W kulminacyjnym momencie nominowanego do Oscara filmu Ukryte figurki matematyk Katherine Johnson zostaje wezwana do weryfikacji obliczeń współrzędnych lądowania kapsuły kosmicznej Johna Glenna, Przyjaźń 7. Technologia właśnie zastąpiła ludzkie komputery, osoby obliczające dane, które ukończyły złożone równania przed pojawieniem się systemu komputerowego, ale dane z maszyny miały rozbieżności, które osoba musiała rozwiązać.
To była nauka o danych w 1961 roku. W dzisiejszych czasach sprawy wyglądają trochę inaczej. Złożone systemy gromadzenia danych pozwalają firmom z każdego sektora dowiedzieć się więcej o ich firmach, klientach i perspektywach na przyszłość. Ale podobnie jak w przypadku ukrytych figurek, ludzie nadal potrzebują znaleźć ważne prawdy w danych.
Oto przegląd tego, w jaki sposób korzystamy z analizy danych na co dzień oraz podstawowe umiejętności, których potrzebujesz, aby odnieść sukces jako naukowiec, inżynier lub analityk danych.
Data Science jest wszędzie
Potencjał dla naukowców zajmujących się danymi znacznie wykracza poza finanse i przemysł technologiczny. „We wszystkich sektorach rośnie świadomość, że umiejętności w zakresie analizy danych stały się niezbędne do konkurowania i doskonalenia się na dzisiejszym rynku”, mówi Michael Galvin, dyrektor wykonawczy firmy Data Science Corporate Training dla Metis, firmy szkolącej umiejętności w zakresie analizy danych, która współpracuje z osobami i firmami .
Pomyśl o ciasteczkach. Nie, nie tych, które zanurzasz w mleku - potężne narzędzia do gromadzenia danych, które pomagają analitykom danych, naukowcom i inżynierom dowiadywać się o nawykach konsumenckich w sieci i informować algorytmy wokół tych „skąd-oni-wiedzieli-ja-właśnie myślałem” - z tego ?! ”, które wyświetlamy na Facebooku. Ich cel? Aby ocenić zainteresowania i zachowania konsumentów oraz wykorzystać te analizy, aby pomóc w podejmowaniu kluczowych decyzji biznesowych - dla firm ze wszystkich sektorów.
„W głównym nurcie jest szersza wiedza na temat analizy danych. Oddziałując na wszystko, od zakupów Amazon po Netflix, nauka danych dotyka więcej ludzi niż kiedykolwiek wcześniej ”, mówi Galvin.
Jak pasujesz
Wraz z rozwojem dziedzin nauki o danych, rola naukowca, analityka danych i modelera wzrosła w pewnym stopniu.
Ale według dr Flavio Villanustre, wiceprezesa ds. Technologii i systemów HPCC ds. Rozwiązań ryzyka LexisNexis, rozróżnienie między różnymi stanowiskami jest w rzeczywistości dość wyjątkowe - i daje możliwości osobom obdarowanym w określonych obszarach.
„Analitycy danych tradycyjnie specjalizują się w technikach manipulacji danymi, które wymagają szkolenia we wszystkim, od języków zapytań po graficzne modele danych”, mówi Villanustre. „Tymczasem modelerzy analizują dane liczbowe pod kątem korelacji i wzorców”.
Jeśli chodzi o naukę danych, Villanustre wyjaśnia, że idealni kandydaci powinni wykazać się nadzieją tych dwóch rodzajów umiejętności połączonych z wiedzą dziedzinową i biznesową. „Naukowcy zajmujący się danymi zwykle posiadają głębszą wiedzę niż analityk danych na temat technik programowania i szerszą wiedzę niż modeliści statystyczni na temat metodologii analitycznych danych przy użyciu bardziej wyrafinowanych technik”.
Przy aplikowaniu na te stanowiska ważne jest, aby pamiętać, jakie zadania naprawdę wykonała firma.
„Tłum wokół nauki danych spowodował, że wiele firm zatrudniło analityków danych do pracy analityka danych, który ostatecznie czyści i przygotowuje dane oraz spędza bardzo mało czasu na prawdziwej analizie danych”, wyjaśnia Nick Kramer, starszy dyrektor ds. Danych i analiz w firmie SSA & Company, firma konsultingowa zajmująca się zarządzaniem, specjalizująca się w przekształcaniu analiz dużych zbiorów danych w operacje dla firm.
Nowe narzędzia umożliwiają tworzenie modeli analitycznych przez osoby o niższym poziomie wiedzy specjalistycznej, dlatego zróżnicowane, powiązane umiejętności, takie jak wiedza biznesowa i skuteczne umiejętności komunikacyjne są ważne, aby wyróżnić osoby poszukujące pracy. Podczas rozmowy zadawaj pytania, aby dokładnie określić, czego szuka firma - a następnie odpowiednio zaprezentuj swoje mocne strony.
Nasze biuro
Czego potrzebujesz, aby odnieść sukces
Stare powiedzenie, że nie widać lasu dla drzew, jest ważną rzeczą, o której należy pamiętać, pracując jako naukowiec, analityk lub inżynier. Chociaż dokładność podstawowych danych jest ważna, uznaje się także ogólny obraz problemów, które firma ma nadzieję rozwiązać.
„Naukowcy zajmujący się danymi mają tendencję do nadmiernego komplikowania rzeczy i wciągania w czarną dziurę szczegółów”, ostrzega Galvin. „Zamiast tego powinni pomyśleć o problemie biznesowym, który próbują rozwiązać, znaleźć coś, co zadziała, a następnie powtórzyć”.
Co więcej, zainteresowanie tym, co robisz - tak jak w przypadku każdej pracy - jest również niezbędne.
„Firmy pracują z różnego rodzaju danymi (takimi jak obrazy, tekst i dane finansowe) na temat różnych problemów. Aby odnieść sukces, musisz być zainteresowany i rozumieć dane, z którymi będziesz pracować ”- powiedział Galvin. „Na przykład badacze danych, którzy pracują z obrazami medycznymi, zwykle nie są lekarzami, ale ich użytkownik końcowy lub klient będzie lekarzem. Czy rozumiesz, jakie problemy próbują rozwiązać? Czy jesteś zainteresowany rozwiązaniem tych problemów? ”
A potem jest komunikacja. Mówi się, że badacze danych, analitycy i inżynierowie mówią swoim własnym językiem, ale aby odnieść sukces w miejscu pracy, musisz mieć możliwość jasnej komunikacji z tymi, którzy wykorzystają i skorzystają najbardziej z twoich umiejętności.
„Współpraca z interesariuszami biznesowymi jest coraz ważniejsza”, powiedział Kramer.
Nauka danych i związane z nią kariery przeszły długą drogę od lat 60. XX wieku, kiedy NASA potrzebowała ludzkich komputerów do wykorzystania i weryfikacji pracy nowych maszyn komputerowych. Ale genialne umysły zainteresowane tym, w jaki sposób dane mogą kształtować nasze życie, pracę i prowadzenie działalności gospodarczej, są nadal tak istotne jak zawsze - bez ludzkiego eksperta, który interpretowałby zarówno dane wejściowe, jak i wyniki, nauka danych mogłaby być bardzo źle wykorzystana lub po prostu myląca.
