Datenspezialistengespräche im Zeitalter der KI neu gedacht

Die Rolle der Datenwissenschaftler wird zunehmend durch KI neu geschrieben. Daher müssen Datenwissenschaftler lernen, ihre Produktivität zu steigern und neue Möglichkeiten mit KI zu erschließen. Dies stellt auch Personalverantwortliche vor die Herausforderung, die besten Talente zu finden, die in der KI-Ära erfolgreich sein können. Ein wichtiger Schritt zur Aufstellung einer starken, KI-unterstützten Datenwissenschaftler-Gruppe besteht darin, den Einstellungsprozess zu überarbeiten, um die Fähigkeiten der Bewerber besser einzuschätzen, wenn es um die Zusammenarbeit mit KI geht. I. Das traditionelle Datenwissenschaftler-Gespräch Bevor wir uns mit den Veränderungen befassen, sollte man sich die aktuelle Struktur des Einstellungsprozesses für Datenwissenschaftler klarmachen. Neben dem anfänglichen Gespräch mit dem Rekruter und der Vorentscheidung durch den Abteilungsleiter umfasst ein typischer Prozess folgende Runden: Codierungsinterviews: Fragen zu SQL oder Python, um Syntax und grundlegende Logik zu testen. Statistikinterviews: Fragen zu Statistik und Wahrscheinlichkeitsrechnung sowie häufige statistische Anwendungen wie A/B-Tests und kausale Inferenz. Maschinelles-Lernen-Interviews: Tiefgang in Algorithmen des maschinellen Lernens, Erfahrungen und Fallstudien. Business Case Interviews: Diskussion von hypothetischen Problemen, um analytisches Denken und Geschäftsaufklärung zu testen – Metriken, Funnel, Wachstumsstrategien, Retentionsstrategien und analytische Ansätze. Verhaltensinterviews: Standardisierte Fragen wie "Erzählen Sie mir von einem Projekt / einer Situation, in der Sie ...", um zu verstehen, wie Bewerber bestimmte Situationen bewältigen und ob sie in die Unternehmenskultur passen. Funktionsspezifische Interviews: Datenwissenschaftler sind technische Rollen, die aber auch stark interdisziplinär arbeiten, um echten Geschäftserfolg zu erzielen. Deshalb schließen viele heutige Einstellungsprozesse eine Runde ein, in der Bewerber mit einem Geschäftspartner sprechen, um deren Branchenwissen, Kommunikationsfähigkeiten und Stakeholder-Kollaboration zu bewerten. Diese Interviews beinhalten normalerweise eine gute Mischung aus technischen und nicht-technischen Bewertungen. Mit der Einführung von KI werden jedoch einige dieser Interviews erheblich verändert, während andere noch wichtiger werden. II. Wie sich Interviews in der KI-Ära verändern Codierungsinterviews: Am stärksten betroffen Was kann KI schnell tun? Einfache Codierungsaufgaben. Daher sind die Codierungsinterviews wahrscheinlich die ersten, die beeinflusst werden. Heutige Codierungsinterviews fordern Kandidaten auf, korrekte SQL- und Python-Codes zu schreiben. SQL-Fragen erfordern normalerweise einfache Joins, CTEs, Aggregationen und Fensterfunktionen. Python-Fragen könnten einfachste Datenumformungen mit pandas und numpy oder leichte LeetCode-Aufgaben sein. Doch ehrlich gesagt, können diese Fragen heute schon leicht von KI gelöst werden. Vor einem Jahr habe ich evaluiert, wie ChatGPT, Claude und Gemini einfache SQL-Aufgaben bewältigen, und war bereits von allen drei beeindruckt – Claude 3.5 Sonnet erhielt sogar volle Punktzahl in meinem Test. Für Datenwissenschaftler liegt das echte Herausforderungsfeld heute in der Verständigung der Daten und der Lokalisierung der richtigen Tabellen und Felder sowie der Übersetzung von Datenfragen in die korrekte Abfrage. Daher sollten Codierungsinterviews die Nutzung von KI-Tools wie GitHub Copilot oder Cursor zulassen, um die neuen Arbeitsbedingungen mit KI nachzubilden. Dies geschieht bereits allmählich in der Branche. Zum Beispiel hat Canva kürzlich KI-gestützte Codierungsinterviews eingeführt, und Greenhouse erklärt: „Wir begrüßen die transparente Nutzung generativer KI im Bewerbungsprozess für bestimmte Rollen, vorausgesetzt, Kandidaten können die erzeugten Prompts gründlich erklären oder vertiefte technische Entscheidungen diskutieren.“ Statt einfache SQL- oder Python-Fragen zu stellen, könnten Interviewer ein Umfeld mit mehreren dokumentierten Tabellen schaffen und die Kandidaten zu einer lebendigen Problemlösungssitzung mit KI-Hilfe einladen. Die Bewertung würde nicht nur anhand der Codegenauigkeit erfolgen, sondern auch anhand der Analysegestaltung und Ergebnisinterpretation. Eine alternative Methode besteht darin, Kandidaten die Bewertung von KI-Ergebnissen abzuverlangen. Zum Beispiel könnte ein Interviewer beschreiben, was sie erreichen wollen, und dann einen KI-generierten Code zeigen, um zu prüfen, ob die Logik korrekt ist, Kantenfälle ignoriert werden, bessere Alternativen existieren oder der Code weiter optimiert werden kann. Statistik- und Maschinelles-Lernen-Interviews: Weniger Theorie, mehr Kontext Nächste sind die Statistik- und Maschinelles-Lernen-Interviews. KI ist eine großartige Lehrerin – sie erklärt grundlegende Statistikkonzepte und Methoden des maschinellen Lernens klar und kann verschiedene Herangehensweisen vorschlagen. Allerdings bedeutet das Wissen um Theorien nicht immer, dass die passenden Methoden basierend auf Geschäftsproblemen angewendet werden. Menschen-Experten sind weiterhin erforderlich für Features Engineering, die Wahl der besten branchenspezifischen Praktiken und das Feinjustieren von Modellen. Statistik- und Maschinelles-Lernen-Interviews sollten daher weniger theoretische Fragen oder Codes von Grund auf aufbauen, sondern enger mit Business Case Interviews verknüpft sein, um zu prüfen, ob die Kandidaten Theorien in einen Geschäftskontext einfügen können. Statt isolierter Fragen wie „Welche Unterschiede gibt es zwischen Ridge- und Lasso-Regression?“ oder „Wie berechnet man die Stichprobengröße für einen A/B-Test?“ könnten Interviewer ein reales Problem präsentieren und beobachten, wie die Kandidaten es analytisch angehen, ob die vorgeschlagenen Methoden sinnvoll sind und ob sie ihre Ideen logisch kommunizieren. Verhaltens- und funktionsspezifische Interviews: Größtenteils unverändert, aber mit neuen Nuancen Die verbleibenden beiden Interviewtypen, Verhaltens- und funktionsspezifische Interviews, werden wahrscheinlich weitgehend unverändert bleiben. Sie bewerten die Soft Skills der Kandidaten, wie interdisziplinäre Zusammenarbeit, Kommunikation, Konfliktlösung und Verantwortungsbewusstsein, sowie ihr Branchenwissen. KI kann diese Bereiche nicht ersetzen. Es könnte jedoch Veränderungen in den gestellten Fragen geben. Interviewer könnten Fragen hinzufügen, die sich auf die Vergangenheit der Kandidaten mit KI-Tools beziehen, um herauszufinden, wie sie KI nutzen, um die Produktivität zu steigern und Probleme zu lösen. Ein Produktmanager könnte zum Beispiel fragen: „Wie können wir KI nutzen, um die Kundenintegration zu verbessern?“ Hausübungen: Immer noch umstritten, aber nützlich Neben den üblichen Interviews gibt es auch die kontroverse Hausübung, die hin und wieder im Einstellungsprozess für Datenwissenschaftler auftaucht. Sie besteht in der Regel darin, eine Datensammlung bereitzustellen und die Kandidaten zu bitten, eine Analyse durchzuführen oder ein Modell zu bauen. Manchmal gibt es Leitfragen, manchmal nicht. Die Auslieferungen reichen von einem Jupyter Notebook bis hin zu einem fein säuberlichen Präsentationsfolien. Obwohl einige Kandidaten diese Übung verabscheuen, weil sie sehr zeitaufwendig ist und oft ohne die Möglichkeit einer Rückmeldung abgelehnt werden, haben sie ihren Wert. Sie testen den Prozess von der Problembeschreibung über die Codierung, das Schreiben und die Präsentation. Die Nutzung von KI, um die Hausaufgabe schneller und besser zu lösen, wird in der KI-Ära wahrscheinlich allgemein zugelassen oder erwartet werden. Die Herausforderung für Personalverantwortliche besteht darin, eine Übung zu entwickeln, die KI nicht leicht lösen kann oder bei der sie nur die minimale akzeptable Lösung generiert. Offene Fragen, die auf Annahmen, Handlungsoptionen und Prioritäten basieren, sind hier besonders hilfreich. III. Was das für Kandidaten bedeutet Obwohl diese Veränderungen noch Zeit benötigen, besonders in großen Unternehmen mit standardisierten und etablierten Rekrutierungsprozessen, sollten Kandidaten sich vorbereiten: Verständnis für den gezielten Einsatz von KI: Da Unternehmen beginnen, den Einsatz von KI im Interview zuzulassen und sogar zu bewerten, wird es kritisch, zu wissen, wann und wie man KI sinnvoll einsetzt. Man sollte verstehen, was KI gut kann und wo ihre Schwächen liegen, und lernen, die Outputs zu evaluieren. KI ist auch ein überaus nützliches Werkzeug zur Vorbereitung auf Interviews. Sie kann dazu beitragen, die Position besser zu verstehen, einen Vorbereitungsplan zu erstellen und Mock-Interviews durchzuführen. Tiefe Geschäftsaufklärung: Da technische Fähigkeiten mit KI-Assistenz einfacher zu erlernen sind, wird Geschäftsaufklärung und Branchenwissen entscheidend für den Erfolg eines Kandidaten. Jeder sollte therefore enger mit Stakeholdern zusammenarbeiten, um sein Geschäftswissen zu vertiefen. Beim Vorbereiten auf Interviews sollte man Zeit investieren, um das Unternehmen und dessen Produkte zu recherchieren – welche Schlüsselmetriken sind wichtig, wie kann das Produkt durch Daten weiter gewachsen werden und welche Retentionsstrategien sinnvoll sind. Diese Überarbeitung des Einstellungsprozesses spiegelt die zunehmende Bedeutung von KI in der Datenwissenschaft wider und stellt sicher, dass sowohl die Rekrutierung als auch die Arbeit der Datenwissenschaftler effektiver und innovativer werden. Es ist wichtig, dass sowohl Personalverantwortliche als auch Kandidaten flexibel und offen für diese Veränderungen sind, um in der KI-Ära erfolgreich zu sein. Industrie-Insider bewerten diese Veränderungen positiv, da sie die Qualität der Einstellungen erhöhen und die Fähigkeiten der Bewerber besser einschätzen lassen. Unternehmen wie Canva und Greenhouse zeigen bereits, wie man diese Veränderungen umsetzen kann, indem sie KI-Tools in den Einstellungsprozess integrieren. Dies deutet darauf hin, dass die Branche bereit ist, den Sprung in die KI-Ära zu wagen und somit die Zukunft der Datenwissenschaft auf innovative Weise zu gestalten.