Hvordan gjøre en karriere innen data science – karrierevei for aspirerende data scientists

Nesten alt vi gjør i hverdagen er et resultat av data, i en eller annen form. Fram til 2003 var det bare fem milliarder gigabyte med data på internett. Men noe endret seg i 2011, mengden data som noen gang hadde eksistert, ble opprettet på bare to dager. Fra og med 2013 ble dette volumet produsert en gang hvert 10. minutt. Som et resultat bør det ikke komme som en overraskelse at opprettelsen av 90 % av alle dataene skjedde i løpet av det foregående tiåret.

Data er nyttig, vi vet det, men før ideen om «big data» kom, hadde de stort sett blitt ignorert. I henhold til en definisjon fra Gartner, "Big Data er informasjonsressurser med høy volum, høy hastighet eller høy variasjon som krever nye former for prosessering for å muliggjøre forbedret beslutningstaking, oppdagelse av innsikt og prosessoptimalisering."

For å si det enkelt er big data en samling av svært store datasett som ikke kan behandles med vanlige datamaskinmetoder. Dette begrepet refererer ikke bare til dataene, men også til de forskjellige rammeverkene, verktøyene og metodene som brukes for å jobbe med dem. Bransjeaktører må finne andre måter å håndtere dataene på på grunn av teknologisk fremgang, fremveksten av nye måter å kommunisere på, som sosiale nettverk, og utgivelsen av nye, kraftigere enheter.

Anvendelse av datavitenskap

McKinsey sa at big data-initiativer i det amerikanske helsevesenet "kan spare 300 til 450 milliarder dollar i helsekostnader, eller 12 til 17 prosent av basislinjene på 2,6 billioner dollar i amerikanske helsekostnader." På den annen side antas det at dårlige data koster USA rundt 3,1 billioner dollar i året.

Big Data er ubrukelig uten ferdighetene til fagfolk som vet hvordan de kan gjøre banebrytende teknologi om til innsikt som kan brukes. I dag slipper flere og flere organisasjoner inn store data og bruker kraften. Dette gjør en dataforsker som vet hvordan man kan få praktisk innsikt ut av gigabyte med data, ekstremt verdifull. Så hvis Data Science er veien du har valgt, er du sannsynligvis på en lukrativ vei.

—----------------------------------------------------- -------------------------------------------------- ----

Så hva gjør en dataforsker?

Datavitenskapsteam er vanligvis små og jobber med flere forretningsproblemer. Dataforskere forventes ofte å være uavhengige helt fra dag én.

I henhold til boken Doing Data Science:I en bredere forstand er en dataforsker en person som forstår hvordan trekke konklusjoner og trekke slutninger fra store mengder data, ved å bruke en kombinasjon av menneskelig intuisjon og metodikkene og verktøyene for statistikk og maskinlæring. De legger ned mange timer på å samle, rengjøre og gnaske data fordi, vel, data er aldri rene. Denne prosessen krever tålmodighet, statistikk og programvareteknikk. Dette er de samme ferdighetene som trengs for å forstå skjevheter i dataene og for å feilsøke kode som logger utdata. Etter at dataene er organisert, spiller utforskende dataanalyse (som kombinerer visualisering og datafølelse) en kritisk rolle. De skal oppdage mønstre, konstruere modeller og utvikle algoritmer, hvorav noen skal brukes til å få innsikt i hvordan produktet blir utnyttet og dets generelle helse, mens andre skal brukes som prototyper før de integreres i sluttproduktet. En dataforsker spiller en nøkkelrolle i datadrevet beslutningstaking så vel som eksperimentdesign. Selv om kollegene deres ikke er dataeksperter, vil de sørge for å kommunisere implikasjonene av data, gjennom visuelle og tydelige språk.

Spesifikke oppgaver for en dataforsker inkluderer:

• Identifisering av dataanalyseproblemer som kan gi organisasjonen de høyeste mulighetene
• Samler inn store sett med strukturerte og ustrukturerte data fra ulike kilder
• Bestemme nøyaktige og korrekte datasett og variabler
• Rengjøring og validering av dataene for å sikre fullstendighet, nøyaktighet og enhetlighet
• Analyser data for å gjenkjenne mønstre og trender
• Utforming og bruk av algoritmer for datautvinning
• Tolke dataene for å finne løsninger og muligheter
• Formidling av funn til interessenter

Her er et morsomt faktum: Netflix er avhengig av datavitenskap for å lage show som publikum garantert vil like! Følgende er noen av måtene firmaet måler brukerengasjement og oppbevaring på:

• Når setter seerne opptaket på pause, spole det tilbake eller øke hastigheten
• Når ser seerne vanligvis materiale, både gjennom uken og i helgene, og til hvilken tid på dagen?
• Når og hvorfor slutter de å konsumere materiale?
• Måten seerne blar gjennom og navigerer på siden

Netflix er for tiden tilgjengelig på mer enn 120 millioner forskjellige enheter over hele verden. Netflix bruker banebrytende datavitenskapelige beregninger for å lette behandlingen av all denne informasjonen. Dette gjør den i stand til å gi sine forbrukere bedre forslag til filmer og serier, samt å produsere bedre innhold spesielt for disse menneskene. Datavitenskap og big data ble brukt under produksjonen av den kritikerroste serien House of Cards. Netflix samlet informasjon om brukerne fra TV-showet The West Wing, som er en annen dramaserie. De tok hensyn til både punktene der seerne sluttet å se showet, så vel som punktene der de sluttet å spole fremover. Netflix var i stand til å utvikle et program som de mente var perfekt engasjerende ved å analysere disse dataene.

—----------------------------------------------------- -------------------------------------------------- -

Hva skal til for å være en god dataforsker?

For å forstå om du har det som trengs for å være en god dataforsker, still deg selv følgende spørsmål:

• Har jeg en grad i statistikk, informatikk, matematikk, ledelsesinformasjonssystemer eller markedsføring? Hvis ikke, har jeg tenkt å få en?
• Har jeg arbeidserfaring innen noen av de ovennevnte disiplinene?
• Er jeg interessert i datainnsamling og analyse?
• Setter jeg pris på individualisert arbeid og problemløsning?
• Har jeg gode verbale og visuelle kommunikasjonsevner?
• Vil jeg utvide ferdighetene mine og ta på meg nye utfordringer?

Hvis du sa "ja" til noen av disse spørsmålene, kan du være en god kandidat for en dataforsker.

For å være dataforsker må du kunne matematikk eller statistikk. Det er også viktig å være naturlig nysgjerrig og å kunne tenke kreativt og kritisk. For å få mest mulig ut av dataene, må du være flink til å sette sammen ting og ønsker å finne svar på spørsmål som ikke er stilt ennå.

I følge KDnuggets har 88 % av dataforskerne ha minst en mastergrad, og 46 % har doktorgrad.

Du må også vite hvordan du programmerer slik at du kan komme opp med modellene og algoritmene du trenger for å utvinne store datalagre. Python og R er to av de beste programmeringsmiljøene for datavitenskap.

I tillegg til dette vil det være en fordel om du har et godt øye for forretningsstrategi. Hvis du ikke er i stand til å tenke ut dine egne metoder og bygge din egen infrastruktur for å skjære og kutte dataene som vil lede deg til nye oppdagelser og nye visjoner for fremtiden, er det mulig at du ikke vil lykkes i dine bestrebelser. Selv om du samarbeider med andre dataspesialister eller til og med med et tverrfaglig team av fagfolk, er dette en viktig ferdighet. Du må også være i stand til å kommunisere komplekse ideer til dine ikke-tekniske interessenter på en måte de lett kan forstå. Programvareverktøy for datavitenskap kan hjelpe deg med å visualisere funnene dine, men du trenger også verbale kommunikasjonsferdigheter for å fortelle historien tydelig.

—----------------------------------------------------- -------------------------------------------------- ----

En trinn-for-trinn-veiledning for å bli dataforsker, for nybegynnere

Her er en enkel guide som du kan følge trinn for trinn for å begynne reisen din som dataforsker:

Trinn 1: Bli kjent med programmeringsspråk

Det er viktig å friske opp relevante programmeringsspråk som Python, R, SQL og SAS, selv om du har en bachelorgrad i feltet, siden denne graden kanskje bare gir deg et teoretisk grep om emnet. Når det gjelder å håndtere enorme datasett, er dette språkene som er helt nødvendige.

Trinn 2: Bli sertifisert

Kompetanse- og verktøyspesifikke sertifiseringer er en fin måte å vise din kunnskap og ekspertise om dine ferdigheter. Sertifiseringer gjør CVen din mer verdifull, lærer deg viktige ferdigheter i løpet av korte perioder og gir deg også selvtillit til å ta på deg mer. Power BI-sertifisering er en flott en, til å begynne med. Lær om de ulike metodene og beste praksisene som er i tråd med forretningsmessige og tekniske krav for modellering, visualisering og analyse av data med Power BI. Hos Readynez tror vi at sertifisering er måten å tette kunnskapsgapet. Derfor har vi en bred samling av kurs klare for deg å ta på!

Trinn 3: Vær en praktikant

Den beste metoden for å få en fot innenfor organisasjoner som rekrutterer datavitere er å få litt erfaring i feltet gjennom et praksisopphold. Se etter jobbmuligheter med titler som "dataanalytiker", "business intelligence analytiker", "statistiker" eller "dataingeniør", for eksempel. Praksisplasser er en utmerket mulighet til å tilegne seg praktisk erfaring innen det feltet man selv velger og for å få en bedre forståelse av plikter og ansvar knyttet til stillingen man søker på.

Trinn 4: Få en jobb på startnivå

Etter at du har fullført praksisperioden, har du muligheten til å bli hos det samme firmaet (hvis de ønsker å fylle ledige jobber) eller begynne å søke etter jobb på startnivå som dataviter, dataanalytiker eller dataingeniør . Fra det utsiktspunktet kan du fremme karrieren din ved å få erfaring og bevege deg oppover stigen samtidig som du utvider kunnskapen og evnene dine.

Trinn 5 er å oppgradere ferdighetene dine. Nedenfor er en liste over ferdigheter du bør jobbe med for å fremme karrieren din som dataforsker.

—----------------------------------------------------- -------------------------------------------------- ----

Hvilke ferdigheter bør du jobbe med for å bli en god dataforsker?

For å satse på en karriere som dataforsker, vil det være en fordel for deg å skaffe deg ekspertise på følgende felt:

1) Å få ekspertise innen databaser er det første trinnet i å lagre og analysere data med programmer som Oracle, Database, MySQL, Microsoft SQL Server og Teradata. Denne ekspertisen er nødvendig.

2) Mestring av statistikk, sannsynlighet og kvantitativ analyse bør være ditt andre mål. Studiefeltet kjent som statistikk fokuserer på å lage og undersøke teknikker for innsamling, undersøkelse, tolkning og presentasjon av empiriske data. Sannsynlighet kan ses på som et mål på hvor sannsynlig det er at en bestemt hendelse finner sted.

3) Analyse i matematikk refererer til studiet av grenser og ideene som er knyttet til dem, inkludert differensiering, integrasjon, måling, uendelige serier og analytiske funksjoner.

4) Beherskelse av minst ett programmeringsspråk kreves. Når du gjør analyser på data, er programmeringsverktøy som R, Python og SAS av største betydning.

5) Datakrangel: Å lære å rense, manipulere og organisere data er en del av en nødvendig ferdighet, som kalles "datakrangel". R, Python, Flume og Scoop er alle kjente og mye brukte verktøy for datakrangel.

6) Forstå Big Data-verktøy som Apache Spark, Hadoop, Talend og Tableau, som brukes til å håndtere store og komplekse data som ikke kan håndteres med tradisjonell databehandlingsprogramvare.

7) Datavisualisering å kunne se for seg resultater. Integrering av ulike datasett og produksjon av en grafisk representasjon av funnene ved bruk av ulike typer diagrammer, diagrammer og grafer blir referert til som "datavisualisering."

—----------------------------------------------------- -------------------------------------------------- ----

Avslutningsvis

Alle selskaper som er i stand til å gjøre effektiv bruk av dataene de samler inn, kan dra nytte av bruken av dataforskere. Datavitenskap er fordelaktig for enhver organisasjon, uavhengig av sektor, den opererer i fordi den kan gi statistikk og innsikt på tvers av prosesser, hjelpe til med rekruttering av nye medarbeidere og hjelpe seniormedarbeidere med å ta bedre informerte beslutninger.

Etter at du har fullført de fleste av trinnene nevnt i denne artikkelen, vil du ha en rekke karrieremuligheter tilgjengelig. Bli sertifisert i en rekke datavitenskapelige områder med Readynez for å begynne reisen!