Akademijos apdovanojimo nominuoto filmo „Paslėptos figūros“ kulminacijoje matematikė Katherine Johnson raginama patikrinti Johno Glenno kosminės kapsulės „Friendship 7.“ nusileidimo koordinačių skaičiavimus. Technologija ką tik pakeitė žmonių kompiuterius, duomenis skaičiuojančius žmones, baigusius sudėtingas lygtis. iki kompiuterinės sistemos atsiradimo, tačiau mašinos duomenys turėjo neatitikimų, kuriuos žmogus turėjo išspręsti.
Tai buvo duomenų mokslas 1961 m. Šiomis dienomis viskas yra šiek tiek kitaip. Kompleksinės duomenų rinkimo sistemos leidžia kiekvieno sektoriaus įmonėms sužinoti daugiau apie savo verslą, klientus ir ateities perspektyvas. Tačiau panašiai kaip paslėptose figūrose, žmonėms vis dar reikia rasti svarbias tiesas iš duomenų.
Čia yra išsiaiškinta, kaip mes naudojame duomenų mokslą kiekvieną dieną ir kokie yra pagrindiniai įgūdžiai, kurių jums reikia norint sėkmingai būti duomenų mokslininku, inžinieriumi ar analitiku.
Duomenų mokslas yra visur
Klesti duomenų mokslininkų, esančių toli nuo finansų ir technologijų pramonės, potencialas. „Visuose sektoriuose vis labiau suprantama, kad duomenų mokslo įgūdžiai tapo būtini norint konkuruoti ir tobulėti šiandienos rinkoje“, - sako Michaelas Galvinas, duomenų mokslo įgūdžių mokymo bendrovės „Metis“, dirbančios su asmenimis ir įmonėmis, duomenų mokslo įmonių verslo vykdantysis direktorius. .
Pagalvokite apie slapukus. Ne, ne tie, kuriuos pamirkote piene - galingi duomenų rinkimo įrankiai, padedantys duomenų analitikams, mokslininkams ir inžinieriams sužinoti apie vartotojų žiniatinklio įpročius ir informuojantys apie tuos „kaip aš žinojau-aš-tiesiog mąsčiau“ algoritmus -iš to ?! “skelbimų, kuriuos rodome„ Facebook “. Jų tikslas? Įvertinti vartotojų interesus ir elgesį bei naudoti šią analizę, kad padėtų priimti svarbiausius verslo sprendimus - visų sektorių įmonėms.
Duomenų mokslas yra plačiau žinomas. Duomenų mokslas daro įtaką viskam, pradedant „Amazon“ pirkimais ir baigiant „Netflix“ dėžėmis, nei bet kada anksčiau “, - sako Galvinas.
Kaip jūs įsitvirtinate
Augant duomenų mokslo sritims, padidėjo duomenų mokslininko, duomenų analitiko ir modeliuotojo vaidmenų sutapimas.
Tačiau, pasak dr. Flavio Villanustre, „LexisNexis Risk Solutions“ technologijų ir HPCC sistemų viceprezidento, skirtumas tarp įvairių pozicijų iš tikrųjų yra gana unikalus - tai suteikia galimybių gabiems žmonėms, dirbantiems tam tikrose srityse.
„Duomenų analitikai tradiciškai specializuojasi manipuliavimo duomenimis metodais, kurie reikalauja visų dalykų mokymų nuo užklausų kalbų iki grafinių duomenų modelių“, - sako Villanustre. „Tuo tarpu modeliuotojai analizuoja skaitmeninius duomenis, susijusius su koreliacijomis ir modeliais“.
Kalbėdamas apie duomenų mokslą, Villanustre'as aiškina, kad idealūs kandidatai turėtų parodyti šių dviejų tipų įgūdžių, esančių kartu su srities ir verslo žiniomis, superkomplektą. „Duomenų mokslininkai paprastai turi gilesnių žinių nei duomenų analitikas apie programavimo metodus ir platesnės žinios nei statistiniai modeliuotojai apie duomenų analizės metodikas, naudojant sudėtingesnes technologijas.“
Kandidatuojant į šias pareigas, svarbu atkreipti dėmesį, kokias užduotis įmonė tikrai nori atlikti.
„Dėl duomenų mokslo gandai lėmė tai, kad daugelis kompanijų, samdančių duomenų mokslininkus atlikti duomenų analitiko darbą, baigė valymą ir duomenų paruošimą bei labai mažai laiko skiria faktinių duomenų mokslui“, - aiškina Nickas Krameris, „Data and Analytics“ vyresnysis direktorius. SSA & Company, vadybos konsultacijų įmonė, kuri specializuojasi didelių duomenų analizę paversti įmonių operacijomis.
Naujos priemonės leidžia kurti analizės modelius tiems, kurių kompetencija yra žemesnė, todėl norint atskirti darbo ieškančius asmenis svarbu įvairinti susijusius įgūdžius, tokius kaip verslo žinios ir veiksmingi bendravimo įgūdžiai. Pokalbio metu būtinai paklauskite, ko tiksliai siekia įmonė, tada atitinkamai parodykite savo stipriąsias puses.
Mūsų biuras
Ko jums reikia, kad pavyktų
Senas posakis apie miško nematymą medžiams yra svarbus dalykas, kurį reikia atsiminti dirbant duomenų mokslininku, analitiku ar inžinieriumi. Pagrindinių duomenų tikslumas yra svarbus, tačiau pripažįstamas bendras problemų, kurias įmonė tikisi išspręsti, vaizdas.
„Tarp duomenų mokslininkų yra tendencija per daug komplikuoti dalykus ir įsijausti į juodąją detalių skylę“, - perspėja Galvinas. „Vietoj to, jie turėtų galvoti apie verslo problemą, kurią bando išspręsti, įgyti ką nors veikiančio ir tada pakartoti“.
Be to, labai svarbu domėtis tuo, ką darote, kaip ir bet kokiu darbu.
„Įmonės dirba su skirtingų rūšių duomenimis (tokiais kaip atvaizdai, tekstas ir finansiniai duomenys), susijusios su skirtingomis problemomis. Turite domėtis ir suprasti, kokie duomenys bus naudojami su sėkme “, - sakė Galvinas. „Pavyzdžiui, duomenų mokslininkai, dirbantys su medicininėmis nuotraukomis, dažniausiai nėra patys gydytojai, bet jų galutinis vartotojas ar klientas bus gydytojas. Ar galite suprasti, kokias problemas jie bando išspręsti? Ar jus domina tų problemų sprendimas? “
Ir tada yra bendravimas. Sakoma, kad duomenų mokslininkai, analitikai ir inžinieriai kalba savo gimtąja kalba, tačiau, jei norite sėkmingai dirbti darbo vietoje, turite mokėti aiškiai bendrauti su tais, kurie geriausiai panaudos jūsų įgūdžius ir naudos iš jų.
„Bendradarbiavimas su verslo suinteresuotosiomis šalimis tampa vis svarbesnis“, - sakė A. Krameris.
Duomenų mokslas ir su juo susijusi karjera nuėjo ilgą kelią nuo septintojo dešimtmečio, kai NASA reikėjo žmogaus kompiuterių, kad būtų galima panaudoti ir patikrinti naujų kompiuterių mašinų darbą. Tačiau žvalūs protai, besidomintys tuo, kaip duomenys gali formuoti, kaip mes gyvename, dirbame ir užsiimame verslu, vis dar yra tokie svarbūs kaip niekada anksčiau - neturėdami ekspertų, kurie suprastų tiek įvestus duomenis, tiek rezultatus, duomenų mokslas gali būti piktnaudžiaujamas arba tiesiog klaidinantis.
