V vrhuncu filma Skriti prizorki, ki ga je nominirala oskarja, je matematičarka Katherine Johnson poklicana, da preveri izračune za pristajalne koordinate vesoljske kapsule Johna Glenna, Prijateljstvo 7. Tehnologija je pravkar nadomestila človeške računalnike, ki so izračunali podatke, ki so zaključili kompleksne enačbe pred pojavom računalniškega sistema, vendar so imeli podatki iz naprave neskladja, ki jih je morala rešiti oseba.
To je bila podatkovna znanost leta 1961. Te dni so stvari nekoliko drugačne. Kompleksni sistemi za zbiranje podatkov podjetjem v vsakem sektorju omogočajo, da izvejo več o svojih podjetjih, strankah in prihodnjih perspektivah. A podobno kot v skritih številkah je treba ljudi še vedno poiskati pomembne resnice iz podatkov.
Tukaj je seznam, kako vsak dan uporabljamo znanost o podatkih in ključne veščine, ki jih potrebujete, da boste lahko uspešni kot podatkovni inženir, inženir ali analitik.
Podatkovna znanost je povsod
Potencial za znanstvenike s podatki, ki presegajo finančno in tehnološko industrijo, se širi. "V vseh sektorjih je vse več spoznanja, da so veščine podatkovnih podatkov postale bistvene za tekmovanje in izboljšanje na današnjem trgu, " pravi Michael Galvin, izvršni direktor podjetja Data Science Corporate Training za Metis, podjetje za usposabljanje na področju podatkovnih veščin, ki sodeluje s posamezniki in podjetji .
Pomislite na piškotke. Ne, ne tistih, ki jih potopite v mleko - močna orodja za zbiranje podatkov, ki pomagajo analitikom podatkov, znanstvenikom in inženirjem, da se učijo o potrošniških spletnih navadah in obveščajo algoritme okoli tistih, "kako sem - vedo-vem-kaj" sem samo razmišljal "od tega ?!" oglasi, ki jih prikazujemo na Facebooku. Njihov cilj? Ocenite interese in vedenje potrošnikov in uporabite to analitiko za pomoč pri sprejemanju ključnih poslovnih odločitev - za podjetja iz vseh sektorjev.
"V glavnem toku obstaja širša zavest o znanosti o podatkih. Podatkovna znanost vpliva na vse, od Amazonovih nakupov do Netflixovih napitnin, ki se dotikajo več ljudi kot kadar koli prej, «pravi Galvin.
Kako se vklopite
Z rastjo področij podatkovne znanosti se je povečevalo prekrivanje vlog podatkovnega znanstvenika, analitika podatkov in modelarja.
Toda po besedah dr. Flavio Villanustre, podpredsednika za tehnologijo in HPCC sisteme za rešitve tveganj LexisNexis, je razlikovanje med različnimi položaji pravzaprav precej edinstveno - in ponuja priložnosti za nadarjene na določenih področjih.
"Analitiki podatkov se tradicionalno specializirajo za tehnike obdelave podatkov, ki zahtevajo usposabljanje iz vsega, od jezikov poizvedb do grafičnih podatkovnih modelov, " pravi Villanustre. "Medtem oblikovalci analizirajo numerične podatke za korelacije in vzorce."
Ko gre za podatkovno znanost, Villanustre pojasni, da bi morali idealni kandidati pokazati nabor teh dveh vrst veščin, povezanih z domenskim in poslovnim znanjem. "Znanstveniki podatkov imajo običajno globlje znanje kot analitik podatkov o programskih tehnikah in širše znanje kot statistični modelirji o analitičnih metodologijah podatkov z uporabo bolj izpopolnjenih tehnik."
Pri prijavi na ta delovna mesta je pomembno upoštevati, katere naloge je podjetje resnično videti.
"Zaradi hrupa okrog podatkovne znanosti je veliko podjetij najelo podatkovne znanstvenike, da opravijo analizo podatkov, ki konča s čiščenjem in pripravo podatkov ter porabi zelo malo časa za dejanske znanstvene podatke, " razlaga Nick Kramer, višji direktor za podatke in analitiko pri SSA & Company, svetovalno podjetje za upravljanje, ki je specializirano za preoblikovanje analitike velikih podatkov v poslovanje za podjetja.
Nova orodja omogočajo oblikovanje analitičnih modelov s tistimi z nižjimi stopnjami strokovnega znanja, zato so raznolike, povezane veščine, kot so poslovno znanje in učinkovite komunikacijske veščine, pomembne za ločevanje iskalcev zaposlitve. Ko se pogovarjate, se pozanimajte o tem, kaj točno išče podjetje - in nato ustrezno pokažite svoje prednosti.
Naša pisarna
Kaj potrebuješ, da boš uspešen
Pri poslovanju kot podatkovni znanstvenik, analitik ali inženir je pomembna stvar, ki si jo je treba zapomniti stara poslovica o tem, da ne vidite gozda za drevesi. Natančnost osnovnih podatkov je sicer pomembna, zato je priznavanje splošne slike težav, ki jih podjetje upa rešiti.
"Med znanstveniki, na katere se podatki nanašajo, obstaja težnja, da bi stvari preveč zakomplicirali in se sesali v črno luknjo podrobnosti, " opozarja Galvin. "Namesto tega bi morali razmišljati o poslovnem problemu, ki ga poskušajo rešiti, se lotiti dela in nato ponoviti."
Poleg tega je bistvenega pomena tudi zanimanje za to, kar počnete - kot to velja za vsako delo.
„Podjetja delajo z različnimi vrstami podatkov (kot so slike, besedilo in finančni podatki) pri različnih težavah. Za uspeh vas morajo zanimati in razumeti, s katerimi podatki boste sodelovali, «je dejal Galvin. "Na primer, znanstveniki, ki delajo z medicinskimi slikami, ponavadi niso sami zdravniki, ampak njihov končni uporabnik ali odjemalec bo zdravnik. Lahko razumete, katere težave skušajo rešiti? Vas zanima, kako rešiti te težave? "
In potem je komunikacija. Rečeno je, da podatkovni znanstveniki, analitiki in inženirji govorijo svoj jezik, če pa želite biti uspešni na delovnem mestu, morate biti sposobni jasno komunicirati s tistimi, ki bodo od vaših veščin izkoristili in izkoristili največ.
"Sodelovanje s poslovnimi deležniki je vse bolj pomembno, " je dejal Kramer.
Podatkovna znanost in z njo povezane kariere so daleč od šestdesetih let prejšnjega stoletja, ko je NASA potrebovala človeške računalnike, da so izkoristili in preverili delo novih računalniških strojev. Toda briljantni možje, ki jih zanima, kako lahko podatki oblikujejo, kako živimo, delamo in poslujemo, so še vedno tako bistveni kot kdaj koli prej - brez človeškega strokovnjaka, ki bi razlagal vložke in rezultate, bi lahko podatkovno naravoslovje zlorabili ali pa preprosto zavajali.
