Sådan screener du datalogiske færdigheder

Udgivet: Sidst opdateret:
Screen datavidenskabelige færdigheder

Datalogi. Et moderne buzzword. I vores digitale verden af i dag er det almindeligt at finde titler til roller og discipliner, som endnu ikke er defineret og accepteret af alle. Ingen er mere udbredt end datavidenskab og de datavidenskabelige færdigheder, der tilskrives dem.

I denne artikel vil vi gennemgå betydningen af datavidenskab og datavidenskabelige færdigheder og give dig vores råd om, hvordan du bedst screener dig til en stilling inden for datavidenskab.

Det vigtigste om datavidenskab

Ifølge markedsanalysefirmaet Forrester vil indsigtsdrevne virksomheder i 2021 samlet set være til en værdi af $1,8 billioner, hvilket er en stigning fra $333 mia. i 2015. Disse "indsigter" stammer fra data, som spiller en central rolle for at hjælpe verdens mest succesfulde virksomheder med at blive mere rentable. Samme rapport viste, at datadrevne organisationer vokser 8 gange hurtigere end det globale BNP. Stof til eftertanke.

Evnen til at fortolke data og udnytte deres nytteværdi er helt klart et ret seriøst job. Men der er mere eller mindre enighed om om den manglende konsensus om en klar definition af datavidenskab.

På trods af feltets vanskeligheder med at definere sig selv har det ikke bremset oprettelsen af nye kandidatuddannelser med "datalogi" i deres navn. For at bekræfte dette, skal en seneste analyse af en undersøgelse af KDNuggets har vist, at kandidatuddannelser med navnet "datavidenskab" begyndte at dukke op i 2007, med en enorm stigning i antallet af tilmeldinger i 2012.

Det er tydeligt, at stillinger inden for datalogi befinder sig på en kritisk bane i deres levetid. På grund af feltets skalerbarhed får det den opmærksomhed, det kræver. Men uden at kunne forstå ordentligt, hvad det er, hvordan skal vi så ansætte til det?

DevSkiller dækker dig på begge fronter.

Hvad er datalogi

Hvad er datalogi?

I sin enkleste form er datavidenskab disciplinen, der går ud på at gøre data nyttige. Begrebet datavidenskab er "at forene statistik, dataanalyse, maskinlæring, og de dertil knyttede metoder" med henblik på at "forstå og analysere faktiske fænomener" med data.

Traditionelt var de data, vi kunne evaluere, oftest strukturerede og små i størrelse og kunne analyseres ved hjælp af simple BI-værktøjer. I modsætning til data i de traditionelle systemer, som for det meste var strukturerede, i dag er de fleste data ustrukturerede eller halvstrukturerede. Denne efterspørgsel har accelereret datavidenskabsfolkenes rolle.

1.1 Hvad er en datalogs rolle?

En datavidenskabsmand bør fastlægge virksomhedens datastrategi, hvilket indebærer at etablere alt fra teknik og infrastruktur til indsamling af data og logning til beskyttelse af personlige oplysninger. De beslutter, hvilke data vil være rettet mod brugerne, hvordan data skal bruges til at træffe beslutninger, og hvordan de skal indbygges i produktet. De vil også beskæftige sig med patentering af innovative løsninger og fastsættelse af forskningsmål. En liste over deres grundlæggende ansvarsområder omfatter bl.a:

  • Sammenfatning af alle tilgængelige oplysninger, statistikker og data om en organisation,
  • Indsamling af oplysninger om AI-behovene i en organisation,
  • Analyser data og find potentielle anvendelsesmuligheder med AI (undertiden kaldet Exploratory Data Analysis),
  • Forklare datamønstre for forretningsorienterede kolleger og kunder (en proces, der kaldes data storytelling),
  • Design og forberedelse af maskinlæringsmodeller,
  • Evaluering af modellernes effektivitet i produktionsmiljøet.

Hvis du ikke vidste det, er en maskinlæringsmodel et program, der er blevet trænet til at genkende visse typer af mønstre. Det er muligt at træne en model over et sæt data og give den en algoritme, som den kan bruge til at ræsonnere over og lære af disse data.

En chef datalog skal lede et team af ingeniører, forskere og analytikere og skal kommunikere med ledelsen på tværs af virksomheden, herunder CEO, CTO og produktledelse. Hun skal også beskæftige sig med patentering af innovative løsninger og opstilling af forskningsmål.

En populær Twitter definition har beskrevet en datavidenskabsmand som "en person, der er bedre til statistik end enhver softwareingeniør og bedre til softwareudvikling end enhver statistiker".

1.2 Ligner en datavidenskabsmand nogen andre stillinger?

Mange forskellige typer analytikere kan "gøre data nyttige", lige fra datatekniker til en datamatiker og hele vejen til en kvalitativ ekspert. Alle disse roller indgår i datavidenskab, men for at kunne betegne en person som datavidenskabsmand skal vedkommende have ekspertise inden for alle tre områder (analytik, statistik og ML/IA).

Som eksempel kan nævnes, at en maskinlæringsudvikler udfører en delmængde af dataforskerens opgaver, men kun fokuserer på maskinlæringsmodeller. Stillingen som datavidenskabsmand er i virkeligheden et paraplybegreb, selv om jobtitler aldrig har været en præcis afspejling af ens ansvarsområder.

Datalogi: Hvad er vigtigt for en it-ansætter

Hvad er vigtigt for en it-rekrutteringsmedarbejder at vide om Data Science?

2.1 Hvor ofte ændrer omgivelserne/udfordringerne sig?

En ting, som en it-rekrutteringsansvarlig bør være opmærksom på, er, at landskabet ændrer sig konstant. Dataene bliver større og større, og problemerne bliver sværere, så der udvikles nye teknikker, og nye rammer vil helt sikkert følge efter.

2.2 Er der mange ressourcer/værktøjer/teknologier (biblioteker, rammer osv.) til rådighed?

Det vil helt sikkert være en stor fordel at være bekendt med visse ressourcer og værktøjer. I øjeblikket findes der mange værktøjer til Python-sproget, men der findes langt færre værktøjer til R (et andet programmeringssprog). Nogle deep-learning-rammer er tilgængelige i C++, da det er hurtigere og mere hukommelseseffektivt end Python. I Python omfatter nogle af de mest populære biblioteker: pandas, Seaborn, plotly, scikit-learn, PyTorch, TensorFlow.

2.3 Hvad bør en datalog vide om, og hvad er de vigtigste datalogfærdigheder?

Dataloger forventes at kunne en masse - maskinlæring, datalogi, statistik, matematik, datavisualisering, kommunikation og deep learning. Inden for disse områder er der snesevis af sprog, frameworks og teknologier, som dataloger kan lære.

Datavidenskab kræver statistiske og datalogiske færdigheder - det er ingen overraskelse. Det er interessant, at kommunikation er nævnt i næsten halvdelen af stillingsopslagene inden for datalogi i disse dage. Dataloger skal være i stand til at formidle indsigt og arbejde sammen med andre. En grundlæggende liste over, hvad der kendetegner en god datalog, er nedenfor:

  • Mulighed for dataanalyse
  • Er dygtig til maskinlæring
  • har gode kommunikationsevner
  • Behersker en ramme for dybdegående læring
  • er flydende i Python eller R

2.4. Hvilken type erfaring er vigtig at søge hos en datalog (kommerciel, open source, videnskabelig, akademisk)?

For forskning er kun projekter - akademisk eller videnskabelig erfaring vil være den mest afgørende og afrundede. Men når det drejer sig om at skabe produktionsmodeller - tidligere erfaring med at arbejde med andre produktionsmodeller vil give dig den bedste indsigt.

Kontroller færdigheder

Hvordan kan man kontrollere datalogens færdigheder i screeningsfasen?

Voksende data betyder voksende muligheder - det hele skal bare forvaltes godt. Det er vanskeligt at kontrollere færdigheder i screeningsfasen, men fokusere på en kandidats bløde kompetencer kan også hjælpe med at finde frem til talenter på en unik måde. At finde dataloger, der allerede er gode beslutningstagere

makere kan spare en masse besvær for din virksomhed.

3.1 Hvad skal man tage hensyn til, når man screener et CV?

Det vigtigste er at overveje, om kandidaten har en detaljeret baggrund inden for de mest relevante områder. En historisk erfaring med matematik, statistik, datalogi, programmering og maskinlæringsbiblioteker er helt afgørende her. Tidligere erfaring med datalogisk analyse og programmering er også afgørende.

Det, der adskiller en god datalog fra en god datalog, er interpersonelle kommunikationsevner, dvs. evnen til at tale og samarbejde med en lang række forskellige mennesker. Kandidaten bør også have en god forretningsforståelse eller en velafrundet forståelse af forretningsmæssige grundprincipper og principper.

Sørg for at kontrollere, om kandidaten har angivet, hvordan deres arbejde har haft en positiv indvirkning på en stigning i salget, ROI osv. Det er helt afgørende for topkandidater at inkludere kvantitative beviser for deres resultater.

Hvis den kandidat, du leder efter, er nyuddannet, skal du fokusere på deres færdigheder og relevante kurser eller praktikophold, som de har gennemført for at vurdere deres brede viden.

3.2 Hvilke glossarudtryk er vigtige at kende?

  • Eksplorativ dataanalyse - dette består af datarengøring, udforskning af datamønstre og manuel opdagelse af mønstre i data
  • Data storytelling - dette henviser til beskrivelse og visualisering af datamønstre for personer uden teknisk viden
  • Klassisk maskinlæring - løsning af opgaver ved hjælp af modeller som lineær eller logistisk regression, beslutningstræer, tilfældige skove, boosting, supportvektormaskiner, ikke-negativ matrixfaktorisering, K-means, k-nearest neighbors
  • Deep Learning - løsning af opgaver ved hjælp af neurale netværk. Nogle typer af neurale netværk omfatter konvolutionelle neurale netværk og recurrente neurale netværk.
Biblioteker til dataanalyse og -manipulationI Python: I Python: NumPy, pandas I R: dyplr, tidyr
Biblioteker til distribueret dataanalyse og -manipulationI Python: Dask i Scala, Java og Python: Dask i Scala, Java og Python: Spark
Biblioteker til datavisualiseringI Python: Seaborn, Plotly, Matplotlib I R: ggplot2
Generelle biblioteker til maskinlæringI Python: scikit-learn I R: caret, e1071
Deep Learning-bibliotekerI Python: Keras, Tensorflow, PyTorch I R: Nnet I C++: Caffe

3.3 Hvilke certificeringer er tilgængelige og respekteres? Hvor brugbare er de til at bestemme datamatikerkompetencer?

Lad os slå én ting fast på forhånd: Du behøver ikke at have et datalogisk certifikat for at få et job inden for datalogi. Det hjælper, men rekrutteringsfolk er ikke overdrevent optaget af det.

Omkring halvdelen af viden om maskinlæring er dog teoretisk, så certificeringer på dette område er meget anvendelige. Den anden 50% kommer fra erfaring, dvs. enhver form for produktionsmodel, der er skabt, eller Kaggle-konkurrencer. Certificeringer kontrollerer normalt ikke forretningsanalysefærdigheder eller generelle menneskelige færdigheder. De bedste kurser, vi har fundet, er nedenfor.

  • Certificeret analytiker (CAP)
  • Cloudera Certified Associate: Data Analyst
  • Cloudera Certified Professional: CCP Data Engineer
  • Data Science Council of America (DASCA) Senior Data Scientist (SDS)
  • Data Science Council of America (DASCA) Principle Data Scientist (PDS)
  • Dell EMC Data Science Track
  • Google Certified Professional Data Engineer
  • Google Data og maskinlæring
  • IBM Data Science Professional-certifikat
  • Microsoft MCSE: Datastyring og analyse
  • Microsoft Certified Azure Data Scientist Associate
  • Open Certified Data Scientist (Open CDS)
  • SAS Certified Advanced Analytics Professional
  • SAS Certified Big Data Professional
  • SAS-certificeret datavidenskabsmand

Certificeringer fra Coursera, edX eller Udacity er også meget respekterede.

3.4 Hvilke andre linjer på et CV kan vise datalogiske færdigheder?

Hvis man noterer sig kandidaternes deltagelse i konferencer som talere, kan det være et tegn på en nødvendig evne til at være en god historiefortæller, hvilket er et vigtigt krav inden for datalogi. Det er naturligvis bydende nødvendigt at være ekspert på den tekniske side af tingene, men det er lige så afgørende at have evnen til at forklare sine resultater til dem, der ikke har den tekniske viden, som man har.

Det kan også være en stor fordel at deltage i konkurrencer om maskinlæring. Platforme som Kaggle.com, topcoder.com, crowdai.org og knowledgepit.ml giver alle mulighed for at konkurrere om priser inden for området.

I dagens verden er det måske ikke nok at have et godt CV alene for at få den eftertragtede samtale. Især hvis du ansøger om en stilling som datalog. Da vi lever og trives midt i en digital revolution, er det indlysende, at rekrutteringsprocessen også vil inddrage dette.

Det kan være nyttigt at gennemse en kandidats LinkedIn- og GitHub-konti for at vurdere kandidatens profil og for at se deres færdigheder i open source-projekter. Du kan afgøre, om projekterne er relevante for den aktuelle rolle. Dette hjælper dig med at visualisere kandidatens profil, så du er i stand til at strukturere spørgsmålene på en bestemt måde. Du vil også kunne afgøre, om de data scientist-færdigheder, som kandidaten nævner i sit CV, afspejles i hans/hendes GitHub-profil.

Teknisk screening af datavidenskabelige færdigheder under et teknisk interview pr. telefon/video

Det er svært at stole på ord i et CV. Det er trods alt vigtigt at udfordre kandidaten for at afgøre, om han/hun virkelig har de færdigheder, han/hun hævder at have. Selv om det blot er et telefoninterview, kan det hjælpe dig med at forstå, hvordan kandidaten tænker og går til at løse problemer i forbindelse med sit håndværk.

4.1 Spørgsmål, som du bør stille om en datalogs erfaring. Hvorfor skal du stille hvert af disse spørgsmål?

  • Hvilken slags DS-projekter har du lavet, og i hvilket omfang har du været involveret i projekterne?
    Begrundelse: Nogle kandidater arbejder måske kun med dataanalyse og storytelling eller indsamler kun krav og skaber maskinlæringsmodeller. Kandidatens erfaring skal matche ansvarsområderne for den stilling, du søger. Dette spørgsmål har egentlig til formål at kontrollere omfanget af kandidatens færdigheder.
  • Hvordan har dit arbejde haft en positiv økonomisk indvirkning på organisationen med de projekter, du har været med til at gennemføre?Begrundelse: Det er en stilling, der kræver en god forståelse af forretningskrav og -forhold. Kig efter svar, der viser specifikke målinger, såsom "marketingteamet var i stand til at reducere omkostningerne med 10% på grund af vores resultater", eller "vi har sænket kundeomsætningen med 5% på grund af vores nye muligheder for fastholdelse".
  • Hvilke slags biblioteker og programmeringsteknikker brugte du?
    Begrundelse: Dataloger kan bruge en lang række værktøjer til at opnå de samme resultater. Disse kan afhænge af det programmeringssprog, man vælger, virksomhedens interne infrastruktur og størrelsen af det datasæt, som kandidaten har arbejdet med. Kandidaten vil sandsynligvis klare sig bedst med værktøjer, som han/hun har tidligere erfaring med.

4.2 Spørgsmål, som du bør stille om en datalogs viden og holdninger. Hvorfor skal du stille hvert af disse spørgsmål?

  • Hvordan kan du kontrollere, at en model fungerer korrekt?
    Begrundelse: Den ideelle metode er at opdele datasættet i dele: træningssæt, valideringssæt og testsæt. Træningssættet er det eneste sæt, som modellen har adgang til, og det er grundlaget for træningsprocessen. Modellens parametre fastsættes ved hjælp af valideringssættet, og modellens effektivitet testes på testsæt.
  • Hvordan kan du kontrollere, om dataene i datasættet er af god kvalitet?
    Begrundelse: En datalog vil højst sandsynligt skulle arbejde med et datasæt, der er indsamlet i virksomheden, og som kan indeholde manglende værdier, fejl eller uoverensstemmelser - det er tegn på rodet data. For at finde sådanne problemer bør en datavidenskabsmand udføre Exploratory Data Analysis for at opsummere deres vigtigste karakteristika.
  • Hvad er boosting, og hvad er fordelene ved at bruge det?
    Begrundelse: Boosting-modeller er træbaserede modeller, der består af grupper af træer, som trænes i rækkefølge. Boosting-modeller er i øjeblikket de mest effektive modeller med stor nøjagtighed, relativt kort træningstid, reduceret hukommelsesforbrug og mellemstore nødvendige træningsdatasæt (i sammenligning med dybe læringsteknikker).

Et tip fra vores ekspert er at stille spørgsmål, der er relateret til de forretningsproblemer, som du er i gang med at rekruttere til. Som alle andre vil dataloger arbejde bedst på områder, som de er fortrolige med.

Det er f.eks. ikke alle kandidater, der har en "fornemmelse" for (eller er interesseret i eller villig til at lære) det indre af fabriksudstyr (problemer med forudsigeligt vedligehold), medicinske termer (udvikling af AI til medicinalindustrien) eller kundepræferencer (anbefalingssystemer til e-handel).

4.3 Adfærdsmæssig spørgsmål, som du bør stille en datalog. Hvorfor skal du stille hvert af disse spørgsmål?

  • Hvordan håndterer du meningsforskelle med kolleger?
    Begrundelse: En data scientist skal have gode kommunikations- og interpersonelle færdigheder (dvs. empati), da deres rolle er baseret på at samle data fra kolleger og finde områder, der kan forbedres i deres organisation eller samfund.
  • Hvor finder du oplysninger om nye datavidenskabelige teknikker eller cases?
    Begrundelse: Da datalogiområdet er i konstant udvikling og vækst, kræver rollen konstant forskning for at holde sig ajour med de seneste opdateringer og løse problemerne på den mest effektive måde. Alle disse kilder er værdige: konferenceartikler, workshopartikler, MOOC'er, blogs fra virksomheder, der beskæftiger sig med datalogi, møder i datalogi-fællesskabet, Facebook- eller mailgrupper med et datalogisk tema eller læring fra en mentor.
  • Hvad anser du for at være din største succes og største fiasko inden for DS-området?
    Begrundelse: Dette er et ret generisk spørgsmål, men det viser kandidatens evne til selvindsigt og selvrefleksion. Begge dele er nødvendige i læringsprocessen, som er en vigtig del af at være en god datalog.
Kodning af prøver

Teknisk screening af en datamatikers færdigheder ved hjælp af en online kodningstest

Det kan være en vanskelig proces at ansætte en datamatiker. Den egentlige definition af en datavidenskabsmand er vag, og det daglige arbejde for en person med "datavidenskabsmand" i jobtitlen varierer meget fra organisation til organisation. Desuden kommer folk til feltet fra en bred vifte af baggrunde. At undersøge en datalogkandidats fortid er en videnskab i sig selv, som er et selvstændigt blogindlæg værdig. Vi vil holde os til at vise dig, hvordan du bedst screener en data scientist!

5.1 Hvilken online test for datalogiske færdigheder skal du vælge?

Når du leder efter den rigtige test af færdigheder inden for datalogi skal du sikre dig, at den opfylder følgende kriterier:

  • Prøven afspejler kvaliteten af det professionelle arbejde, der udføres
  • Varigheden er ikke for lang, højst en til to timer.
  • Testen kan sendes automatisk og er ligetil i sin natur
  • Sværhedsgraden passer til ansøgerens evner
  • Testen går ud over at kontrollere, om løsningen fungerer - den kontrollerer kodens kvalitet og hvor godt den fungerer i edge cases
  • Det er så tæt på det naturlige programmeringsmiljø som muligt og giver kandidaten adgang til relevante ressourcer
  • Det giver kandidaten mulighed for at bruge alle de biblioteker, frameworks og andre værktøjer, som de regelmæssigt støder på.

5.2 DevSkiller online færdighedstests for datalogi, der er klar til brug

DevSkiller-kodningstests bruger vores RealLifeTesting™-metode til at afspejle det faktiske kodningsmiljø, som din kandidat arbejder i. I stedet for at bruge obskure algoritmer kræver DevSkiller-testene, at kandidaterne skal opbygge applikationer eller funktioner. De bedømmes helt automatisk og kan tages hvor som helst i verden. Samtidig har kandidaten adgang til alle de ressourcer, som de normalt ville bruge, herunder biblioteker, frameworks, StackOverflow og endda Google.

Virksomheder bruger DevSkiller til at teste kandidater ved hjælp af deres egen kodebase fra et hvilket som helst sted i verden. For at gøre det nemt tilbyder DevSkiller også en række færdighedstests inden for datalogi, som f.eks. de her, der er lavet på forhånd:

Python
MIDDLE
Testede færdigheder
Varighed
70 minutter max.
Evaluering
Automatisk
Testoversigt

Spørgsmål efter valg

vurdering af viden om Python, Gnist

Programmeringsopgave - Niveau: Medium

Python | PySpark | Customer Preference Model - Implementer en datateknisk applikation til forbehandling af markedsføringsdata.

Python
JUNIOR
Testede færdigheder
Varighed
65 minutter max.
Evaluering
Automatisk
Testoversigt

Spørgsmål efter valg

vurdering af viden om Python

Programmeringsopgave - Niveau:

Python | PySpark | ML Logs Transformer - Færdiggør implementeringen af logtransformationspipeline.

Scala
JUNIOR
Testede færdigheder
Varighed
66 minutter max.
Evaluering
Automatisk
Testoversigt

Spørgsmål efter valg

vurdering af viden om Scala

Programmeringsopgave - Niveau:

Scala | Spark | ML Logs Transformer - Færdiggør implementeringen af loggenes transformationspipeline.

Datalogi
JUNIOR
Testede færdigheder
Varighed
45 minutter max.
Evaluering
Automatisk
Testoversigt

Opgave - Niveau: Let

SQL | Frimærkekatalog | De tre højeste priser - Vælg tre frimærker (pris og navn) med den højeste pris.

Programmeringsopgave - Niveau:

Python | Pandas | HTML table parser - Implementer en funktion til at konvertere HTML-tabellen til en CSV-fil.

Python
JUNIOR
Testede færdigheder
Varighed
35 minutter max.
Evaluering
Automatisk
Testoversigt

Spørgsmål efter valg

vurdering af viden om Python

Programmeringsopgave - Niveau:

Python | Pandas | HTML table parser - Implementer en funktion til at konvertere HTML-tabellen til en CSV-fil.

Python
MIDDLE
Testede færdigheder
Varighed
120 minutter max.
Evaluering
Automatisk
Testoversigt

Spørgsmål efter valg

vurdering af viden om Python

Programmeringsopgave - Niveau: Medium

Python | Rapport om salg af køretøjer - Implementer en applikation til at oprette rapporter baseret på datalageret om salg af køretøjer.

Python
MIDDLE
Testede færdigheder
Varighed
96 minutter max.
Evaluering
Automatisk
Testoversigt

Spørgsmål efter valg

vurdering af viden om Python

Programmeringsopgave - Niveau: Medium

Python | Pandas | En startupvirksomhed, der leverer mad - Omdan en database med ordrer ved at reducere dens dimensionalitet og oprette en ekstra analytisk tabel.

Python
JUNIOR
Testede færdigheder
Varighed
45 minutter max.
Evaluering
Automatisk
Testoversigt

Spørgsmål efter valg

vurdering af viden om Python

Programmeringsopgave - Niveau:

Python | Client Base Creator - Implementer programmet til at hente kundens kontaktdata fra chatbeskederne.

Python
MIDDLE
Testede færdigheder
Varighed
70 minutter max.
Evaluering
Automatisk
Testoversigt

Spørgsmål efter valg

vurdering af viden om Maskinlæring, Python

Programmeringsopgave - Niveau: Medium

Python | DNA Analyzer | Opret og rens DNA-strenge - Implementer 2 metoder i Python, der opretter og renser DNA-strenge.

Python
JUNIOR
Testede færdigheder
Varighed
49 minutter max.
Evaluering
Automatisk
Testoversigt

Spørgsmål efter valg

vurdering af viden om Maskinlæring

Programmeringsopgave - Niveau:

Python | DNA Analyzer - Implementer en metode i Python, der genererer en statistisk DNA-rapport.

Test dine færdigheder inden for datalogi med vores indbyggede PyCharm IDE

Du kan nu vurdere dine kandidaters færdigheder inden for datalogi ved hjælp af vores indbygget PyCharm IDE.

I betragtning af hvor svært det er at tiltrække dygtige dataloger, er det vigtigt at skabe de mest kandidatvenlige vurderingsmiljø er et stort aktiv. At lade dataloger arbejde præcis som de plejer at gøre under rekrutteringsprocessen er en afgørende faktor.

Hvad det betyder for dig og dine kandidater:

  • Dine kandidater kan nu arbejde direkte i browseren uden at skulle downloade nogen komponenter eller vente på, at programmet indlæses,
  • De behøver ikke længere at klone koden, vente på at afhængighederne installeres eller indekser opbygges,
  • I stedet kan de bogstaveligt talt begynde at programmere, så snart de åbner testinvitationen. Dette fremskynder processen, hvilket resulterer i et lavere frafald af kandidater og en mere positiv kandidatoplevelse generelt. Vores PyCharm IDE er hostet af vores egen server i skyen. Kandidaterne kan køre tests, få vist og afspille deres løsninger og køre deres kode.

Vi bestræber os på at gøre screeningprocessen så tæt på datalogernes normale arbejdsmiljø som muligt.

Dette er den anden IDE i browseren fra JetBrains, som vi har tilføjet til vores platform, efter tilføjelsen af IntelliJ IDEA for alle Java-tests tidligere i år.

Vi vil snart udrulle flere IDE'er til platformen for at gøre testmiljøet universelt behageligt for kandidater på tværs af alle teknologiske stakke.

Del indlæg

Få mere at vide om ansættelse af teknologiske medarbejdere

Tilmeld dig vores Learning Hub for at få nyttig viden direkte i din indbakke.

Kontroller og udvikl kodningsevner uden problemer.

Se DevSkiller-produkterne i aktion.

Sikkerhedscertificeringer og overholdelse. Vi sørger for, at dine data er sikre og beskyttede.

DevSkiller-logo TalentBoost-logo TalentScore-logo