Dzień z życia analityka danych

Przewodnik po karierze Data Scientist firmy BrainStation może pomóc w podjęciu pierwszych kroków w kierunku lukratywnej kariery w nauce o danych. Czytaj dalej, aby dowiedzieć się, jak Data Scientists spędzają dni w pracy.

Zostań analitykiem danych

Porozmawiaj z Doradcą ds. Nauczania, aby dowiedzieć się więcej o tym, jak nasze bootcampy i kursy mogą pomóc Ci zostać Data Scientist.



Klikając Prześlij, akceptujesz nasze Warunki .



Składać

Nie udało się przesłać! Odświeżyć stronę i spróbować ponownie?

Dowiedz się więcej o naszym Bootcamp poświęconym analizie danych

Dziękuję Ci!

Wkrótce będziemy w kontakcie.



Wyświetl stronę Bootcamp Data Science

Dzień z życia analityka danych

Spośród wszystkich dyscyplin badanych w badaniu Brainstation’s Digital Skills Survey, nauka o danych może obejmować najszerszy zakres zastosowań. Ale chociaż nauka o danych istnieje od dziesięcioleci, dopiero niedawno weszła w pełny rozkwit. W miarę zwiększania się dostępności danych firmy zdały sobie sprawę, jak ważna może być nauka o danych, mówi Briana Brownell, założycielka i dyrektor generalny Pure Strategy oraz od 13 lat zajmująca się badaniem danych. Każda firma musi teraz częściowo skoncentrować się na technologii. Na przykład w tym tygodniu McDonald's zapłacił około 300 milionów dolarów za przejęcie własnej firmy zajmującej się big data.

Nic więc dziwnego, że konkurencja dla Data Scientists jest niesamowicie wysoka. W ciągu zaledwie dwóch lat popyt ma wzrosnąć o 28 proc., co odpowiada około 2,7 mln nowych miejsc pracy. To więcej wolnych miejsc, niż nowi absolwenci będą w stanie obsadzić, co oznacza, że ​​pracownicy technologiczni z innych dziedzin będą musieli podszkolić swoje umiejętności i przejść do danych, aby sprostać temu zapotrzebowaniu.

W rzeczywistości nasza ankieta sugeruje, że to już się dzieje. Mniej więcej czterech na pięciu specjalistów od danych rozpoczęło swoją karierę od czegoś innego, a 65 procent wszystkich naukowców zajmujących się danymi pracuje w tej dziedzinie od pięciu lat lub krócej. Ten ogromny napływ nowych umysłów ma efekt obosieczny, mówi Brownell; Z jednej strony pojawia się wiele nowych pomysłów, mówi. Kiedy patrzę na niektóre treści pochodzące ze społeczności naukowców zajmujących się danymi, jestem zaskoczony, jak wiele jest innowacji. Drugą stroną jest jednak tendencja do odkrywania koła na nowo.



Wysokie zapotrzebowanie na Data Scientists jest świetne, jeśli nim jesteś (lub myślisz o tym, aby nim zostać), ale dla pracodawców rekrutacja może być zniechęcającym wyzwaniem. Tutaj przekwalifikowanie jest oczywistym rozwiązaniem; bardziej opłacalne może być przekwalifikowanie obecnego pracownika w zakresie analityki danych niż poszukiwanie nowego.

Ale nawet jeśli planujesz zatrudnić nowy zespół zajmujący się analizą danych, Twoja organizacja jako całość może wymagać odświeżenia umiejętności korzystania z danych, ostrzega Brownell. Każdy chce pracować nad czymś, co ma wpływ na jego miejsce pracy, co sprawia, że ​​życie ludzi staje się lepsze – mówi. Jeśli kultura Twojej firmy nie jest taka, aby [Twoi badacze danych] mogli wywrzeć wpływ, zatrudnienie jest prawie niemożliwe. Przywództwo musi być w stanie nie tylko komunikować potencjalnym zatrudnionym, w jaki sposób będą mogli wnieść swój wkład, ale także rozumieć propozycje, które ostatecznie przedstawia ich zespół ds. analizy danych.

Niestety, mówi Brownell, niewygodną większość stanowią firmy, które jeszcze tego nie rozgryzły. Nasze badanie potwierdza to: większość respondentów (52 procent) określiła poziom znajomości danych w ich organizacjach jako podstawowy, a następną najczęstszą odpowiedzią była średnia (31 procent). Sugeruje to, że niektóre podstawowe szkolenia w zakresie nauki o danych mogą być przydatne dla większości firm — zwłaszcza w zakresie przywództwa.



Ta potrzeba poprawy znajomości danych — i komunikacji — jest spotęgowana przez strukturę większości zespołów zajmujących się analizą danych: jako odrębny zespół, zwykle składający się z 10 osób lub mniej (według 71 procent respondentów), a często z pięciu lub mniej (38%) ). Te zgrane zespoły nie mogą sobie pozwolić na izolację. Osoby, które pracują w większych firmach, zwykle należą do małej grupy zajmującej się nauką o danych, a ich klienci są wewnętrznymi – innymi częściami organizacji, wyjaśnia Brownell, więc jest to zespół, który musi działać w wielu różnych obszarach organizacji.

Czym dokładnie jest nauka o danych?

Powszechne przekonanie (że Data Scientists podważa liczby) nie jest zbyt dalekie od celu, mówi Brownell. Istnieje wiele zestawów danych, z których trzeba wydobyć szczegółowe informacje, a to wymaga wielu kroków, takich jak budowanie modelu i czyszczenie danych, a nawet podejmowanie decyzji, jakich danych potrzebujesz. Ostatecznie jednak ten wysiłek jest zorientowany na cel: w istocie musisz coś zrobić z danymi.

Zresztą dane nie zawsze są liczbami. Podczas gdy większość respondentów (73 proc.) wskazała, że ​​pracuje z danymi liczbowymi, 61 proc. stwierdziło, że pracuje również z tekstem, 44 proc. z danymi strukturalnymi, 13 proc. z obrazami, a 12 proc. z grafiką (a małe mniejszości pracują nawet z wideo i dźwiękiem). —6 i 4 procent odpowiednio). Wyniki ankiety wskazują na to, w jaki sposób data science rozszerza się daleko poza tabele finansowe, angażując ludzi do takich projektów, jak maksymalizacja satysfakcji klienta lub zbieranie cennych spostrzeżeń z węża strażackiego mediów społecznościowych.

W rezultacie w dziedzinie nauki o danych istnieje ogromna różnorodność, mówi Brownell. Każda branża ma swoje własne zdanie na temat typów danych, nad którymi pracują naukowcy zajmujący się danymi, rodzajów oczekiwanych wyników i tego, jak to pasuje do struktury przywództwa ich firmy. Jednak w każdym przypadku celem jest wykorzystanie danych, aby pomóc firmie w podejmowaniu lepszych decyzji. Może to być ulepszanie produktów, zrozumienie rynku, na który chcą wejść, zatrzymanie większej liczby klientów, zrozumienie wykorzystania siły roboczej, zrozumienie, jak dobrze zatrudnić pracowników – różne rzeczy.

Praca w zakresie analizy danych

W niektórych obszarach technologii zostanie generalistą może być najlepszą stopą w drzwiach – nie tak w przypadku nauki o danych. Pracodawcy zazwyczaj poszukują umiejętności wyspecjalizowanych w ich branży. Ponieważ nauka o danych występuje w tak wielu różnych odmianach, nasza ankieta pogłębiła analizę pięciu głównych kategorii stanowisk: analityk danych, badacz, analityk biznesowy, kierownik ds. danych i analityki oraz właściwy naukowiec ds. danych.

We wszystkich tych stanowiskach walka z danymi i czyszczenie zajmują większość czasu — ale w jakim celu? Najczęściej celem jest optymalizacja istniejącej platformy, produktu lub systemu (45 proc.) lub opracowanie nowych (42 proc.). Zagłębiając się głębiej, odkryliśmy, że optymalizacja istniejących rozwiązań zwykle należy do analityków biznesowych i analityków danych, podczas gdy opracowywanie nowych rozwiązań częściej należy do naukowców i badaczy danych.

Techniki, których używają naukowcy zajmujący się danymi, również różnią się w zależności od specjalizacji. Regresja liniowa była powszechnym narzędziem we wszystkich kategoriach, cytowanym przez 54 procent respondentów, ale było kilka niespodzianek, gdy przyjrzeliśmy się oprogramowaniu, z którego korzystają ludzie.

Excel — ten koń pociągowy manipulacji zbiorami danych — jest praktycznie wszechobecny, cytowany przez 81 procent wszystkich respondentów i jest najpopularniejszym narzędziem w każdej kategorii z wyjątkiem właściwych Data Scientists (którzy najczęściej polegają na Pythonie — a także cytuje większy zestaw narzędzi niż inne kategorie ). Co sprawia, że ​​Excel jest tak nieunikniony, nawet w 2019 roku?

To, co kocham w programie Excel, to sposób, w jaki pozwala zobaczyć dane i uzyskać intuicyjne wyczucie, wyjaśnił Brownell. Używamy również dużo Pythona, a w takim przypadku, gdy wykonujesz analizę pliku danych, jest on ukryty; chyba że specjalnie zaprogramujesz część kodu do wizualizacji surowych danych, które analizujesz, nie widzisz ich. Podczas gdy w programie Excel jest tuż przed tobą. Ma to wiele zalet. Czasami można zauważyć problemy z plikiem danych. Nie widzę, żeby Excel kiedykolwiek zniknął z analizy.

To powiedziawszy, wciąż istnieje długa lista innych programów wykorzystywanych w tej dziedzinie – nic dziwnego, biorąc pod uwagę ich różnorodność. SQL (43 proc.) i Python (26 proc.) przodują na popularności, z Tableau (23 proc.), R (16 proc.), Jupyter Notebooks (14 proc.) i garstką innych, które osiągają znaczące liczby – nie wspominając o niesamowitym 32 proc. respondentów, którzy powołało się na inne narzędzia, nawet biorąc pod uwagę tę i tak długą listę.

Jaka jest przyszłość nauki o danych?

Na koniec zapytaliśmy, jakie trendy będą kształtować cyfrowy krajobraz w ciągu najbliższych pięciu do dziesięciu lat. Uczenie maszynowe i sztuczna inteligencja — które mają zastosowanie w nauce o danych — były w przeważającej mierze rozwiązaniami, które respondenci spodziewają się mieć największy wpływ, odpowiednio 80 i 79 procent. Dzieje się tak pomimo faktu, że mniej niż jedna czwarta (23 proc.) z nich pracuje obecnie ze sztuczną inteligencją.

Sztuczna inteligencja może absolutnie zmienić naukę o danych, potwierdza Brownell, której firma opracowuje produkty AI. To naprawdę chwała nienadzorowanych metod uczenia się. Mamy tylko tyle czasu, aby spojrzeć na te zbiory danych, a zwłaszcza w przypadku dużych, bardzo trudno jest zrobić wszystko. Narzędzia AI mogą pomóc w ujawnieniu czegoś, czego być może nie pomyślałbyś, aby szukać. Na pewno tak się stało.

Inne trendy Data Scientists spodziewają się dominacji w najbliższej przyszłości: Internet rzeczy (51 proc.), blockchain (50 proc.) i eCommerce (36 proc.), rozszerzona rzeczywistość i rzeczywistość wirtualna (38 proc. i 27 proc.), a nawet głos- oparte na doświadczeniach (25 procent) — wszystkie znaczące pokazy i wszystkie obszary, w których można dobrze wykorzystać analitykę danych.

Kategori: Aktualności