O que mantém as mulheres fora da ciência de dados?

Ciência de dados tem um problema de imagem. As empresas estão cada vez mais procurando contratar o melhor e o mais brilhante deste campo, mas para muitos jovens talentosos, não é uma opção de carreira atraente. Existe uma percepção generalizada entre os estudantes STEM de que a ciência de dados, o campo de crescimento rápido por trás da inteligência artificial (IA) e da revolução do big data, carece de propósito e promove uma cultura de trabalho "nerd" de maneira não aparentemente. Essas percepções - algumas das quais, infelizmente, refletem o estado da ciência de dados em muitas empresas - têm um impacto desproporcional nas escolhas de carreira de estudantes do sexo feminino. E essa falta de diversidade é um problema sério. Os algoritmos de IA são suscetíveis a preconceitos, portanto, construí -los exige uma equipe que inclua uma ampla gama de vistas e experiências.

The consequence is a lack of diversity: as few as 15% of data scientists today are women. And that lack of diversity is a serious issue. AI algorithms are susceptible to bias, so building them requires a team that includes a wide range of views and experiences.

As empresas não podem confiar no hype em torno da IA ​​para corrigir o problema. Eles devem entender com urgência quais etapas podem tomar para impedir que os alunos talentosos - em mulheres particulares e qualificadas - de se afastar do campo. Uma nova pesquisa do BCG com mais de 9.000 estudantes STEM de dez países lança luz sobre a lacuna de gênero na contratação de ciência de dados. (Consulte “Sobre o estudo”.) Focamos nos critérios que os alunos usam para avaliar suas opções de carreira, a fim de identificar o que impulsiona sua decisão de seguir (ou não seguir) uma carreira relacionada à ciência de dados, para entender as diferenças entre os países e examinar o que os empregadores podem fazer para incentivar mais estudantes femininos no campo. Estudo

Diversity Is Critical to Data Science

Data science—the harnessing of big data, advanced analytics, and AI—will soon be everywhere. The days when data science was restricted to the R&D departments of technology companies and ambitious startups are long gone. Today, organizations across the private and public sectors are scrambling to come to grips with its transformative potential and are rapidly building up the necessary know-how. Data scientist, data engineer, machine learning specialist, analytics software engineer: these data science–related roles are in high demand.

Na construção de equipes de ciência de dados, alcançar uma diversidade de abordagens e pontos de vista não é apenas desejável - é crítico. A interpretação de relações causais e correlações em grandes conjuntos de dados requer sutileza, e os humanos e os algoritmos de aprendizado de máquina podem ocasionalmente "ver" padrões que levam a conclusões espúrias, tendenciosas ou até totalmente perigosas. Os algoritmos de IA que são treinados em pontos de dados históricos (como as decisões de contratação anteriores de uma empresa) são suscetíveis ao aprendizado e perpetuação de preconceitos existentes. Construir esses algoritmos pode ser tão uma arte quanto uma ciência. Em particular, como artigo de maio de 2019 da BCG " Como a IA poderia ajudar - ou impedir - as mulheres na força de trabalho ”Argumenta, é preciso uma equipe diversificada de homens e mulheres para garantir que os modelos suscetíveis a vieses produzam resultados precisos e equilibrados. Apenas dois terços vão para uma carreira em um campo relacionado a STEM, como engenharia, análise ou desenvolvimento de software, e ainda menos mudam para uma carreira em ciência de dados.

But data science, like most STEM fields, still has a daunting gender diversity problem. While women make up, on average across countries, around 55% of university graduates, they account for just over one-third of STEM degrees. (See Exhibit 1.) From this precious talent pool, only two-thirds go on to a career in a STEM-related field such as engineering, analytics, or software development, and even fewer move into a career in data science. Consensus across various surveys is that only about 15% to 22% of all professionals in data science–related roles are women.

Para empresas que contratam estudantes STEM em funções de tecnologia e análise, essa é uma restrição muito real ao talento. Complexo e multifacetado, impulsionado por questões que variam dos vieses que podem afastar as meninas da matemática e da ciência na escola secundária aos muitos fatores que envolvem o avanço e a retenção de mulheres no local de trabalho do caule. candidatos. Muitos começaram a abordar o desequilíbrio de gênero de sua ingestão, olhando para dentro: reexaminando suas políticas de recrutamento e RH, eliminando vieses de seleção na triagem e entrevista de candidatos, realinhando os níveis de pagamento para novas contratações e repensando o papel de mentoria e patrocínio. (Veja o relatório de novembro de 2018 da BCG, "

The dynamics of the talent funnel shown in Exhibit 1 are complex and multifaceted, driven by issues ranging from the biases that can turn girls away from mathematics and science in secondary school to the many factors surrounding advance­ment and retention of women in the STEM workplace.

Employers seeking to recruit data scientists from universities into this rapidly growing field sit in the middle of this funnel, struggling to ensure that their applicant pool is filled with the best mix of top female and male candidates. Many have begun to address the gender imbalance of their intake by looking inward: reexamining their recruiting and HR policies, eliminating selection biases in the screening and interviewing of candidates, realigning pay levels for new hires, and rethinking the role of mentorship and sponsoring. (See BCG’s November 2018 report, “ Ganhando a corrida para mulheres no digital , ”Para uma discussão detalhada de tais esforços.) Essas são etapas valiosas e importantes. As universidades podem influenciar e ampliar o escopo das considerações de carreira dos alunos - e remover quaisquer barreiras inerentes ao gênero - é, portanto, de importância crítica. Na década passada, a criação de novos empregos no campo acelerou em um ritmo tremendo, e a ciência de dados consistentemente colocou no ranking de estudantes de carreiras atraentes. De quase todos os alunos do STEM. Oportunidades científicas para as margens de seus radares de carreira - ou para que eles entrem completamente o radar. Criticamente, essa auto-seleção adversa afeta desproporcionalmente as escolhas das mulheres e dificulta diretamente a diversidade.

Often overlooked in this discussion, however, are the factors that can cause qualified STEM students not to even consider applying for a job in a field like tech or data science. Students whose personal career radars do not include data science (because of a lack of appeal or a basic lack of information) are lost to employers before such inward-facing diversity measures can help. Understanding how employers and universities can influence and broaden the scope of students’ career considerations—and remove any inherent gender barriers—is therefore of critical importance. 

Data Science Has an Image Problem

Back in October 2012, Harvard Business Review named data scientist as “the sexiest job of the 21st century.” Over the past decade, new job creation in the field has accelerated at a tremendous pace, and data science has consistently placed high in student rankings of attractive careers. Today, with the likes of Amazon, Google, and Apple regularly in the press with stories of rapid advancements in artificial intelligence and next-level insights gleaned from massive data sets, it is easy to assume that data science opportunities must now appear prominently on the personal career radars of almost all STEM students.

Our study shows, however, that the picture is more mixed than one might assume. A very significant share of STEM students across countries appear to have a less than positive view of the work content and culture of data science. Their view, interpreted bluntly, is that data science feels abstract and without sufficient purpose, and that the culture seems overly “nerdy” and competitive. The direct and natural consequence of these perceptions for many will be to push data science opportunities to the fringes of their career radars—or to have them drop off the radar entirely. Critically, this adverse self-selection disproportionately impacts the choices of women and directly hinders diversity.

A ciência de dados pode se sentir abstrata e sem propósito

Data science, done well, is as applied and consequential as it gets. Indeed, many real-world applications are all around us: We come into contact with the power of data science every day as consumers when we go shopping, watch TV, drive our car, or interact with our utilities provider. AI can help producers and service providers to better understand and anticipate needs, to deliver faster solutions, and to boost efficiency. Many of the conveniences we take for granted today—from online retailers to Google Search to smartphones—are unthinkable without data science and AI.

A surprisingly large share of students, however, do not have a positive perception of the field. In our survey, only around half of all STEM students agreed with the view that a data scientist spends his or her time solving real-life problems with high tangible impact. For 49% of students overall (48% of women, 50% of men) in the countries surveyed, the field is instead seen to be theoretical and abstract, focused on manipulating code and data with low impact and, by implication, low purpose. (See Exhibit 2.) Similarly, 68% of students overall subscribed to the view that data science problems are narrow and limited in scope, with little room or need for big-picture thinking. Students who share this view of data science—both men and women—are inherently at risk of dropping out of the talent funnel for data science jobs.

There are probably multiple factors at play. Some of this negative image may be due to misperceptions that can result from university curricula that feel abstract to students if too much emphasis is placed on theoretical constructions and too little on practical examples. Some may also be due to asymmetric media coverage that creates a buzz around cutting-edge breakthroughs while underreporting many remarkable but “quieter” advances in analytics and AI.

First and foremost, however, such perceptions are shaped by companies themselves. Students are picking up on the reality that not all companies are, in fact, succeeding at creating tangible impact from data science and AI. Many companies continue to lack a coherent strategy for how data science and AI can begin to transform their businesses: they “let a thousand flowers bloom” in the hope that a few of these many ideas might take off, but they pay for the occasional success with a long list of disappointing failures and low-impact initiatives. (See the October 2019 MIT Sloan/BCG joint report “ Ganhando com ai ”Para detalhes sobre o que diferencia as principais empresas dos que ficam para trás na IA.) E em suas interações diretas com os alunos, muitas empresas lutam para comunicar uma visão plausível e inspiradora para a importância, impacto e propósito da ciência de dados em seus negócios. Muitas estudantes não são convencidas.

Essas percepções negativas estão presentes entre os países. A China (um dos vencedores globais da atividade de IA nas empresas), Japão e Índia são os outliers negativos claros nessa dimensão, com cerca de 60% dos estudantes da visão de que a ciência dos dados é abstrata e com pouca aplicação. O Reino Unido e os EUA lideram o ranking da percepção, embora ainda com 40% dos estudantes que tenham uma visão negativa de impacto e propósito. No entanto, eles não compartilharam as mesmas preferências e, por esse motivo, o problema da imagem da ciência de dados se torna um problema de diversidade: o impacto nas escolhas das mulheres em relação à ciência de dados é amplificado. Enquanto alguns millennials e os Zers da Gen podem buscar um trabalho aplicado com impacto direto no mundo real, outros preferem um trabalho conceitual com um foco estreito que lhes permita “irem profundamente” sem esperar que nenhum valor diretamente mensurável acompanhe.

These Perceptions Disproportionately Deter Women

Across the countries represented in our survey, there was no meaningful difference in perception along gender lines on average: STEM men and women broadly shared the same perceptions in equal measure. They did not, however, share the same preferences, and for this reason, data science’s image problem becomes a diversity problem: the impact on women’s choices regarding data science is amplified.

Personal working preferences will naturally vary from one student to the next. While some Millennials and Gen Zers may seek applied work with direct real-world impact, others prefer conceptual work with a narrow focus that allows them to “go deep” without expecting any directly measurable value to go with it.

Em média, no entanto, nossos resultados mostram que as mulheres com STEM custam mais sobre o trabalho aplicado e orientado por impacto do que os homens: 67% das mulheres expressaram uma clara preferência por esse trabalho, em comparação com 61% dos homens. Dentro do ponto ideal para contratações de ciência de dados-estudos com graduação em ciência de dados ou aprendizado de máquina-a diferença nas preferências é ainda mais clara, com 73% das mulheres e 50% dos homens priorizando o impacto tangível em sua escolha de carreira. (Consulte o Anexo 3.)

Aqui, as percepções e as preferências pessoais se cruzam de uma maneira crítica. Uma carreira que é percebida como abstrata, de baixo impacto, e sem propósito forte é significativamente menos atraente para as mulheres do que para seus colegas do sexo masculino. Com metade das estudantes do sexo feminino compartilhando essa percepção, uma grande parte do pool de talentos do tronco feminino corre o alto risco de negligenciar a ciência de dados como um potencial "ajuste" para suas preferências e expectativas pessoais. Para uma indústria buscando desesperadamente maior diversidade, isso é um "golpe duplo".

Assim como as percepções variam entre os países, o mesmo acontece com as preferências de trabalho pessoal dos alunos (influenciadas, com certeza, por uma série de fatores culturais e econômicos). Na China e na Alemanha, cuja parcela de percepções negativas estava entre as mais altas, a ameaça de auto-seleção adversa entre as mulheres STEM é particularmente grande: as mulheres STEM nesses países também têm a preferência pessoal mais forte pelo trabalho de alto impacto e, portanto, correm maior risco de serem desligados pela imagem negativa da ciência de dados. No Japão e na Índia, também no ranking negativo da percepção, a situação é igualmente terrível, embora as preferências de trabalho das mulheres sejam menos pronunciadas. Apesar das nuances, no entanto, os estudantes de alto valor atribuem ao impacto e propósito tangíveis-e o valor relativo relativamente maior pelas mulheres-é efetivamente universal entre os países. Os alunos passam muito tempo considerando a cultura de trabalho em seu campo escolhido. Será hipercompetitivo ou amplamente colaborativo? O campo como um todo promove a diversidade e a inclusão? As estruturas de orientação estão disponíveis para apoiar o desenvolvimento pessoal? Nessas dimensões, quando se trata de recrutar estudantes, as percepções são de vital importância. A média entre os países, 81% das mulheres (e 74% dos homens) buscando um grau relacionado à ciência de dados percebiam o campo como sendo "significativamente mais competitivo" do que outros tipos de empregos. (Veja a Figura 4.) Na China, Austrália, Reino Unido e EUA, a parcela das mulheres com essa percepção foi ainda maior, com 91% das mulheres chinesas buscando um diploma de ciência de dados vendo altas pressões competitivas na cultura de trabalho do campo. Com a “cultura competitiva dominada por homens” no topo da lista de preocupações sobre a ciência de dados para muitas estudantes que consideram o campo, essa percepção pode claramente ter um impacto muito real nas escolhas dos alunos. Nature, um empreendimento colaborativo, talvez não seja surpreendente que muitos estudantes vejam a ciência de dados de um ângulo competitivo. Aqui, novamente, os alunos estão simplesmente buscando os sinais que muitas empresas transmitem ativamente.  Por exemplo, muitos empregadores contribuem para o cultivo dessa percepção, promovendo o desempenho dos alunos em competições de codificação como um indicador de desempenho essencial sobre os pedidos de emprego, mesmo quando o trabalho diário da ciência de dados nessas empresas não é competitivo dessa maneira. "Hackathons", hospedados na empresa-os eventos recrutados que pretendem reunir aspirantes a cientistas de dados em um ambiente divertido, "vamos codificar"-podem rapidamente se transformar em uma atmosfera de sala de caldeira, onde os alunos se sentem testados e examinados, em vez de engajados e inspirados. Para muitos estudantes (e acima de tudo, muitas mulheres), esses ambientes podem ser desanimadores e podem ser um desincentivo à exploração adicional da ciência de dados como uma opção de carreira que pode corresponder bem às suas próprias preferências pessoais.

Data Science Feels Competitive and Non-Inclusive to Many

The impact of negative perceptions extends to views of company culture. Students rightly spend a lot of time considering the work culture in their chosen field. Will it be hyper-competitive or broadly collaborative? Does the field as a whole promote diversity and inclusion? Are mentorship structures available to support personal development? On these dimensions, when it comes to recruiting students, perceptions are vitally important.

Our survey shows that many STEM students are concerned about the interpersonal competitiveness of data science jobs—that is, the degree to which employees work in competition with one another rather than as part of a collaborative team. Averaged across countries, 81% of women (and 74% of men) pursuing a data science–related degree perceived the field as being “significantly more competitive” than other types of jobs. (See Exhibit 4.) In China, Australia, the UK, and the US, the share of women with this perception was even higher, with 91% of Chinese women pursuing a data science degree seeing high competitive pressures within the field’s work culture. With “male-dominated competitive culture” topping the list of concerns about data science for many female students considering the field, this perception can clearly have a very real impact on students’ choices.

While most practitioners might argue that data science is, by its nature, a collaborative endeavor, it is perhaps not surprising that many students view data science from a competitive angle. Here, again, students are simply picking up on the signals that many companies actively convey.  For example, many employers contribute to cultivating this perception by promoting student performance in coding competitions as a key performance indicator on job applications, even when the day-to-day work of data science in these companies is not competitive in this way. Company-hosted “hackathons”—recruiting events intended to bring together aspiring data scientists in a fun, “let’s code together” environment—can quickly devolve into a boiler-room atmosphere where students feel tested and scrutinized, rather than engaged and inspired. For many students (and above all many women), these environments can be off-putting and can be a disincentive to further exploration of data science as a career option that might match well with their own personal preferences.

A comunicação é crítica, mas falta

para combater essas percepções do campo, o compartilhamento de informações ativas pela comunidade científica de dados é fundamental. Embora as universidades possam desempenhar um papel importante ao fazer mais para destacar os casos de uso da vida real em seus currículos, cabe aos empregadores pintar uma imagem dos trabalhos de ciência de dados que abordarão as preocupações, dissiparão os mitos e ajudarão a ciência de dados a se tornar uma opção de carreira tangível para mais mulheres STEM. Nesta frente, as empresas podem e devem fazer mais. Os resultados revelam que uma parcela significativa dos estudantes STEM internacionalmente não sente que eles têm um bom entendimento do que é uma “carreira científica de dados”, que é que as opções de desenvolvimento de carreira ele podem oferecer e o que o trabalho diário de um cientista de dados implica. No geral, apenas cerca de 63% dos homens e 55% das mulheres se sentiram adequadamente informadas sobre as várias oportunidades de carreira que envolvem ciência de dados. (Ver Anexo 5.) Apenas 61% dos homens e 55% das mulheres entenderam as qualificações necessárias para um papel de ciência de dados; E apenas 62% dos homens e 47% das mulheres estavam cientes das carreiras no campo. Mesmo entre os cursos de ciência de dados e ciência da computação, que estão naturalmente mais próximos do tópico, 35% das mulheres acharam que têm um entendimento fraco do trabalho diário de um cientista de dados de carreira e quase metade (47%) criticou baixa clareza em relação a planos de carreira relacionados.

Students Feel Poorly Informed

Our survey explored not only perceptions and preferences, but also how much basic knowledge students feel they have about the career opportunity. The results reveal that a significant share of STEM students internationally do not feel that they have a good understanding of what a “data science career” even is, what career development options it can offer, and what the day-to-day work of a data scientist entails. Overall, only around 63% of men and 55% of women felt adequately informed about the various career opportunities involving data science. (See Exhibit 5.) Only 61% of men and 55% of women understood the qualifications required for a data science role; and only 62% of men and 47% of women were aware of the career paths in the field. Even among data science and computer science majors, who are naturally closest to the topic, 35% of women felt that they have a poor understanding of the day-to-day work of a career data scientist, and nearly half (47%) decried poor clarity regarding related career paths.

Não deve surpreender que os aspectos da transparência mencionados acima estejam significativamente correlacionados com as decisões de carreira dos alunos do STEM. Os alunos considerarão uma carreira apenas se tiverem um bom entendimento da oportunidade e suas implicações para eles (mesmo quando for anunciado como "o trabalho mais sexy do século XXI"). Em nossa pesquisa, quase 24% dos ex -alunos com uma boa compreensão da oportunidade aceitaram um emprego em um campo relacionado à ciência de dados (engenharia de dados, desenvolvimento de software de análise, aprendizado de máquina ou funções similares). Dos alunos cujo entendimento era pobre, na melhor das hipóteses, apenas 12% haviam trabalhado no campo. Em nossa pesquisa, um aglomerado de países-australia, França e Espanha-se separa constantemente alcançando altos rankings nas principais dimensões da transparência: compreensão do papel do local de trabalho, as qualificações necessárias e as opções de carreira de longo prazo.

Among STEM students, data science career transparency varies significantly across countries. In our survey, a cluster of countries—Australia, France, and Spain—sets itself apart by consistently achieving high rankings across key dimensions of transparency: understanding of the workplace role, the necessary qualifications, and longer-term career path options. ¹ 1 Nesse ranking, controlamos as diferenças de distribuição entre os países decorrentes do programa de estudos de grau (uma vez que os alunos de doutorado relatam consistentemente uma melhor compreensão das opções de carreira do que os alunos de mestrado ou de bacharel) e da disciplina principal (uma vez que os cursos de ciência da computação e os cursos de ciência da computação relatam naturalmente entendimento do que outros). (consulte o Anexo 6.) Cerca de 65% das estudantes do STEM feminino nesses países principais se sentiram suficientemente informados sobre as opções de trabalho relacionadas à ciência de dados para incluí -las em suas considerações de carreira. Espectro, estudantes do sexo feminino na China, Japão e Alemanha relataram consistentemente a menor transparência sobre suas opções nesse campo, com apenas cerca de 45% se sentindo suficientemente bem informada e, correspondentemente, cerca de 55% em risco de serem diretamente perdidos no pool de talentos em potencial, por causa de uma falta básica de informações. não alcançar o suficiente para conter os alunos (ou para as mulheres em particular). Entre os países, no entanto, parece não haver escassez de oportunidades para fornecer aos alunos informações tangíveis de carreira sobre ciência de dados, dissipar as percepções negativas sobre a cultura do trabalho ou compartilhar casos de uso da vida real que demonstram propósito. Os alunos do STEM são um cobiçado pool de talentos e, como tal, são atirados ativamente por empregos relacionados à ciência de dados e à tecnologia. De fato, 76% dos estudantes da STEM acharam que estavam sendo abordados mais ativamente e intensamente por empregadores que oferecem funções relacionadas a dados e tecnologia do que por todos os outros tipos de empregadores. Em resumo: as empresas estão chegando.

At the other end of the spectrum, female students in China, Japan, and Germany consistently reported the lowest transparency about their options in this field, with only about 45% feeling sufficiently well informed and, correspondingly, about 55% at risk of being directly lost from the potential talent pool because of a basic lack of information.

Companies Are Reaching STEM Women—but Not with Facts They Need

One might ask whether companies are, perhaps, simply not reaching out enough to STEM students (or to women in particular). Across countries, however, there appears to be no shortage of opportunities to provide students with tangible career information on data science, to dispel negative perceptions about the work culture, or to share real-life use cases that demonstrate purpose. STEM students are a coveted talent pool and, as such, are actively wooed for data science- and tech-related jobs. Indeed, 76% of STEM students felt that they were being approached more actively and more intensively by employers offering data- and tech-related roles than by all other kinds of employers. In short: companies are reaching out.

As mulheres com STEM sentem que estão sendo engajadas por essas empresas com a mesma intensificação (se não mais intensamente) do que seus colegas do sexo masculino. Uma parcela maior de mulheres do que os homens relatou envolver os canais usados ​​pelos empregadores em potencial para interagir com os alunos, incluindo eventos de recrutamento no campus e "acampamentos de treinamento", sites de marketing e empregos baseados na página inicial, mídias sociais e redes formais e informais de "pessoas de pessoas". Mais da metade (54%) das mulheres STEM relataram se envolver com empresas que oferecem dados ou empregos de tecnologia por meio de eventos no campus, enquanto 77% buscavam informações sobre esses empregos visitando sites de empregador e busca de emprego. (Veja o Anexo 7.) Nos canais, o engajamento das mulheres ficou atrasado o dos homens apenas para "ser alcançado" por uma rede existente-que não é surpreendente, dado o viés de seleção que acompanha as redes de trabalho pessoais, especialmente em um campo jovem e ainda dominado por homens.

Mas as mulheres, em particular, sentem que falta informações críticas. Em nossa pesquisa, as mulheres STEM classificaram claramente três áreas de informação em relação à ciência de dados como as mais importantes para elas de longe. Embora relevantes para muitos campos, eles parecem ser particularmente críticos para um campo jovem e em rápida evolução, como a ciência de dados.

1. Comunicação mais clara de como é realmente o trabalho do dia-a-dia. As mulheres STEM estão com fome de detalhes tangíveis sobre o conteúdo do trabalho de ciência de dados que as empresas fazem: exemplos da vida real e casos de uso reais. Em particular, os alunos desejam entender o impacto que seu trabalho teria e o objetivo que serve. While many students learn about the tools of data science at university, there are often no points of reference for what applying those tools on the job would actually mean. STEM women are hungry for tangible details about the content of data science work that companies do: real-life examples and actual use cases. In particular, students are keen to understand the impact that their work would have and the purpose it serves.

2. Mais oportunidades de se conectar com os profissionais reais. Se não for abordado de frente através da comunicação direta, essas percepções podem alimentar uma profecia auto-realizável. As mulheres STEM querem e precisam de uma sensação direta para as personalidades, as formas de trabalhar e o grau de colaboração. Esse sentimento raramente aparece em uma apresentação de slides corporativa ou através de uma presença na Internet pesada em marketing. Like many other tech fields, data science need to ensure that students are not left to stew in their negative perceptions and concerns about work culture, non-inclusion, and competitiveness. If not tackled head-on through direct communication, these perceptions can fuel a self-fulfilling prophecy. STEM women want and need a direct feel for the personalities, the ways of working, and the degree of collaboration. This feeling rarely comes across in a corporate slide show or through a marketing-heavy internet presence.

3. Comunicação mais clara das qualificações necessárias para o trabalho. Parece para os alunos que "ser forte na ciência de dados" não é suficiente. Como vários estudos demonstraram, essas expectativas irreais dissuadam desproporcionalmente as mulheres de se aplicarem, enquanto os homens geralmente estão mais dispostos a se arriscar, mesmo quando a barra é definida de maneira irracional. Parece que as mulheres STEM acreditam que já há oportunidades suficientes para se envolver com os empregadores. Em vez disso, o problema é que os empregadores não estão aproveitando ao máximo as oportunidades de resolver os problemas com os quais essas mulheres se preocupam mais. Simplesmente confiar no zumbido da mídia e esperar que a ciência de dados se “venda” para os estudantes seja ingênua e perpetuará apenas a má diversidade. As empresas devem trabalhar mais para combater as percepções negativas do campo e a falta de informações tangíveis sobre as carreiras que os estudantes do sexo masculino e feminino sentem - mas que desincentivizam as mulheres com muito mais força. Para muitas empresas, isso exigirá ações internas (dentro de suas próprias equipes de ciência de dados e culturas da empresa) e mudanças em sua comunicação externa (da maneira que elas se apresentam on -line e alcançam os alunos). Para ser atraente para o talento da ciência de dados de amanhã, as empresas devem se concentrar hoje em garantir que sua análise e estratégia de dados priorizem o impacto mensurável, concentrando seus esforços no punhado de iniciativas que podem e proporcionarão valor significativo e compartilhando os sucessos que resultam com a comunidade. Um ingrediente -chave é uma cultura da empresa que celebra ativamente o impacto dos negócios concretos da ciência de dados, não apenas melhorias abstratas para modelar o desempenho e o número de patentes concedidas. Igualmente importante é uma cultura que promove o impacto por meio da colaboração e do trabalho em equipe e que franze a testa em "meu modelo é mais forte que o seu modelo". Students are frequently alienated by overexcited data science job descriptions that seem to be seeking unicorns: people with exceptional technical skills, multiple programming languages, outstanding communication skills, and plenty of prior experience to boot. It can seem to students that “being strong in data science” is not enough. As various studies have shown, such unrealistic expectations disproportionately dissuade women from applying, while men are often more willing to take a chance even when the bar is set unreasonably high.

“More networking events” and “Stronger tailoring of events to different groups of students”—for instance, more women-only events—were both ranked low. It appears that STEM women believe that there already are enough opportunities to engage with employers. Rather, the problem is that employers are not making the most of the opportunities to address the issues that these women care about most.

Companies Must Do More

Companies are not doing enough to fill these voids. Simply relying on the media buzz and hoping for data science to “sell itself” to students is naïve and will only perpetuate poor diversity. Companies must work harder to combat the negative perceptions of the field and the lack of tangible information about career paths that both male and female students feel—but that disincentivize women much more strongly. For many companies, this will require both internal action (within their own data science teams and company cultures) and changes to their external communication (in the way that they present themselves online and reach out to students).

Changing Perceptions by Changing the Reality

The best way to change the negative perceptions dogging data science is to demonstrate that they are untrue. To be attractive to the data science talent of tomorrow, companies should focus today on ensuring that their analytics and data strategy prioritizes measurable impact, focusing their efforts on the handful of initiatives that can and will deliver significant value and sharing the successes that result with the community. One key ingredient is a company culture that actively celebrates concrete business impact from data science, not just abstract improvements to model performance and the number of patents granted. Equally important is a culture that promotes impact through collaboration and teamwork and that frowns on “my model is stronger than your model” competitiveness.

Quando as empresas realmente vivem esse tipo de abordagem colaborativa e orientada por impacto para a ciência de dados e a IA dos níveis mais sênior para baixo, mostra isso. Requer integrar a estratégia de IA à estratégia de negócios para criar um objetivo comum e exige disposição ousada de assumir projetos com grande impacto, mesmo que sejam grandes e arriscados. Para empresas estabelecidas, essa mudança de abordagem e tom geralmente não é fácil: é preciso liderança clara da IA ​​e da ciência de dados nos níveis mais altos. Mas, à medida que mais e mais empresas vêm viver nesse paradigma, as percepções começarão a mudar, reduzindo sistematicamente as barreiras a um recrutamento mais diversificado. Como observado acima, as empresas já estão alcançando os alunos da STEM, mas parece que o conteúdo geralmente é genérico demais, indiferenciado demais ou insuficientemente focado nas perguntas e preocupações que incomodam as mulheres em particular. Embora isso possa, em algum nível, manter -se verdade para muitos campos de haste, tanto a escala do problema da diversidade quanto a escala do problema da imagem na ciência de dados tornam a ação direcionada ainda mais premente. Tangível

Communicating More Effectively with Female Students

The most immediate way for companies to combat negative perceptions and to provide the information that students lack is, of course, to engage with them directly on these topics. As noted above, companies are already reaching out to STEM students, but it appears that the content is often too generic, too undifferentiated, or insufficiently focused on the questions and concerns that trouble women in particular. While this may, at some level, hold true for many STEM fields, both the scale of the diversity problem and the scale of the image problem in data science make targeted action all the more pressing.

In their communications at recruiting events, on social media, on job portals, and on their own websites, employers should do the following to get their organizations on the career radars of STEM women:

• Make data science tangible Ao trazer exemplos detalhados dos tipos de problemas de negócios que os cientistas de dados da empresa resolvem e mostrando que trabalho diário sobre esses problemas seriam para um novo marceneiro. Vinhetas, certificando -se de que esses instantâneos de funcionários representam experiências relacionadas a homens e mulheres. Perspectivas
• Make data science relatable by bringing actual data scientists to events (instead of only recruiting staff) and by presenting current employees’ stories on the company website in the form of interviews or vignettes, making sure that these employee snapshots represent experiences relatable to both men and women.
• Make requirements honest by publishing realistic job descriptions (written by data scientists, not by HR) that inspire qualified students to apply even when they are not fully sure of their chances of success.
• Make “selling” data science sensitive to different perspectives por ter consciência de formato, tom e linguagem sobre eventos como hackathons, que podem não agradar a todos da mesma maneira.

Simply changing the tone and content of the conversation might appear to be simple measures, but in a battle for talent that hinges on students’ perceptions and preferences, they can play an important part in helping to Corrija o desequilíbrio de gênero no funil do caule. Em combinação com as outras ações de ponta a ponta destacadas em "BCG" Ganhando a corrida para mulheres no digital ”Relatório-incluindo patrocínio e trabalho flexível-há uma riqueza de etapas concretas que os gerentes seniores podem tomar para melhorar a diversidade. Forças de trabalho. Perca. A equipe inclui mais de 800 cientistas e engenheiros de dados que aplicam IA e experiência avançada de análise (por exemplo, aprendizado de máquina, aprendizado profundo, otimização, simulação, análise de texto e imagem) para criar soluções que transformem o desempenho dos negócios. A abordagem da BCG Gamma cria valor e vantagem competitiva na interseção de ciência de dados, tecnologia, pessoas, conhecimento de negócios, processos e maneiras de trabalhar. Para mais informações, visite nosso

---

As long as companies struggle to present data science as a field that is attractive to all students (not just to some), a large share of the female talent pool will continue to vote with their feet and avoid the field altogether, perpetuating the lack of diversity in this increasingly mission-critical part of companies’ workforces. Managers must take action now to create a working culture in their analytics functions that appeals to all students and emphasizes the underlying purpose and business impact. And managers must ensure that their companies are conveying this sense of purpose and impact directly to the students they are hoping to recruit. With the need for data science talent and robust AI solutions growing ever faster, there is no time to lose.