U vrhuncu filma Hidden Figures, nominiranog nagradu Akademije, pozvana je matematičarka Katherine Johnson da provjeri izračune koordinata slijetanja svemirske kapsule Johna Glenna, Prijateljstvo 7. Tehnologija je upravo zamijenila ljudska računala, ljude koji izračunavaju podatke koji su završili složene jednadžbe prije pojave računalnog sustava, ali podaci s stroja imali su odstupanja koja je osoba trebala riješiti.
To je bila znanost o podacima 1961. Ovih dana stvari su malo drugačije. Složeni sustavi prikupljanja podataka omogućuju tvrtkama iz svakog sektora da saznaju više o njihovom poslovanju, klijentima i budućim izgledima. Ali kao u Skrivenim figurama, ljudima je još uvijek potrebno da pronađu važne istine iz podataka.
Evo kratke točke kako svakodnevno koristimo znanost o podacima i osnovne vještine koje su vam potrebne da biste bili uspješni kao podatkovni inženjer, inženjer ili analitičar.
Znanost podataka je posvuda
Potencijal za znanstvenike s podacima daleko izvan financijskih i tehnoloških industrija napreduje. „U svim sektorima raste spoznaja da su vještine iz područja podataka postale presudne za natjecanje i poboljšanje na današnjem tržištu“, kaže Michael Galvin, izvršni direktor Data Science Corporate Training za Metis, tvrtku za obuku podataka o vještinama podataka koja radi s pojedincima i tvrtkama,
Razmislite o kolačićima. Ne, ne one koje umočite u mlijeko - moćne alate za prikupljanje podataka koji pomažu analitičarima podataka, znanstvenicima i inženjerima da nauče o potrošačkim mrežnim navikama i informiraju algoritme oko onih "kako sam-znao-znam-što sam-samo razmišljao" "od toga ?!" oglasi prikazani smo na Facebooku. Njihov cilj? Da biste procijenili interese i ponašanje potrošača i upotrijebite tu analitiku za donošenje ključnih poslovnih odluka - za tvrtke iz svih sektora.
„Postoji široka svijest o znanosti o podacima u glavnom toku. Utječući na sve, od Amazonove kupnje do Netflixovih napitaka, znanost o podacima dodiruje više ljudi nego ikad prije ", kaže Galvin.
Kako se uklapate
S porastom u poljima znanosti o podacima došlo je do povećanog preklapanja između uloga podatkovnog znanstvenika, analitičara podataka i modelara.
Ali prema dr. Flavio Villanustreu, potpredsjedniku za tehnologiju i HPCC sustave za LexisNexis Risk Rješenja, razlika između različitih pozicija zapravo je vrlo jedinstvena - i pruža mogućnosti onima nadarenima u određenim područjima.
"Analitičari podataka tradicionalno se specijaliziraju u tehnikama manipulacije podacima, za koje je potrebna obuka o svemu, od jezika upita do grafičkih modela podataka", kaže Villanustre. "U međuvremenu, modeliratelji analiziraju numeričke podatke za korelacije i obrasce."
Kad je riječ o znanosti o podacima, Villanustre objašnjava da idealni kandidati trebaju pokazati veliki skup ove dvije vrste vještina složenih s domenom i poslovnim znanjem. "Znanstvenici za podatke obično posjeduju dublje znanje od analitičara podataka o programskim tehnikama i šire znanje od statističkih modelara o analitičkim metodologijama podataka koristeći sofisticiranije tehnike."
Kada se prijavljujete na te pozicije, važno je napomenuti koje zadatke tvrtka zaista izgleda.
„Buka oko znanosti o podacima dovela je do toga da su mnoge tvrtke angažirale istraživače podataka kako bi radile posao analitičara podataka, koji završava na čišćenju i pripremi podataka i troši vrlo malo vremena radeći na stvarnim znanstvenim podacima“, objašnjava Nick Kramer, stariji direktor za podatke i analitiku u SSA & Company, konzultantska tvrtka za upravljanje koja se specijalizirala za transformaciju analitike velikih podataka u operacije za tvrtke.
Novi alati omogućuju izradu analitičkih modela onima koji imaju nižu razinu stručnosti, pa su raznolike, povezane vještine poput poslovnog znanja i učinkovite komunikacijske vještine važne za razdvajanje osoba koje traže posao. Tijekom razgovora obavezno postavite pitanja kako biste odgovorili na točno ono što tvrtka traži - a zatim pokažite svoje snage.
Naš ured
Što trebate da biste bili uspješni
Stara poslovica o nevidi šumi za drveće važno je zapamtiti pri radu kao podatkovni znanstvenik, analitičar ili inženjer. Iako je točnost osnovnih podataka važna, priznaje se sveobuhvatna slika problema koje se tvrtka želi riješiti.
„Postoji tendencija među znanstvenicima podataka da prekompliciraju stvari i budu usisani u crnu rupu detalja“, upozorava Galvin. "Umjesto toga, trebali bi razmisliti o poslovnom problemu koji pokušavaju riješiti, raditi nešto i potom ponoviti."
Nadalje, zanimanje za ono što radite - kao što je slučaj s bilo kojim poslom - također je presudno.
"Tvrtke rade s različitim vrstama podataka (poput slika, teksta i financijskih podataka) na različitim problemima. Morate vas zanimati i razumjeti vrstu podataka s kojima ćete raditi kako biste uspjeli “, rekao je Galvin. „Na primjer, znanstvenici s podacima koji rade s medicinskim slikama obično nisu sami liječnici, ali njihov krajnji korisnik ili klijent bit će liječnik. Možete li razumjeti koje probleme pokušavaju riješiti? Zainteresirani ste za rješavanje tih problema? "
A onda slijedi komunikacija. Kaže se da znanstvenici, analitičari i inženjeri govore svoj vlastiti jezik, ali da biste bili uspješni na radnom mjestu, morate biti u mogućnosti jasno komunicirati s onima koji će od vaših sposobnosti koristiti i imati najviše koristi.
"Suradnja s poslovnim dionicima sve je važnija", rekao je Kramer.
Znanost o podacima i srodne karijere daleki su put od 1960-ih kada je NASA-i bila potrebna ljudska računala da iskoriste i provjere rad novih računalnih strojeva. Ali briljantni umovi zainteresirani za način na koji podaci mogu oblikovati način na koji živimo, radimo i poslujemo i dalje su bitni kao i uvijek - bez ljudskog stručnjaka za tumačenje ulaza i rezultata, znanost o podacima mogla bi se divlje zloupotrijebiti ili jednostavno jednostavno zbuniti.
