertrauen in die Ergebnisse gestärkt habe und nicht umgekehrt.

Nehmen Sie sich die Zeit, einige Notizen zu diesen Beispielen (und mehr) auf Papier zu schreiben. So werden Sie nicht überrascht, wenn eine Frage auftaucht. Auch wenn es sich um eine andere Frage handelt als die Szenarien, die Sie ursprünglich geplant hatten, ist es immer noch viel besser, ein paar angrenzende Szenarien zu haben, aus denen Sie schöpfen können, als im Second einen leeren Kopf zu haben.

Fazit + Bonus-Tipp

In meinem ersten Jahr als Datenwissenschaftler habe ich gelernt, dass es bei der Arbeit selten darum geht, die perfekte Antwort zu finden. Es geht darum, schnell genug eine vertretbare Lösung zu finden, um nützlich zu sein. Stakeholder warten nicht auf perfekte Daten. Geschäftsentscheidungen haben Fristen. Die Fähigkeit zu sagen: „Hier ist, was die aktuellen Daten belegen, und hier sind die Annahmen, die ich getroffen habe“ ist eine Fähigkeit für sich.

Denken Sie additionally vor Ihrem Vorstellungsgespräch an Momente, in denen Sie:

• Habe eine Empfehlung abgegeben, bevor das Modell perfekt struggle
• Es wurde festgestellt, dass der Umfang eines Projekts geändert und angepasst wurde
• Habe ein Urteil gefällt und die Konsequenzen getragen
• Die Unsicherheit klar kommuniziert, anstatt sie zu verbergen

Und schreiben Sie einige dieser Situationen vor Ihrem Vorstellungsgespräch auf. Auf diese Weise bleiben sie Ihnen frisch im Gedächtnis.

Hier noch ein letzter Bonus-Tipp: Denken Sie daran, zu lächeln, locker zu bleiben und eine gute Einstellung zu haben. Dies kann in Ihrem Vorstellungsgespräch einen viel größeren Unterschied machen, als Sie denken. Versuchen Sie, mit Ihren Gesprächspartnern einen Smalltalk zu führen. Finden Sie etwas, das Sie mit ihnen gemeinsam haben. Haben Sie keine Angst, einen leichten Witz zu machen. Sie werden überrascht sein, wie weit Sie damit kommen und sich von anderen Kandidaten abheben können.

Danke fürs Lesen

In der Reihe „Writer Highlight“ unterhalten sich TDS-Redakteure mit Mitgliedern unserer Neighborhood über ihren Karriereweg in den Bereichen Datenwissenschaft und KI, ihr Schreiben und ihre Inspirationsquellen. Heute freuen wir uns, unser Gespräch mit Ihnen zu teilen Sara Nobrega.

Sara Nobrega ist eine KI-Ingenieurin mit einem Hintergrund in Physik und Astrophysik. Sie schreibt über LLMs, Zeitreihen, Karrierewechsel und praktische KI-Workflows.

Sie verfügen über einen Masterabschluss in Physik und Astrophysik. Welchen Einfluss hat Ihr Hintergrund auf Ihre Arbeit in den Bereichen Datenwissenschaft und KI-Technik?

Die Physik hat mich zwei Dinge gelehrt, auf die ich mich ständig stütze: wie man ruhig bleibt, wenn ich nicht weiß, was passiert, und wie man ein beängstigendes Downside in kleinere Teile zerlegt, bis es nicht mehr beängstigend ist. Außerdem … die Physik macht einen wirklich demütig. Sie lernen schnell, dass es keine Rolle spielt, „intelligent“ zu sein, wenn Sie Ihr Denken nicht erklären oder Ihre Ergebnisse nicht reproduzieren können. Diese Denkweise ist wahrscheinlich das Nützlichste, was ich in die Datenwissenschaft und -technik eingebracht habe.

Sie haben kürzlich einen geschrieben tiefer Tauchgang in Ihren Übergang vom Datenwissenschaftler zum KI-Ingenieur. Was ist in Ihrer täglichen Arbeit bei GLS der größte Unterschied in der Denkweise zwischen diesen beiden Rollen?

Für mich conflict die größte Veränderung die Frage: „Ist dieses Modell intestine?“ zu „Kann dieses System das wirkliche Leben überleben?“ Als KI-Ingenieur geht es nicht so sehr um die perfekte Antwort, sondern vielmehr darum, etwas Verlässliches zu schaffen. Und ehrlich gesagt conflict diese Änderung zunächst unangenehm … aber dadurch fühlte sich meine Arbeit viel nützlicher an.

Du notiert Während ein Datenwissenschaftler möglicherweise Wochen damit verbringt, ein Modell zu optimieren, hat ein KI-Ingenieur möglicherweise nur drei Tage Zeit, um es bereitzustellen. Wie bringen Sie Optimierung und Geschwindigkeit in Einklang?

Wenn wir drei Tage Zeit haben, bin ich nicht auf der Suche nach winzigen Verbesserungen. Ich strebe nach Selbstvertrauen und Zuverlässigkeit. Deshalb werde ich mich auf eine solide Foundation konzentrieren, die bereits funktioniert, und auf eine einfache Möglichkeit, zu überwachen, was nach dem Begin passiert.

Auch der Versand in kleinen Schritten gefällt mir. Anstatt zu denken: „Setzen Sie das Letzte ein“, denke ich: „Setzen Sie die kleinste Model ein, die Wert schafft, ohne Chaos zu verursachen.“

Wie könnten wir Ihrer Meinung nach LLMs nutzen, um die Lücke zwischen Datenwissenschaftlern und DevOps zu schließen? Können Sie ein Beispiel nennen, bei dem dies für Sie intestine funktioniert hat?

Datenwissenschaftler sprechen von Experimenten und Ergebnissen, während DevOps-Leute von Zuverlässigkeit und Wiederholbarkeit sprechen. Ich denke, LLMs können als Übersetzer auf praktische Weise hilfreich sein. Zum Beispiel, um Checks und Dokumentation zu erstellen, damit das, was auf meiner Maschine funktioniert, „in der Produktion funktioniert“.

Ein einfaches Beispiel aus meiner eigenen Arbeit: Wenn ich so etwas wie einen API-Endpunkt oder eine Verarbeitungspipeline baue, verwende ich ein LLM, um die langweiligen, aber wichtigen Teile wie Testfälle, Randfälle und klare Fehlermeldungen zu entwerfen. Dies beschleunigt den Prozess erheblich und hält die Motivation aufrecht. Ich denke, der Schlüssel liegt darin, den LLM als einen Junior zu behandeln, der schnell und hilfsbereit ist und gelegentlich Fehler macht. Daher ist es wichtig, alles noch einmal durchzugehen.

Du hast zitierte Forschung Dies deutet auf ein massives Wachstum der KI-Rollen bis 2027 hin. Wenn ein junger Datenwissenschaftler in diesem Jahr nur eine technische Fähigkeit erlernen könnte, um wettbewerbsfähig zu bleiben, welche sollte das sein?

Wenn ich mich für eines entscheiden müsste, wäre es, zu lernen, wie man seine Arbeit wiederholbar versendet! Nehmen Sie ein Projekt und machen Sie es zu etwas, das zuverlässig läuft, ohne dass Sie es beaufsichtigen müssen. Denn in der realen Welt ist das beste Modell nutzlos, wenn niemand es nutzen kann. Und die Menschen, die herausstechen, sind diejenigen, die eine Idee aus einem Notizbuch in etwas Reales umsetzen können.

Ihre jüngste Arbeit hat sich stark auf LLMs und Zeitreihen konzentriert. Was ist mit Blick auf das Jahr 2026 das neue KI-Thema, über das Sie als nächstes am meisten schreiben möchten?

Ich neige immer mehr dazu, über praktische KI-Workflows zu schreiben (wie man von einer Idee zu etwas Verlässlichem wird). Wenn ich über ein „heißes“ Thema schreibe, möchte ich außerdem, dass es nützlich und nicht nur spannend ist. Ich möchte darüber schreiben, was funktioniert, was kaputt geht … Die Welt der Datenwissenschaft und KI ist voller Kompromisse und Unklarheiten, und das hat mich sehr fasziniert.

Ich werde auch immer neugieriger auf KI als System: Wie verschiedene Teile zusammenwirken … Seien Sie gespannt auf die diesjährigen Artikel!

Um mehr über Saras Arbeit zu erfahren und über ihre neuesten Artikel auf dem Laufenden zu bleiben, können Sie ihr folgen TDS oder LinkedIn.