怎样才能持续招到最牛的数据人才？
怎样才能持续招到最牛的数据人才？
2015-12-07 15:59:10 来源：dongfeiwww 虎嗅 
抢沙发
2015-12-07 15:59:10 来源：dongfeiwww 虎嗅
摘要：这是一篇来自国外的文章，原文叫How to Consistently Hire Remarkable Data Scientists 作者是Jeremy Stanley，Sailthru公司的主力数据科学家和EVP工程师，他负责搭建公司智能的个性化营销平台。他的数据科学团队致力于预测、推荐及优化算法。
关键词：
大数据
4. 决策
我们基于如下的维度评估应聘者。
a.问题分析结构
如何进行问题的解构分析，有什么假设条件，如何限定研究范围？
b.技术严谨性
你所代码编写的代码在完成任务方面可靠性、可读性和灵活性如何？方法的可扩展性如何？
c. 分析的严谨性
你所运用的方法（机器学习，统计，分析，可视化）的逻辑是否通顺完整有意义？
d. 可沟通
你将如何清除的表述你的工作，方法和结论？你问他的答案有效性怎样？
e. 有用性
如果生产过程有意义，这些结果在你的工作中是否有用？
我们在数据工作日包括了这些指导原则，应聘者知道后就更容易成功。
在应聘者完成他们的演讲和问答后，他们的拍档出现在办公室。然后我们立即开始讨论应聘者，尽管大家的印象都是陌生的。我们给每位参与者一个机会来分享对上述标准的反馈（如果他们有意见），从我们团队以外的人先开始。我们团队成员中经验最少的人先说，最有经验后说。这会有助于事先防止房间里其他人的意见受团队或领导人的偏见影响。
一般来说，如果任何面试官对应聘者是一种强烈的“拒绝”态度时，这是足够的理由来拒绝应聘者。
因为技术原因（开放答卷应使大多数考生完全符合产出要求）这种情况很少发生。但当它发生时，你应该认真地重新评估你的测试以确保它的有效筛选应聘者。
如果每个人都对应聘者不冷不热，这也是一个明显的“拒绝”。这通常是因为局限于他们的工作限制——他们工作完成情况，他们思维的严谨性，或他们的技术实施情况。如果僵局存在，那么要么团队的领导者应该做出最后的决定（判定是否是错误的拒绝），或者在更少数情况下，你可能需要邀请应聘者回去进一步讨论。
5. 沟通
这个流程的最后阶段是向应聘者沟通结果。那些开放答卷测试中失利的人从会我们的招聘者那里获知信息。我们都希望给每位申请者直接的反馈，但鉴于申请者的数量规模不甚可行。
可以说，数据团队的成员被参加数据工作日后没有收到offer的每一位应聘者跟随着。这确保这些应聘者收到建设性的反馈从而可以从经验中学习更多。
最终，我们因每天大量的数据工作日应聘者而感到兴奋，同时也要尊重他们的时间并保持联系的情况下以期我们会再见。数据科学领域是一个小社群。
挑战与未来的机遇
招聘优秀的数据科学家是很难的事情，而我相信，这个流程公司的招聘中已经产生了非常积极的影响，我也相信我们有更多需要学习的地方。这就是我们继续拼搏的意义。
我们的招聘流程中可能会产生太多的错误，即非常适合数据科学工作的应聘者没有收到offer。最大的错误来源可能发生在开放答卷阶段，考生可能不愿意花时间来完成测试。对优秀人才来讲使测试更容易完成并提高我们在社区组织的品牌都是我们可以采取的步骤。最终，这是一个通道的优化问题，问题的根源是它会降低你能招聘到最优秀的人才的能力。
淘汰那些在数据工作日积极拼搏的优秀应聘者远不是我们的初衷，这些应聘者投资了我们，而我们已经投资了他们。发生这种情况有几个原因，但最常见的是数据工作日是一个高压力的环境。应聘者必须在短短的8个小时内了解一个新的数据集，谋划解题框架，制定解决方案和进行结果呈现。
有些应聘者在这种压力下脱颖而出，而另一些被迫屈从，并不能向我们证明他们通常能够做到的。不幸的是，我们无法在我们的决策中考虑这一点，因为这无法将其与无能或低效区分开来，两者都是我们积极反对的。
应聘者在数据工作日不能胜出的另一个原因是他们不熟悉工具。他们可能对专有的或商业的工具或者另一个操作系统有更多的经验。这可以通过提供更多的商业软件许可证和在虚拟机上提供Windows使用来缓解问题。这些选项会花销大量现金和运营成本。同时，对Linux操作环境和开源工具是我们强烈认为必须的。
最后不要再担心招聘优秀的科学人才了。
