يتوقع المنتدى الاقتصادي العالمي أن تقوم 41% من الشركات حول العالم بتقليص قوتها العاملة بسبب صعود الذكاء الاصطناعي بحلول عام 2030، بينما أعلنت شركات مثل Meta عن خطط لتقليص عدد الموظفين هذا العام.
هذا يعني شيئًا واحدًا: المزيد من تسريح العمالة في مجال التكنولوجيا في عام 2025.
أنا شخصياً أعرف العديد من الزملاء الذين تأثروا بتسريح العمالة في مجال التكنولوجيا العام الماضي. وقد جعلني هذا الأمر أشعر بقلق متزايد بشأن وظيفتي في علم البيانات، لذلك بدأت في إجراء بعض الأبحاث. تحدثت إلى كبار علماء البيانات وقادة الفرق، بالإضافة إلى مهندسي البرمجيات ومديري المنتجات، لفهم تأثير تسريح العمالة في مجال التكنولوجيا على علم البيانات.
كان لدي سؤالان ملحان:
- كيف أؤمّن وظيفتي في علم البيانات من تسريح العمالة؟
- هل لا يزال من المفيد أن أصبح عالم بيانات في عام 2025؟
بناءً على المعلومات التي جمعتها وتجربتي الشخصية، أعتقد أن وظائف علم البيانات ستظل موجودة في السنوات الخمس المقبلة. ومع ذلك، فإن “علماء البيانات ذوي القيمة المضافة” هم فقط من سيبقون، بينما سيتم الاستغناء عن أولئك الذين لا يُحسّنون من أرباح الشركة.
وبينما لا توجد وظيفة آمنة بنسبة 100٪ من تسريح العمالة، سأشارككم 3 طرق لتصبح عالم بيانات لا غنى عنه.
بنهاية هذه المقالة، ستتعلم:
- كيفية الحصول على وظيفة في علم البيانات والحفاظ عليها براتب جيد
- كيفية حماية حياتك المهنية في علم البيانات من التسريح والتسلق السريع إلى المناصب الإدارية
![]()
1. بناء أساس قوي
1. بناء أساس قويبصفتك عالم بيانات، يجب أن تركز على بناء أساس قوي في الإحصاء والتعلم الآلي والرياضيات. بينما تتغير الأدوات ولغات البرمجة باستمرار، تظل المفاهيم الأساسية كما هي. كما تعلم، يمكن أن تساعد نماذج الذكاء الاصطناعي الشركات على اتخاذ قرارات أسرع باستخدام التعلم الآلي والبرمجة.
ومع ذلك، لن تعتمد أي شركة بشكل كامل على عمل نموذج الذكاء الاصطناعي لاتخاذ قرارات بملايين الدولارات. ستحتاج الشركات إلى توظيف علماء بيانات – خبراء يمكنهم توجيه الذكاء الاصطناعي، وتصحيح أخطائه، وتقديم رؤى بسرعة. سيقوم عالم البيانات بمناقشة أفضل التقنيات التي يجب استخدامها، وتغيير المسار عندما لا ينجح أحد الأساليب، والتحقق من أي مخرجات يقدمها الذكاء الاصطناعي.
ومع ذلك، ستحتاج الشركة إلى عدد أقل من الأشخاص للقيام بالمهمة نظرًا لتحسين الكفاءة الذي يجلبه الذكاء الاصطناعي. سيتم دفع رواتب جيدة لهؤلاء علماء البيانات، لكن يجب أن يكون لديهم فهم قوي للمفاهيم الأساسية المتعلقة بالإحصاء والتعلم الآلي، إلى جانب مهارات قوية في المنطق والاستدلال. بينما تركز معظم الشركات اليوم على التنفيذ والسرعة، ستبدأ المؤسسات في تفضيل علماء البيانات ذوي المعرفة النظرية القوية بنماذج التعلم الآلي.
فيما يلي بعض الموارد المجانية التي أوصيك بها لتعلم الرياضيات والنظرية الكامنة وراء تطبيقات علوم البيانات:
- قناة 3Blue1Brown على YouTube لمفاهيم الرياضيات مثل الجبر الخطي، وحساب التفاضل والتكامل، والشبكات العصبية
- قائمة تشغيل Krish Naik للتعلم الآلي لفهم مفاهيم ML الأساسية
- قناة Statquest على YouTube للإحصاء
2. اختر أدوارًا تركز على الأعمال
إن أي موظف يحقق إيرادات مباشرة للشركة هو موظف ذو قيمة. لكن لسوء الحظ، تركز العديد من أدوار علوم البيانات على التأثير المستقبلي بدلاً من المكاسب الفورية للإيرادات.
على سبيل المثال، عملتُ ذات مرة في مشروع مدته 4 أشهر لتقسيم قاعدة عملائنا لتحقيق استهداف أفضل. في نهاية الأشهر الأربعة، لم يتم استخدام نموذج تقسيم العملاء الذي أنشأناه في الإنتاج لأنه لم يعمل بشكل جيد على بيانات المستخدمين الحقيقية. وانتهى بنا المطاف بالتخلي عن المشروع بأكمله.
تشبه الكثير من أدوار علوم البيانات هذا المثال – فهي تركز على التجريب. غالبًا ما يقوم علماء البيانات بإنشاء أشياء قد تنجح في المستقبل بدلاً من المشاريع التي تجلب الأموال في الوقت الحالي. ونتيجة لذلك، إذا حدث تسريح للعمال واضطرت الشركة إلى اتخاذ قرار بتسريح شخص ما، فمن المرجح أن تستهدف فريق علوم البيانات الذي لا يُعدّ أساسيًا في تحقيق تأثير مباشر على الأعمال.
ومع ذلك، إذا اخترت منصبًا في علوم البيانات يكون قريبًا من الأعمال – وهو المنصب الذي تعمل فيه مباشرةً مع أصحاب المصلحة وفرق المبيعات لاتخاذ قرارات تزيد الإيرادات – فسيكون عملك أكثر أمانًا. على سبيل المثال، إذا كنت تعمل في Google وتمكنت من تقديم نصائح لفريق المنتج بشأن ميزة البحث التي ستحقق المزيد من الإيرادات للشركة، فسيكون لعملك تأثير مباشر على الإيرادات. وهذا يعني أنك أكثر أهمية للأعمال التجارية وأقل عرضة لأن يتم استبدالك.
3. إعطاء الأولوية للوضوح على كل شيء آخر
إذا كنت ترغب في الحفاظ على وظيفتك والحصول على ترقية، فيجب أن تكون مرئيًا. هذا ينطبق على كل دور، وليس فقط على علم البيانات.
دعني أوضح لك ذلك بمثال زميلين – بامي وجيم – كلاهما يعملان في علم البيانات.
يجيد جيم تحليل الأرقام. إنه بارع في البرمجة ويقوم ببناء نماذج تعلم آلي تتميز بدقتها العالية وقيمتها الكبيرة للشركة. لكن جيم لا يروج لعمله أبدًا. عادة ما يبقى صامتًا في الاجتماعات، ولا أحد يستخدم نماذجه لأنهم لا يفهمون حقًا ما تفعله. عندما تحتاج فرق العمل إلى تحليل من جيم، غالبًا ما يجدون أنفسهم يحدقون في جداول بياناته، ويقضون الكثير من الوقت في محاولة لتحويل أرقامه إلى قرار.
من ناحية أخرى، تُعد بامي جيدة في البرمجة وتحليل الأرقام. لكنها تقضي ساعات في الترويج لنماذجها عبر وظائف العمل المختلفة. تقوم بتوثيق أي تحليل تتوصل إليه من خلال عرض تقديمي أو تعرضه في لوحة معلومات، مع إبراز الرؤى المهمة لفرق العمل لاتخاذ قرار. كما تعبر بنشاط عن أفكارها خلال اجتماعات الفريق وتشرح المفاهيم الفنية بوضوح لأصحاب المصلحة في العمل. نتيجة لذلك، تحصل بامي باستمرار على تقييمات أداء أفضل من جيم. تعرف معظم فرق القيادة من هي وتستمتع بالعمل معها. تحصل على ترقية أسرع، وبالتالي تقل احتمالية تسريحها من العمل عندما تقرر الشركة خفض التكاليف.
إن القدرة على التواصل والترويج لعملك هي أمر يجب على جميع المتخصصين في مجال التكنولوجيا بناؤه لتسلق السلم الوظيفي بسرعة، وعلماء البيانات ليسوا استثناءً.
النقاط الرئيسية
يشهد سوق العمل حالة من عدم اليقين، ويبدو أن تسريح العمالة في مجال التكنولوجيا لن يتوقف في أي وقت قريب. وبالنسبة لعلماء البيانات (أو حتى الطموحين منهم)، قد يكون هذا الأمر مُربكًا.
ومع ذلك، لا تزال هناك طرق للبقاء في المنافسة في سوق العمل هذا وتحقيق النجاح: من خلال التركيز على المفاهيم الأساسية، والعمل بشكل وثيق مع فرق توليد الإيرادات، والترويج لعملك لأصحاب المصلحة.
