Skip to main content

Πώς να σπάσει η βιομηχανία των δεδομένων - η μούσα

Belgrade with Boris Malagurski | HD (Ιούλιος 2025)

Belgrade with Boris Malagurski | HD (Ιούλιος 2025)
Anonim

Στην κορύφωση της ταινίας Hidden Figures, η μαθηματικός Katherine Johnson καλείται να επαληθεύσει τους υπολογισμούς για τις συντεταγμένες προσγείωσης της διαστημικής κάψουλας του John Glenn, Friendship 7. Η τεχνολογία μόλις αντικατέστησε τους ανθρώπινους υπολογιστές, τους υπολογιστές δεδομένων που ολοκλήρωσαν πολύπλοκες εξισώσεις πριν από την έλευση του ηλεκτρονικού συστήματος, αλλά τα δεδομένα από το μηχάνημα είχαν διαφορές που έπρεπε να επιλυθούν από ένα άτομο.

Αυτή ήταν η επιστήμη των δεδομένων το 1961. Αυτές τις μέρες, τα πράγματα είναι λίγο διαφορετικά. Συγκριτικά συστήματα συλλογής δεδομένων επιτρέπουν σε εταιρείες σε κάθε τομέα να μάθουν περισσότερα για τις επιχειρήσεις, τους πελάτες και τις μελλοντικές τους προοπτικές. Αλλά όπως και στην περίπτωση των κρυμμένων αριθμών, οι άνθρωποι χρειάζονται ακόμα να βρουν σημαντικές αλήθειες μέσα στα δεδομένα.

Εδώ είναι η σφαίρα για το πώς χρησιμοποιούμε την επιστήμη των δεδομένων κάθε μέρα και τις βασικές δεξιότητες που χρειάζεστε για να είστε επιτυχημένοι ως επιστήμονας δεδομένων, μηχανικός ή αναλυτής.

Η επιστήμη των δεδομένων είναι παντού

Το δυναμικό για τους επιστήμονες δεδομένων πολύ πέρα ​​από τις χρηματοπιστωτικές και τεχνολογικές βιομηχανίες είναι ακμάζουσα. "Υπάρχει μια αυξανόμενη συνειδητοποίηση σε όλους τους τομείς ότι οι δεξιότητες επιστήμης των δεδομένων έχουν γίνει ουσιαστικές για να ανταγωνιστούν και να βελτιώσουν τη σημερινή αγορά", λέει ο Michael Galvin, εκτελεστικός διευθυντής της Data Science Corporate Training για τη Metis, μια εταιρεία κατάρτισης δεξιοτήτων για τις επιστήμες δεδομένων που συνεργάζεται με άτομα και επιχειρήσεις .

Σκεφτείτε τα μπισκότα. Όχι, όχι εκείνοι που βουτάς στο γάλα-τα ισχυρά εργαλεία συλλογής δεδομένων που βοηθούν τους αναλυτές δεδομένων, τους επιστήμονες και τους μηχανικούς να μάθουν για τις συνήθειες των καταναλωτών στο διαδίκτυο και να ενημερώνουν τους αλγορίθμους γύρω από αυτούς "πώς-που-ξέρουν-εγώ" -η-ότι-; "διαφημίσεις που εμφανίζονται στο Facebook. Ο στόχος τους; Να αξιολογήσει τα συμφέροντα και τη συμπεριφορά των καταναλωτών και να χρησιμοποιήσει αυτά τα αναλυτικά στοιχεία για να βοηθήσει στη λήψη επιχειρηματικών αποφάσεων - για εταιρείες σε όλους τους τομείς.

"Υπάρχει μια ευρύτερη συνειδητοποίηση της επιστήμης των δεδομένων στο mainstream. Επηρεάζοντας τα πάντα από τις αγορές του Amazon σε Netflix binges, η επιστήμη των δεδομένων αγγίζει περισσότερους ανθρώπους από ποτέ », λέει ο Galvin.

Πώς ταιριάζετε

Με την ανάπτυξη των πεδίων της επιστήμης των δεδομένων, υπήρξε αυξημένη αλληλεπικάλυψη μεταξύ των ρόλων του επιστήμονα δεδομένων, του αναλυτή δεδομένων και του μοντελιστή.

Ωστόσο, σύμφωνα με τον Δρ. Flavio Villanustre, Αντιπρόεδρο της Τεχνολογίας και HPCC Systems για LexisNexis Risk Solutions, η διάκριση μεταξύ των διαφόρων θέσεων είναι στην πραγματικότητα αρκετά μοναδική και παρουσιάζει ευκαιρίες για τους προικισμένους σε συγκεκριμένες περιοχές.

"Οι αναλυτές δεδομένων παραδοσιακά ειδικεύονται σε τεχνικές επεξεργασίας δεδομένων, οι οποίες απαιτούν εκπαίδευση σε όλα, από τις γλώσσες των ερωτημάτων έως τα μοντέλα γραφικών δεδομένων", λέει ο Villanustre. "Εν τω μεταξύ οι μοντελιστές αναλύουν αριθμητικά δεδομένα για συσχετισμούς και μοτίβα."

Όταν πρόκειται για την επιστήμη των δεδομένων, ο Villanustre εξηγεί ότι οι ιδεώδεις υποψήφιοι θα πρέπει να επιδείξουν ένα υπερσύνολο αυτών των δύο τύπων δεξιοτήτων που συνδυάζονται με τις γνώσεις των τομέων και των επιχειρήσεων. "Οι επιστήμονες δεδομένων έχουν συνήθως βαθύτερη γνώση από τον αναλυτή δεδομένων σχετικά με τις τεχνικές προγραμματισμού και την ευρύτερη γνώση από ό, τι οι στατιστικοί μοντελιστές σχετικά με τις αναλυτικές μεθοδολογίες δεδομένων που χρησιμοποιούν πιο εξελιγμένες τεχνικές".

Κατά την εφαρμογή σε αυτές τις θέσεις, είναι σημαντικό να σημειώσετε ποια είναι τα καθήκοντα μιας εταιρείας που πραγματικά θέλουν να έχουν εκτελέσει.

"Η φήμη της επιστήμης των δεδομένων έχει οδηγήσει σε πολλές εταιρείες να προσλαμβάνουν επιστήμονες δεδομένων για να κάνουν τη δουλειά ενός αναλυτή δεδομένων, ο οποίος καταλήγει να καθαρίζει και να προετοιμάζει δεδομένα και να ξοδεύει πολύ λίγο χρόνο να κάνει πραγματική επιστήμη των δεδομένων", εξηγεί ο Nick Kramer, Ανώτερος Διευθυντής Δεδομένων και Analytics SSA & Company, μια εταιρεία συμβούλων διαχείρισης που ειδικεύεται στη μετατροπή μεγάλων αναλυτικών στοιχείων σε λειτουργίες για επιχειρήσεις.

Τα νέα εργαλεία επιτρέπουν τη δημιουργία μοντέλων ανάλυσης από άτομα με χαμηλότερα επίπεδα εμπειρογνωμοσύνης, έτσι ώστε να διαφοροποιούνται τόσο διαφοροποιημένες συναφείς δεξιότητες, όπως οι επιχειρηματικές γνώσεις και οι αποτελεσματικές επικοινωνιακές δεξιότητες, προκειμένου να τεθούν οι αιτούντες εργασία χωριστά. Κατά τη συνέντευξη, να είστε βέβαιος να κάνετε ερωτήσεις για να ακονίσετε ακριβώς τι ψάχνει μια εταιρεία - στη συνέχεια να παρουσιάσετε τα δυνατά σας ανάλογα.

Το γραφείο μας

Δείτε τις ανοικτές θέσεις εργασίας τους στη Νέα Υόρκη Τεχνολογία

Τι πρέπει να είναι επιτυχής

Η παλιά παροιμία για να μην δούμε το δάσος για τα δέντρα είναι ένα σημαντικό πράγμα που πρέπει να θυμόμαστε όταν εργαζόμαστε ως επιστήμονας δεδομένων, αναλυτής ή μηχανικός. Ενώ η ακρίβεια των βασικών δεδομένων είναι σημαντική, αναγνωρίζεται η γενική εικόνα των προβλημάτων που η εταιρεία ελπίζει να επιλύσει.

"Υπάρχει μια τάση μεταξύ των επιστημόνων δεδομένων να υπερβάλλουν τα πράγματα και να αναρροφούν σε μια μαύρη τρύπα των λεπτομερειών", προειδοποιεί ο Galvin. "Αντ 'αυτού, θα πρέπει να σκεφτούν το επιχειρησιακό πρόβλημα που προσπαθούν να λύσουν, να πάρουν κάτι να δουλέψουν και στη συνέχεια να επαναλάβουν".

Επιπλέον, το ενδιαφέρον για αυτό που κάνετε - όπως ισχύει και για οποιαδήποτε εργασία - είναι επίσης σημαντικό.

"Οι εταιρείες συνεργάζονται με διαφορετικά είδη δεδομένων (όπως εικόνες, κείμενο και οικονομικά δεδομένα) για διαφορετικά προβλήματα. Πρέπει να ενδιαφέρεστε και να καταλάβετε το είδος των δεδομένων που θα εργαστείτε για να επιτύχετε ", δήλωσε ο Galvin. "Για παράδειγμα, οι επιστήμονες δεδομένων που εργάζονται με ιατρικές εικόνες δεν είναι οι ίδιοι οι ίδιοι οι γιατροί, αλλά ο τελικός χρήστης ή πελάτης τους θα είναι γιατρός. Μπορείτε να καταλάβετε ποια προβλήματα προσπαθούν να λύσουν; Σας ενδιαφέρει η επίλυση αυτών των προβλημάτων; "

Και τότε υπάρχει επικοινωνία. Λέγεται ότι οι επιστήμονες δεδομένων, οι αναλυτές και οι μηχανικοί μιλούν τη δική τους γλώσσα, αλλά για να είναι επιτυχείς σε ένα χώρο εργασίας, πρέπει να είστε σε θέση να επικοινωνείτε σαφώς με εκείνους που θα αξιοποιήσουν και θα επωφεληθούν περισσότερο από τις δεξιότητές σας.

"Η συνεργασία με τους επιχειρηματικούς φορείς είναι όλο και πιο σημαντική", δήλωσε ο Kramer.

Η επιστήμη των δεδομένων και η σχετική σταδιοδρομία της έχουν προχωρήσει αρκετά από τη δεκαετία του 1960 όταν η NASA χρειαζόταν ανθρώπινους υπολογιστές για να αξιοποιήσουν και να επαληθεύσουν το έργο των νέων υπολογιστών. Αλλά τα λαμπρά μυαλά που ενδιαφέρονται για το πώς τα δεδομένα μπορούν να διαμορφώσουν τον τρόπο με τον οποίο ζούμε, δουλεύουμε και κάνουμε επιχειρήσεις είναι ακόμα τόσο ουσιώδεις όσο πάντα - χωρίς έναν ανθρώπινο εμπειρογνώμονα να ερμηνεύει τόσο τις εισροές όσο και τα αποτελέσματα, η επιστήμη των δεδομένων θα μπορούσε να χρησιμοποιηθεί άγρια ​​ή απλά συγκεχυμένη.