Het Wereld Economisch Forum verwacht 41% van de bedrijven wereldwijd Door het personeelsbestand te verkleinen vanwege de opkomst van kunstmatige intelligentie tegen 2030, terwijl bedrijven als Meta hebben aangekondigd Plannen om het aantal personeelsleden te verminderen dit jaar.
Dit betekent één ding: Plus ontslagen in de techsector in 2025.
Ik ken persoonlijk een aantal collega's die vorig jaar getroffen werden door ontslagen in de techsector. Ik werd steeds zenuwachtiger over mijn carrière in de datawetenschap, dus ik begon wat onderzoek te doen. Ik sprak met senior datawetenschappers en teamleiders, maar ook met software-engineers en productmanagers, om inzicht te krijgen in de impact van ontslagen in de technische sector op de datawetenschap.
Ik had twee dringende vragen:
- Hoe voorkom ik dat mijn baan als datawetenschapper ontslagen wordt?
- Is het nog steeds zinvol om in 2025 datawetenschapper te worden?
Op basis van de informatie die ik heb verzameld en mijn persoonlijke ervaringen, denk ik dat er over vijf jaar nog steeds banen in de datawetenschap zullen zijn. Echter, alleen de ‘waardetoevoegende datawetenschappers’ zullen overblijven, terwijl degenen die de winstgevendheid van het bedrijf niet verbeteren, zullen worden ontslagen.
Hoewel geen enkele baan 100% veilig is voor ontslagen, deel ik 3 manieren met je om Onmisbare datawetenschapper.
Aan het einde van dit artikel weet u:
- Hoe je een goedbetaalde baan als datawetenschapper krijgt en behoudt
- Hoe u uw carrière in de datawetenschap kunt beschermen tegen ontslagen en snelle doorgroeimogelijkheden naar managementposities
1. Een sterk fundament bouwen
Als datawetenschapper is het de bedoeling dat je een sterke basis legt in statistiek, machine learning en wiskunde. Terwijl tools en programmeertalen voortdurend veranderen, blijven de basisconcepten hetzelfde. Zoals u weet, kunnen AI-modellen bedrijven helpen om sneller beslissingen te nemen met behulp van machine learning en programmering.
Toch zal geen enkel bedrijf volledig vertrouwen op het werk van een AI-model om beslissingen van miljoenen dollars te nemen. Bedrijven zullen datawetenschappers moeten inhuren: experts die AI kunnen aansturen, fouten kunnen opsporen en snel inzichten kunnen bieden. De datawetenschapper bespreekt welke technieken het beste gebruikt kunnen worden, verandert van koers als een aanpak niet werkt en valideert de uitkomsten die de AI oplevert.
Het bedrijf heeft echter minder mensen nodig om de taak uit te voeren, omdat AI efficiënter is. Deze datawetenschappers worden goed betaald, maar ze moeten een grondige kennis hebben van de basisconcepten van statistiek en machine learning, en over sterke logica en redeneervaardigheden beschikken. Terwijl de meeste bedrijven zich vandaag de dag richten op uitvoering en snelheid, zullen organisaties steeds meer de voorkeur geven aan datawetenschappers met sterke theoretische kennis van machine learning-modellen.
Hier zijn enkele gratis bronnen die ik aanbeveel om de wiskunde en theorie achter data science-toepassingen te leren:
- 3Blue1Brown YouTube-kanaal Voor wiskundige concepten zoals lineaire algebra, calculus en neurale netwerken.
- Krish Naik's Machine Learning-afspeellijst Om basisconcepten van ML te begrijpen
- Statquest YouTube-kanaal Voor statistieken
2. Kies rollen die gericht zijn op het bedrijf.
Elke werknemer die rechtstreeks inkomsten voor het bedrijf genereert, is een waardevolle werknemer. Helaas richten veel functies binnen de datawetenschap zich meer op de toekomstige impact dan op directe omzetgroei.
Ik heb bijvoorbeeld eens aan een project van vier maanden gewerkt om ons klantenbestand te segmenteren, zodat we onze doelgroep beter konden targeten. Aan het einde van de vier maanden werd het klantsegmentatiemodel dat we hadden gecreëerd, niet in productie gebruikt, omdat het niet goed functioneerde met echte gebruikersgegevens. Uiteindelijk hebben we het hele project opgegeven.
Veel functies binnen de datawetenschap zijn vergelijkbaar met dit voorbeeld: de nadruk ligt op experimenten. Datawetenschappers creëren vaak Dingen die in de toekomst misschien wel zouden kunnen werken In plaats van projecten die nu geld opleveren. Als een bedrijf gedwongen ontslagen moet worden en moet besluiten om iemand te ontslaan, zal het zich waarschijnlijk richten op het data science-team dat niet essentieel is om een directe impact op de bedrijfsvoering te hebben.
Als je echter kiest voor een functie in data science die dichter bij het bedrijf staat – een functie waarin je rechtstreeks samenwerkt met stakeholders en salesteams om beslissingen te nemen die de omzet stimuleren – is je baan veiliger. Als je bijvoorbeeld bij Google werkt en het productteam adviseert over een zoekfunctie die meer omzet voor het bedrijf genereert, heeft je werk een directe impact op de omzet. Dit betekent dat je relevanter bent voor het bedrijf en minder snel wordt vervangen.
3. Geef prioriteit aan duidelijkheid.
Als je je baan wilt behouden en promotie wilt maken, moet je zichtbaar zijn. Dit geldt voor elke rol, niet alleen voor data science.
Ik wil dit illustreren met het voorbeeld van twee collega's – Pammy en Jim – die beiden in de datawetenschap werken.
Jim is goed in het verwerken van cijfers. Hij is een echte programmeur en bouwt machine learning-modellen die zeer nauwkeurig en van grote waarde zijn voor het bedrijf. Maar Jim promoot nooit zijn werk. Tijdens vergaderingen blijft hij doorgaans stil en niemand gebruikt zijn modellen, omdat ze niet echt begrijpen wat hij doet. Wanneer teams analyses van Jim nodig hebben, staren ze vaak naar zijn spreadsheets en zijn ze veel tijd kwijt aan het proberen om zijn cijfers om te zetten in beslissingen.
Pami is daarentegen goed in programmeren en cijferwerk. Maar ze besteedt uren aan het promoten van haar modellen bij verschillende bedrijfsfuncties. Documenteer alle analyses die u vindt in een presentatie of geef ze weer in een dashboard, waarbij u belangrijke inzichten benadrukt op basis waarvan teams beslissingen kunnen nemen. Ze brengt haar ideeën ook actief onder woorden tijdens teamvergaderingen en legt technische concepten helder uit aan belanghebbenden in de organisatie. Hierdoor krijgt Pammy structureel betere beoordelingen dan Jim. De meeste leiderschapsteams weten wie ze zijn en werken graag met ze samen. Je maakt sneller promotie en dus is de kans kleiner dat je wordt ontslagen als het bedrijf besluit om kosten te besparen.
Het vermogen om te communiceren en je werk te promoten is iets wat alle professionals in de techwereld moeten ontwikkelen om snel de carrièreladder te beklimmen. Datawetenschappers vormen hierop geen uitzondering.
De belangrijkste punten
De arbeidsmarkt is onzeker en het lijkt erop dat de ontslagen in de techsector voorlopig niet zullen stoppen. Voor datawetenschappers (of zelfs voor beginnende datawetenschappers) kan dit verwarrend zijn.
Toch zijn er nog steeds manieren om concurrerend te blijven op de arbeidsmarkt en succes te behalen: door u te richten op kernconcepten, nauw samen te werken met teams die zich bezighouden met het genereren van inkomsten en door uw bedrijf onder de aandacht te brengen van belanghebbenden.
Reacties zijn gesloten.