Μια μέρα στη ζωή ενός επιστήμονα δεδομένων

Ο οδηγός καριέρας Data Scientist του BrainStation μπορεί να σας βοηθήσει να κάνετε τα πρώτα βήματα προς μια προσοδοφόρα καριέρα στην επιστήμη δεδομένων. Διαβάστε παρακάτω για μια επισκόπηση του πώς οι Επιστήμονες Δεδομένων περνούν τις μέρες τους στη δουλειά.

Γίνετε Επιστήμονας Δεδομένων

Μιλήστε με έναν Σύμβουλο Μάθησης για να μάθετε περισσότερα σχετικά με το πώς τα bootcams και τα μαθήματά μας μπορούν να σας βοηθήσουν να γίνετε Επιστήμονας Δεδομένων.

Κάνοντας κλικ στην Υποβολή, αποδέχεστε το δικό μας Οροι .

υποβάλλουν

Δεν ήταν δυνατή η υποβολή! Να ανανεώσετε τη σελίδα και να προσπαθήσετε ξανά;

Μάθετε περισσότερα για το Data Science Bootcamp

Σας ευχαριστώ!

Θα είμαστε σε επαφή σύντομα.

Προβολή της σελίδας Data Science Bootcamp

Μια μέρα στη ζωή ενός επιστήμονα δεδομένων

Από όλους τους κλάδους που εξετάστηκαν στην Έρευνα Ψηφιακών Δεξιοτήτων του Brainstation, η επιστήμη των δεδομένων μπορεί να περιλαμβάνει το ευρύτερο φάσμα εφαρμογών. Όμως, παρόλο που η επιστήμη των δεδομένων υπάρχει εδώ και δεκαετίες, μόλις πρόσφατα άνθισε πλήρως. Καθώς η διαθεσιμότητα των δεδομένων έχει επεκταθεί, οι εταιρείες έχουν συνειδητοποιήσει πόσο σημαντική μπορεί να είναι η επιστήμη των δεδομένων, λέει η Briana Brownell, Ιδρύτρια και Διευθύνουσα Σύμβουλος της Pure Strategy και Επιστήμονας Δεδομένων για 13 χρόνια. Κάθε εταιρεία πρέπει πλέον να έχει μερική εστίαση στην τεχνολογία. Μόλις αυτή την εβδομάδα, για παράδειγμα, η McDonald's πλήρωσε περίπου 300 εκατομμύρια δολάρια ΗΠΑ για να αποκτήσει τη δική της εταιρεία μεγάλων δεδομένων.

Δεν είναι περίεργο, λοιπόν, ότι ο ανταγωνισμός για τους Επιστήμονες Δεδομένων είναι απίστευτα υψηλός. Σε μόλις δύο χρόνια, η ζήτηση αναμένεται να αυξηθεί κατά 28%, που ισοδυναμεί με περίπου 2,7 εκατομμύρια νέες θέσεις εργασίας. Αυτά είναι περισσότερα ανοίγματα από αυτά που θα μπορούν να καλύψουν οι νέοι πτυχιούχοι - που σημαίνει ότι οι εργαζόμενοι στον τομέα της τεχνολογίας σε άλλους τομείς θα πρέπει να βελτιώσουν τις δεξιότητές τους και να μεταβούν σε δεδομένα για να ανταποκριθούν σε αυτή τη ζήτηση.

Στην πραγματικότητα, η έρευνά μας δείχνει ότι αυτό συμβαίνει ήδη. Περίπου τέσσερις στους πέντε επαγγελματίες δεδομένων ξεκίνησαν την καριέρα τους κάνοντας κάτι άλλο και το 65 τοις εκατό όλων των Επιστημόνων Δεδομένων εργάζονται στον τομέα για πέντε χρόνια ή λιγότερο. Αυτή η τεράστια εισροή νέων μυαλών έχει ένα διπλό αποτέλεσμα, λέει ο Brownell. Από τη μια πλευρά, έρχονται πολλές νέες ιδέες, λέει. Όταν κοιτάζω μέρος του περιεχομένου που προέρχεται από την κοινότητα της επιστήμης δεδομένων, εκπλήσσομαι για το πόση καινοτομία υπάρχει. Το ανάστροφο, όμως, είναι μια τάση για επανεφεύρεση του τροχού.

Η υψηλή ζήτηση για Επιστήμονες Δεδομένων είναι μεγάλη εάν είστε ένας (ή σκέφτεστε να γίνετε), αλλά για τους εργοδότες, η πρόσληψη μπορεί να είναι μια τρομακτική πρόκληση. Εδώ, η επανεκπαίδευση είναι μια προφανής λύση. μπορεί να είναι πιο οικονομικά αποδοτικό να εκπαιδεύσετε έναν τρέχοντα υπάλληλο στην επιστήμη των δεδομένων παρά να αναζητήσετε ένα νέο.

Αλλά ακόμα κι αν σκοπεύετε να προσλάβετε μια νέα ομάδα επιστήμης δεδομένων, ο οργανισμός σας στο σύνολό του μπορεί να χρειαστεί να βελτιώσει τον αλφαβητισμό δεδομένων του, προειδοποιεί ο Brownell. Όλοι θέλουν να δουλέψουν σε κάτι που έχει αντίκτυπο στον χώρο εργασίας τους, που κάνει τη ζωή των ανθρώπων καλύτερη, λέει. Εάν η κουλτούρα της εταιρείας σας δεν είναι τέτοια που [οι επιστήμονες δεδομένων σας] μπορούν να επηρεάσουν, είναι σχεδόν αδύνατο να προσλάβετε. Η ηγεσία πρέπει να είναι ικανή όχι μόνο να επικοινωνεί με τους πιθανούς προσλαμβάνοντες πώς θα είναι σε θέση να συνεισφέρουν — αλλά και να κατανοεί τις προτάσεις που θα υποβάλει τελικά η ομάδα επιστήμης δεδομένων.

Δυστυχώς, λέει ο Brownell, η άβολη πλειοψηφία είναι οι εταιρείες που δεν έχουν καταλάβει τα πράγματα. Η έρευνά μας το επιβεβαιώνει: οι περισσότεροι ερωτηθέντες (52 τοις εκατό) περιέγραψαν το επίπεδο παιδείας δεδομένων στους οργανισμούς τους ως βασικό, με το ενδιάμεσο να είναι η επόμενη πιο κοινή απάντηση (31 τοις εκατό). Αυτό υποδηλώνει ότι κάποια βασική εκπαίδευση στην επιστήμη των δεδομένων θα μπορούσε να είναι χρήσιμη για τη μεγάλη πλειονότητα των εταιρειών - ειδικά στην ηγεσία.

Αυτή η ανάγκη για βελτιωμένη παιδεία δεδομένων —και επικοινωνία— ενισχύεται από τον τρόπο που είναι δομημένες οι περισσότερες ομάδες επιστήμης δεδομένων: ως διακριτή ομάδα, συνήθως με 10 άτομα ή λιγότερα (σύμφωνα με το 71 τοις εκατό των ερωτηθέντων) και συχνά πέντε ή λιγότερα (38 τοις εκατό ). Αυτές οι δεμένες ομάδες δεν έχουν την πολυτέλεια να απομονώνονται. Τα άτομα που εργάζονται σε μεγαλύτερες εταιρείες ανήκουν συνήθως σε μια μικρή ομάδα ειδική για την επιστήμη των δεδομένων και οι πελάτες τους είναι εσωτερικοί - άλλα μέρη του οργανισμού, εξηγεί ο Brownell, επομένως είναι μια ομάδα που πρέπει να λειτουργεί σε πολλούς διαφορετικούς τομείς του οργανισμού.

Τι ακριβώς είναι η Επιστήμη των Δεδομένων;

Η κοινή αντίληψη (ότι οι Επιστήμονες Δεδομένων τσακίζουν τους αριθμούς) δεν είναι πολύ μακριά, λέει ο Brownell. Υπάρχουν πολλά σύνολα δεδομένων για τα οποία πρέπει να αποκαλυφθούν πληροφορίες από αυτά, και αυτό περιλαμβάνει πολλά βήματα όπως τη δημιουργία μοντέλων και την εκκαθάριση δεδομένων, ακόμη και απλώς να αποφασίσετε ποια δεδομένα χρειάζεστε. Τελικά, όμως, αυτή η προσπάθεια είναι προσανατολισμένη στο στόχο: Στον πυρήνα της, πρέπει να κάνετε κάτι με τα δεδομένα.

Για αυτό το θέμα, τα δεδομένα δεν είναι πάντα αριθμοί. Ενώ η πλειονότητα των ερωτηθέντων (73 τοις εκατό) δήλωσε ότι εργάζεται με αριθμητικά δεδομένα, το 61 τοις εκατό είπε ότι εργάζεται επίσης με κείμενο, 44 τοις εκατό με δομημένα δεδομένα, 13 τοις εκατό με εικόνες και 12 τοις εκατό με γραφικά (και οι μικρές μειονότητες εργάζονται ακόμη και με βίντεο και ήχο — 6 τοις εκατό και 4 τοις εκατό αντίστοιχα). Αυτά τα αποτελέσματα της έρευνας υποδεικνύουν τους τρόπους με τους οποίους η επιστήμη των δεδομένων επεκτείνεται πολύ πέρα ​​από τους χρηματοοικονομικούς πίνακες, στρατολογώντας ανθρώπους για έργα όπως η μεγιστοποίηση της ικανοποίησης των πελατών ή η συλλογή πολύτιμων πληροφοριών από τον πυροσβεστικό σωλήνα των μέσων κοινωνικής δικτύωσης.

Ως αποτέλεσμα, υπάρχει τεράστια ποικιλία στον τομέα της επιστήμης δεδομένων, λέει ο Brownell. Κάθε κλάδος έχει τη δική του άποψη για τους τύπους δεδομένων με τους οποίους εργάζονται οι Επιστήμονες Δεδομένων, τους τύπους αποτελεσμάτων που αναμένουν και πώς αυτό ταιριάζει στην ηγετική δομή της εταιρείας τους. Σε κάθε περίπτωση, ωστόσο, ο στόχος είναι η αξιοποίηση δεδομένων για να βοηθήσει μια εταιρεία να λάβει καλύτερες αποφάσεις. Αυτό θα μπορούσε να είναι η βελτίωση των προϊόντων, η κατανόηση της αγοράς στην οποία θέλουν να εισέλθουν, η διατήρηση περισσότερων πελατών, η κατανόηση της χρήσης του εργατικού δυναμικού τους, η κατανόηση του τρόπου με τον οποίο μπορείτε να κάνετε καλές προσλήψεις — όλα τα είδη διαφορετικών πραγμάτων.

Θέσεις εργασίας στο Data Science

Σε ορισμένους τομείς της τεχνολογίας, το να γίνετε γενικός ειδικός μπορεί να είναι το καλύτερο πόδι σας - όχι τόσο στην επιστήμη των δεδομένων. Οι εργοδότες συνήθως αναζητούν δεξιότητες εξειδικευμένες στον κλάδο τους. Επειδή η επιστήμη των δεδομένων έχει τόσες πολλές διαφορετικές γεύσεις, η έρευνά μας διερεύνησε βαθύτερα, εξετάζοντας πέντε κύριες κατηγορίες θέσεων εργασίας: Αναλυτής Δεδομένων, Ερευνητής, Αναλυτής Επιχειρήσεων, Υπεύθυνος Δεδομένων και Αναλύσεων και Επιστήμονας Δεδομένων.

Σε όλους αυτούς τους τίτλους εργασίας, η διαμάχη δεδομένων και η εκκαθάριση καταλαμβάνουν το μεγαλύτερο μέρος του χρόνου κάποιου – αλλά προς ποιον σκοπό; Τις περισσότερες φορές, ο στόχος είναι η βελτιστοποίηση μιας υπάρχουσας πλατφόρμας, προϊόντος ή συστήματος (45 τοις εκατό) ή η ανάπτυξη νέων (42 τοις εκατό). Σκάβοντας βαθύτερα, διαπιστώσαμε ότι η βελτιστοποίηση των υπαρχουσών λύσεων τείνει να ανήκει στους Αναλυτές Επιχειρήσεων και στους Αναλυτές Δεδομένων, ενώ η ανάπτυξη νέων λύσεων ανήκει συχνότερα στους Επιστήμονες και τους Ερευνητές Δεδομένων.

Οι τεχνικές που χρησιμοποιούν οι Επιστήμονες Δεδομένων διαφέρουν επίσης μεταξύ των ειδικοτήτων. Η γραμμική παλινδρόμηση ήταν ένα κοινό εργαλείο σε όλες τις κατηγορίες, το οποίο αναφέρθηκε από το 54 τοις εκατό των ερωτηθέντων, αλλά υπήρξαν μερικές εκπλήξεις όταν εξετάσαμε το λογισμικό που χρησιμοποιούν οι άνθρωποι.

Το Excel - αυτός ο όγκος χειρισμού συνόλων δεδομένων - είναι σχεδόν πανταχού παρόν, αναφέρεται από το 81 τοις εκατό όλων των ερωτηθέντων και το πιο δημοφιλές εργαλείο σε κάθε κατηγορία εκτός από τους Επιστήμονες Δεδομένων (που βασίζονται συχνότερα στην Python - και ανέφερε επίσης μια μεγαλύτερη εργαλειοθήκη από άλλες κατηγορίες ). Τι κάνει το Excel τόσο αναπόδραστο, ακόμη και το 2019;

Αυτό που μου αρέσει στο Excel είναι πώς σας επιτρέπει να βλέπετε τα δεδομένα και να αποκτάτε μια διαισθητική αίσθηση γι' αυτά, εξήγησε ο Brownell. Χρησιμοποιούμε επίσης πολύ Python και σε αυτήν την περίπτωση, όταν κάνετε ανάλυση σε ένα αρχείο δεδομένων, είναι κρυφό. εκτός εάν προγραμματίσετε συγκεκριμένα μέρος του κώδικά σας για να κάνετε κάποια οπτικοποίηση των ακατέργαστων δεδομένων που αναλύετε, δεν το βλέπετε. Ενώ με το Excel, είναι ακριβώς μπροστά σας. Αυτό έχει πολλά πλεονεκτήματα. Μερικές φορές μπορείτε να εντοπίσετε προβλήματα με το αρχείο δεδομένων. Δεν βλέπω το Excel να εξαφανίζεται ποτέ από την ανάλυση.

Τούτου λεχθέντος, υπάρχει ακόμα ένας μακρύς κατάλογος άλλων προγραμμάτων που χρησιμοποιούνται στον τομέα - δεν προκαλεί έκπληξη δεδομένης της ποικιλομορφίας του. Η SQL (43 τοις εκατό) και η Python (26 τοις εκατό) οδηγούν σε δημοτικότητα, με τα Tableau (23 τοις εκατό), R (16 τοις εκατό), τα Notebooks Jupyter (14 τοις εκατό) και μια χούφτα άλλα να σημειώνουν σημαντικούς αριθμούς - για να μην αναφέρουμε τον τεράστιο Το 32 τοις εκατό των ερωτηθέντων που ανέφεραν άλλα εργαλεία, ακόμη και δεδομένης αυτής της ήδη μεγάλης λίστας.

Ποιο είναι το μέλλον της Επιστήμης Δεδομένων;

Τέλος, ρωτήσαμε ποιες τάσεις θα διαμορφώσουν το ψηφιακό τοπίο τα επόμενα πέντε έως 10 χρόνια. Η μηχανική μάθηση και η τεχνητή νοημοσύνη - και οι δύο έχουν εφαρμογές στην επιστήμη των δεδομένων - ήταν σε μεγάλο βαθμό οι εξελίξεις που αναμένουν οι ερωτηθέντες να έχουν τον μεγαλύτερο αντίκτυπο, σε 80 τοις εκατό και 79 τοις εκατό αντίστοιχα. Αυτό παρά το γεγονός ότι λιγότερο από το ένα τέταρτο (23 τοις εκατό) από αυτούς εργάζονται επί του παρόντος με AI.

Η τεχνητή νοημοσύνη μπορεί να μεταμορφώσει απόλυτα την επιστήμη των δεδομένων, επιβεβαιώνει ο Brownell, η εταιρεία του οποίου αναπτύσσει προϊόντα τεχνητής νοημοσύνης. Αυτή είναι πραγματικά η δόξα των μεθόδων μάθησης χωρίς επίβλεψη. Έχουμε μόνο τόσο πολύ χρόνο για να δούμε αυτά τα σύνολα δεδομένων, και ειδικά με μεγάλα, είναι πολύ δύσκολο να κάνουμε τα πάντα. Τα εργαλεία AI μπορούν να σας βοηθήσουν να αποκαλύψετε κάτι που ίσως δεν θα σκεφτόσασταν να αναζητήσετε. Σίγουρα μας έχει συμβεί αυτό.

Άλλες τάσεις Οι επιστήμονες δεδομένων αναμένουν να κυριαρχήσουν στο εγγύς μέλλον: το Διαδίκτυο των πραγμάτων (51 τοις εκατό), το blockchain (50 τοις εκατό) και το ηλεκτρονικό εμπόριο (36 τοις εκατό), η επαυξημένη πραγματικότητα και η εικονική πραγματικότητα (38 τοις εκατό και 27 τοις εκατό), ακόμη και η φωνή- βασισμένες εμπειρίες (25 τοις εκατό) - όλες οι σημαντικές εμφανίσεις και όλοι οι τομείς όπου η επιστήμη των δεδομένων μπορεί να χρησιμοποιηθεί σωστά.