Kinoakadēmijas balvai nominētās filmas Slēptās figūras kulminācijā matemātiķe Ketrīna Džonsone tiek aicināta pārbaudīt Džona Glenna kosmosa kapsulas Friendship 7 nolaišanās koordinātu aprēķinus. Tehnoloģija tikko ir aizstājusi cilvēku datorus - datus aprēķinošos cilvēkus, kuri aizpildīja sarežģītus vienādojumus. pirms datorsistēmas parādīšanās, bet mašīnās esošajos datos bija neatbilstības, kuras personai bija jāatrisina.
Tāda bija datu zinātne 1961. gadā. Mūsdienās lietas ir nedaudz atšķirīgas. Sarežģītas datu vākšanas sistēmas ļauj katras nozares uzņēmumiem uzzināt vairāk par savu biznesu, klientiem un nākotnes izredzēm. Bet līdzīgi kā slēptos skaitļos cilvēki joprojām ir nepieciešami, lai no datiem atrastu svarīgas patiesības.
Šeit ir aprakstīts, kā mēs katru dienu izmantojam datu zinātni, kā arī nepieciešamās prasmes, lai gūtu panākumus kā datu zinātnieks, inženieris vai analītiķis.
Datu zinātne ir visur
Datu zinātnieku potenciāls, kas pārsniedz finanšu un tehnoloģiju nozares, plaukst. “Visās nozarēs pieaug izpratne, ka datu zinātnes prasmes ir kļuvušas par būtiskām konkurencei un uzlabošanai šodienas tirgū, ” saka Maikls Galvins, datu zinātnes iemaņu apmācības uzņēmuma Metis datu zinātnes korporatīvās apmācības izpilddirektors, kas strādā ar indivīdiem un uzņēmumiem .
Padomājiet par sīkdatnēm. Nē, nevis tie, ko jūs iegremdējat pienā - jaudīgi datu vākšanas rīki, kas palīdz datu analītiķiem, zinātniekiem un inženieriem uzzināt par patērētāju tīmekļa ieradumiem un informēt par algoritmiem ap tiem, “kā viņi zināja, es zinu, es domāju -no tā?! ”reklāmas, kuras mēs rādām Facebook. Viņu mērķis? Novērtēt patērētāju intereses un izturēšanos un izmantot šo analīzi, lai palīdzētu pieņemt svarīgākos biznesa lēmumus - visu nozaru uzņēmumiem.
“Parasti datu zinātne ir plašāka izpratne. Ietekmējot visu, sākot no Amazon pirkumiem līdz Netflix binges, datu zinātne pieskaras vairāk cilvēku nekā jebkad agrāk, ”saka Galvins.
Kā jūs iekļaujaties
Pieaugot datu zinātnes jomām, ir palielinājusies datu zinātnieka, datu analītiķa un modelētāja lomu pārklāšanās.
Bet pēc doktora Flavio Villanustre, LexisNexis Risk Solutions tehnoloģiju un HPCC sistēmu viceprezidenta, atšķirība starp dažādām pozīcijām faktiski ir diezgan unikāla - un tā sniedz iespējas tiem, kas ir apdāvināti noteiktās jomās.
“Datu analītiķi tradicionāli specializējas datu manipulācijas tehnikā, kas prasa apmācību visam, sākot no vaicājumu valodām līdz grafisko datu modeļiem, ” saka Villanustre. "Tikmēr modelētāji analizē skaitliskos datus, lai noteiktu korelācijas un modeļus."
Runājot par datu zinātni, Villanustre paskaidro, ka ideāliem kandidātiem būtu jāparāda šo divu veidu prasmju virsvērtība, kas apvienota ar domēna un biznesa zināšanām. "Datu zinātniekiem parasti ir dziļākas zināšanas nekā datu analītiķim par programmēšanas metodēm un plašākas zināšanas nekā statistikas modelētājiem par datu analītiskajām metodoloģijām, izmantojot sarežģītākas metodes."
Piesakoties šajos amatos, ir svarīgi ņemt vērā, kādus uzdevumus uzņēmums patiešām vēlas veikt.
“Bažas par datu zinātni ir novedušas pie tā, ka daudzi uzņēmumi ir nolīguši datu zinātniekus datu analītiķa darbam, un tas beidzas ar datu tīrīšanu un sagatavošanu un ļoti maz laika pavada faktiskās datu zinātnes veikšanai, ” skaidro Niks Kramers, datu un Analytics vecākais direktors SSA & Company, vadības konsultāciju firma, kas specializējas lielu datu analīzes pārveidošanā par operācijām uzņēmumiem.
Jauni rīki ļauj izveidot analītiskos modeļus tiem, kam ir zemāks kompetences līmenis, tāpēc ir svarīgi dažādot, saistītas prasmes, piemēram, zināšanas par biznesu un efektīvas komunikācijas prasmes, lai darba meklētājus nošķirtu. Veicot intervijas, noteikti uzdodiet jautājumus, lai izvēlētos tieši to, ko meklē uzņēmums - pēc tam attiecīgi parādiet savas stiprās puses.
Mūsu birojs
Kas jums ir nepieciešams, lai gūtu panākumus
Vecā sakāmvārds par to, ka kokiem nav jāredz mežs, ir svarīga lieta, kas jāatceras, strādājot par datu zinātnieku, analītiķi vai inženieri. Lai arī pamatdatu precizitāte ir svarīga, tā atzīst arī visaptverošo priekšstatu par problēmām, kuras uzņēmums cer atrisināt.
“Datu zinātniekiem ir tendence pārāk sarežģīt lietas un iesūkt detaļu melnajā caurumā, ” brīdina Galvins. "Tā vietā viņiem vajadzētu padomāt par biznesa problēmu, kuru viņi mēģina atrisināt, panākt kaut ko darbu un pēc tam atkārtot."
Turklāt būtiska ir arī interese par to, ko jūs darāt - kā tas ir jebkura darba gadījumā.
“Uzņēmumi strādā ar dažāda veida datiem (piemēram, attēliem, tekstu un finanšu datiem) par dažādām problēmām. Jums ir jāinteresē un jāsaprot, kādi dati tiks izmantoti, lai gūtu panākumus, ”sacīja Galvins. “Piemēram, datu zinātnieki, kas strādā ar medicīnas attēliem, parasti nav paši ārsti, bet viņu gala lietotājs vai klients būs ārsts. Vai jūs varat saprast, kādas problēmas viņi cenšas atrisināt? Vai jūs interesē šo problēmu risināšana? ”
Un tad notiek komunikācija. Mēdz teikt, ka datu zinātnieki, analītiķi un inženieri runā savā valodā, bet, lai gūtu panākumus darba vietā, jums jāspēj skaidri komunicēt ar tiem, kuri jūsu prasmes izmantos un gūs vislielāko labumu.
“Sadarbība ar biznesa ieinteresētajām personām kļūst arvien nozīmīgāka, ” sacīja Kramers.
Datu zinātne un ar to saistītā karjera ir nogājusi garu ceļu no pagājušā gadsimta 60. gadiem, kad NASA bija nepieciešami cilvēku datori, lai izmantotu un pārbaudītu jauno datormašīnu darbu. Bet izcili prāti, kas interesējas par to, kā dati var ietekmēt to, kā mēs dzīvojam, strādājam un veicam uzņēmējdarbību, joprojām ir tikpat svarīgi kā jebkad - bez speciālista, kurš interpretētu gan ievadītos datus, gan rezultātus, datu zinātne varētu būt mežonīgi izmantota vai vienkārši sajaukt.
