En data scientist som kan forklare hvorfor modellen feiler, utfordre dårlige data og få resten av virksomheten til å bruke innsikten, søker sjelden på en tilfeldig annonse. Likevel starter mange som skal rekruttere data scientists i Norge akkurat der: med en stillingstittel, en lang kravliste og håpet om at den riktige personen tilfeldigvis følger med.
Det er ikke slik de beste kandidatene beveger seg. De er ofte allerede i en rolle de mestrer. De blir kontaktet jevnlig. Og de vurderer ikke bare teknologi og lønn, men om de faktisk får tilgang til data, et tydelig mandat og folk som forstår verdien av arbeidet deres.
Derfor er ikke den første oppgaven å skrive en bedre annonse. Den første oppgaven er å finne ut hva dere trenger, hvem som finnes i markedet, og om dere er et tilbud den kandidaten vil vurdere.
Hvorfor data scientist-rollen så ofte bommer
«Data scientist» er blitt en samlebetegnelse for flere ganske ulike jobber. Én virksomhet trenger en analytiker som kan bygge prognoser og hjelpe kommersielle team å ta bedre valg. En annen trenger en spesialist i maskinlæring som kan sette modeller i produksjon. En tredje trenger egentlig en data engineer, men lyser ut data scientist fordi det høres riktig ut.
Resultatet blir ofte en umulig ønskeliste. Kandidaten skal beherske statistikk, Python, skyplattform, datamodellering, MLOps, visualisering, forretningsforståelse og gjerne et bestemt domene. Det kan finnes mennesker med mye av dette. Men de er ikke nødvendigvis tilgjengelige, interesserte eller realistiske innenfor lønnsrammen dere har satt.
Feilen ligger ikke i ambisjonen. Den ligger i at tittelen får definere behovet. Dere trenger ikke alltid den mest teknisk avanserte profilen. Dere trenger den som løser problemet som faktisk står i veien for virksomheten.
Start med beslutningen dere vil forbedre
Et godt mandat begynner ikke med verktøyene kandidaten skal kunne. Det begynner med en beslutning som skal bli bedre. Kanskje vil dere redusere frafall, prioritere salgsmuligheter, planlegge kapasitet eller oppdage risiko tidligere. Da blir det mulig å spørre hva slags data, kompetanse og organisatorisk gjennomslag som kreves.
Hvis dataene er spredt, definisjonene er uklare og ingen eier datakvaliteten, vil en senior data scientist bruke mye tid på grunnarbeid. Det er ikke et argument mot å ansette. Det er et argument for å være ærlig om rollen. Noen kandidater motiveres av å bygge fundamentet. Andre vil inn i et miljø der de kan jobbe med modeller fra første måned. Begge deler er legitimt. Men dere må vite hva dere tilbyr.
Rekruttere data scientists i Norge: Se markedet før annonsen
Når dere publiserer først, lar dere markedet avgjøre hvem dere får møte. Det er en dyr rekkefølge. Dere får søknader fra dem som er aktive akkurat nå, mens de mest relevante kandidatene ofte aldri ser annonsen eller velger å ikke bruke tid på den.
Start heller med markedet. Hvor mange aktuelle profiler finnes innenfor geografien, lønnsnivået og erfaringskravet deres? Hvor mange andre selskaper jakter de samme menneskene? Og hvordan står dere mot alternativene kandidaten allerede har?
Dette er spørsmål som ikke kan besvares med magefølelse. Har dere behov for en erfaren spesialist i Oslo med ansvar for produksjonssetting av modeller, konkurrerer dere ikke bare med andre teknologiselskaper. Dere konkurrerer med konsulenthus, produktmiljøer, finans, industri og selskaper kandidaten aldri har hørt om, men som tilbyr et tydeligere mandat eller høyere lønn.
Ligger lønnen under medianen for den profilen dere trenger, må det frem tidlig. Det samme gjelder dersom arbeidssted, fleksibilitet eller teknologistack begrenser utvalget. Et ærlig svar før prosessen starter er langt bedre enn seks uker med intervjuer som ender i at kandidaten takker nei.
Fem profiler sier mer enn hundre CV-er
Det mest nyttige dere kan få før dere ansetter, er ikke en bunke med søknader. Det er konkrete profiler som viser hva markedet faktisk består av. Da kan dere diskutere reelle avveininger: Skal dere prioritere domenekunnskap eller erfaring med modellutvikling? Er det viktigere med en person som kan bygge, eller en som kan få organisasjonen til å bruke det som bygges? Må kandidaten være senior nå, eller kan dere ansette en sterkere mellomnivåprofil med et tydeligere utviklingsløp?
Mandag Match er bygget for nettopp denne rekkefølgen. På ti minutter får dere se fem anonyme kandidater, lønnstall for rollen og hvor mange sammenlignbare selskaper som konkurrerer om samme profil. Dere får også en måling av hvor attraktiv arbeidsgiveren deres er for kandidatgruppen. Analysen er gratis, også dersom dere velger en annen vei videre.
Det endrer samtalen. Ikke «hvem håper vi søker?», men «hvilken rolle kan vi faktisk fylle, og hva må til for å vinne kandidaten?»
Vurder ferdigheter uten å gjøre prosessen til et hinderløp
Data scientists er vant til å bli testet. Det betyr ikke at dere bør sette dem gjennom fem runder med oppgaver som aldri ligner arbeidet de skal gjøre. En god vurdering er kort nok til at sterke kandidater blir værende, og grundig nok til at dere ikke ansetter på selvtillit alene.
Be kandidaten vise hvordan de tenker. Gi dem et problem som ligner situasjonen hos dere, uten å bruke gratisarbeid forkledd som case. Se etter om de stiller gode spørsmål om data, måling og forretningsmål før de foreslår en modell. En kandidat som starter med å kode uten å utfordre premisset, kan være teknisk god og samtidig feil for rollen.
Den tekniske vurderingen bør dekke det som er kritisk i akkurat deres miljø. For en produktorientert rolle kan det være evnen til å velge riktig evalueringsmetode, forklare skjevhet i data og samarbeide med engineering. For en kommersiell analysejobb kan det være kausalitet, segmentering og formidling til ledere. Det avhenger av oppgaven. Derfor fungerer ikke én standardtest for alle.
Strukturerte intervjuer gjør også vurderingen mer rettferdig. Når alle får de samme sentrale spørsmålene, blir det lettere å sammenligne svar og vanskeligere å la kjemi overstyre kompetanse. Kandidaten fortjener dessuten å vite hva som vurderes og hvorfor. Innsyn er ikke ekstra service. Det er et minimum når dere ber mennesker investere tid og tillit.
Det er tilbudet rundt rollen som avgjør
Mange tror konkurransen om data scientists avgjøres i siste lønnsforhandling. Ofte er løpet kjørt lenge før det. Kandidaten har allerede vurdert om lederen forstår fagområdet, om dataarbeidet har prioritet, og om det finnes en tydelig vei fra analyse til beslutning.
Vær konkrete i første samtale. Fortell hvilke data som finnes, hva som mangler, hvem som eier plattformen og hva dere forventer etter seks og tolv måneder. Ikke selg inn et «datadrevet selskap» hvis rapportering fortsatt skjer i regneark og ingen kan ta beslutninger på grunnlag av analysene. Kandidaten vil oppdage det. Det er bedre å si at dere er tidlig i arbeidet, og at rollen får påvirkning på retningen.
Lønn må være tydelig, men den står sjelden alene. En kandidat kan velge lavere lønn for større faglig autonomi, interessant domene eller en leder som tar dataarbeid på alvor. Omvendt vil fleksibilitet og spennende teknologi ikke kompensere for et utydelig mandat eller en lønn langt under markedet. Det kommer an på kandidaten, men dere må ha et troverdig svar på hele pakken.
Når det riktige svaret er å justere behovet
Noen ganger viser markedet at rollen dere har sett for dere, ikke lar seg fylle slik den er beskrevet. Kanskje trenger dere en data engineer før en data scientist. Kanskje bør dere bruke ekstern kapasitet mens dere bygger datagrunnlaget. Kanskje må dere heve budsjettet, åpne for en annen lokasjon eller dele ansvaret mellom to roller.
Det er ikke et nederlag. Det er en bedre beslutning enn å ansette feil person for å fylle en tom stol. En feilansettelse i en nøkkelrolle for data kan koste mer enn tid og penger. Den kan sette feil retning for plattform, prioriteringer og tillit til hele fagområdet.
De beste ansettelsene starter med at virksomheten tåler dette svaret. At dere lar fakta utfordre ønskelisten. At dere møter kandidaten med et mandat som er sant, en prosess som respekterer tiden deres og et tilbud som tåler sammenligning.
Da blir rekruttering av data scientists mindre et lotteri og mer det det burde være: en opplyst beslutning mellom to parter som vet hva de går inn i. Gi dere selv det grunnlaget før annonsen publiseres.
