Dalam kemuncak Filem Tersembunyi yang dinamakan Anugerah Akademi, ahli matematik Katherine Johnson dipanggil untuk mengesahkan pengiraan untuk koordinat pendaratan kapsul ruang John Glenn, Persahabatan 7. Teknologi baru menggantikan komputer manusia, pengiraan data orang yang menyelesaikan persamaan kompleks sebelum kemunculan sistem komputer, tetapi data dari mesin mempunyai percanggahan yang perlu diselesaikan oleh seseorang.
Itulah ilmu data pada tahun 1961. Hari-hari ini, perkara-perkara yang sedikit berbeza. Sistem pengumpulan data kompleks membolehkan syarikat di setiap sektor untuk mengetahui lebih lanjut tentang perniagaan, pelanggan, dan prospek masa depan. Tetapi seperti dalam Nombor Tersembunyi, orang masih diperlukan untuk mencari kebenaran penting dari dalam data.
Inilah sudu mengenai bagaimana kami menggunakan sains data setiap hari dan kemahiran penting yang anda perlukan untuk berjaya sebagai ahli sains data, jurutera, atau penganalisis.
Ilmu Data Di Mana Mana
Potensi untuk saintis data jauh melebihi industri kewangan dan teknologi berkembang. "Terdapat kesedaran yang semakin meningkat di semua sektor bahawa kemahiran sains data telah menjadi penting untuk bersaing dan bertambah baik di pasaran hari ini, " kata Michael Galvin, pengarah eksekutif Latihan Korporat Data Sains untuk Metis, sebuah syarikat latihan kemahiran sains data yang bekerja dengan individu dan perniagaan .
Fikirkan tentang cookies. Tidak, bukan yang anda gunakan dalam susu - alat pengumpulan data yang kuat yang membantu para penganalisis, saintis, dan jurutera data mempelajari tentang tabiat web pengguna dan memberitahu algoritma di sekeliling mereka "bagaimana-mereka tahu-saya-hanya berfikir -of-itu ?! "iklan kami dipaparkan di Facebook. Matlamat mereka? Untuk menilai minat dan tingkah laku pengguna dan menggunakan analisis tersebut untuk membantu membuat keputusan perniagaan utama-untuk syarikat di semua sektor.
"Terdapat kesedaran yang lebih luas mengenai sains data di arus perdana. Mempengaruhi segalanya dari pembelian Amazon kepada bingung Netflix, sains data menyentuh lebih ramai orang daripada sebelumnya, "kata Galvin.
Bagaimana Anda Menyesuaikan
Dengan pertumbuhan bidang sains data, terdapat peningkatan pertindihan antara peranan saintis data, penganalisis data, dan pemodel.
Tetapi menurut Dr Flavio Villanustre, Naib Presiden Teknologi dan Sistem HPCC untuk Penyelesaian Risiko LexisNexis, perbezaan antara pelbagai jawatan sebenarnya agak unik-dan membentangkan peluang bagi mereka yang berbakat di kawasan tertentu.
"Penganalisis data tradisi mengkhususkan diri dalam teknik manipulasi data, yang memerlukan latihan dalam segala hal dari bahasa pertanyaan kepada model data grafik, " kata Villanustre. "Sementara itu jurutera menganalisis data berangka untuk korelasi dan pola."
Ketika datang ke sains data, Villanustre menjelaskan bahwa calon yang ideal harus memperlihatkan superset dari dua jenis kemahiran yang dikomersialkan dengan pengetahuan domain dan bisnis. "Para saintis data biasanya mempunyai pengetahuan yang lebih mendalam daripada penganalisis data mengenai teknik pengaturcaraan dan pengetahuan yang lebih luas daripada pemodelan statistik mengenai metodologi analisis data menggunakan teknik yang lebih canggih."
Apabila memohon kepada kedudukan ini, penting untuk mengetahui tugas yang sesebuah syarikat benar-benar ingin melakukan.
"Kebimbangan mengenai sains data mengakibatkan banyak syarikat mengupah saintis data untuk melakukan tugas penganalisis data, yang akhirnya membasuh dan menyediakan data dan menghabiskan sedikit masa untuk melakukan sains data sebenar, " jelas Nick Kramer, Pengarah Data dan Analitam Kanan SSA & Company, firma perunding pengurusan yang mengkhusus dalam mengubah analitik data besar ke dalam operasi untuk syarikat.
Alat baharu membolehkan model analitik dibuat oleh mereka yang mempunyai tahap kepakaran yang rendah, jadi kepelbagaian, kemahiran yang berkaitan seperti pengetahuan perniagaan dan kemahiran komunikasi yang berkesan adalah penting untuk menetapkan pencari kerja selain. Apabila menemuramah, pastikan anda bertanya soalan untuk mencari apa yang dicari syarikat-kemudian mempamerkan kekuatan anda dengan sewajarnya.
Pejabat kami
Apa yang Anda Perlu Berjaya
Pepatah lama tentang tidak melihat hutan untuk pokok adalah perkara penting yang perlu diingati ketika bekerja sebagai saintis data, penganalisis, atau jurutera. Walaupun ketepatan data teras adalah penting, begitu juga dengan mengakui gambaran keseluruhan masalah yang diharapkan oleh syarikat.
"Ada kecenderungan di kalangan para saintis data untuk mengaitkan perkara-perkara dan disedut ke lubang butir hitam, " peringatkan Galvin. "Sebaliknya, mereka harus memikirkan masalah perniagaan yang mereka cuba selesaikan, mendapatkan sesuatu yang bekerja, dan kemudian berulang."
Lebih-lebih lagi, minat dalam apa yang anda lakukan-seperti mana-mana jawatan-penting juga.
"Syarikat bekerja dengan pelbagai jenis data (seperti imej, teks, dan data kewangan) mengenai masalah yang berbeza. Anda perlu berminat dan memahami jenis data yang anda akan bekerjasama untuk berjaya, "kata Galvin. "Sebagai contoh, saintis data yang bekerja dengan imej perubatan tidak biasanya doktor sendiri, tetapi pengguna atau klien akhir mereka akan menjadi doktor. Bolehkah anda memahami masalah yang mereka cuba selesaikan? Adakah anda berminat untuk menyelesaikan masalah tersebut? "
Dan kemudian ada komunikasi. Dikatakan bahawa saintis data, penganalisis, dan jurutera bercakap bahasa mereka sendiri, tetapi untuk berjaya di tempat kerja, anda perlu dapat berkomunikasi dengan jelas dengan mereka yang akan memanfaatkan dan memanfaatkan sepenuhnya kemahiran anda.
"Berkolaborasi dengan pihak berkepentingan perniagaan semakin penting, " kata Kramer.
Sains data dan kerjaya yang berkaitan telah datang jauh dari 1960-an ketika NASA memerlukan komputer manusia untuk memanfaatkan dan mengesahkan kerja mesin komputer baru. Tetapi minda yang bijak berminat bagaimana data boleh membentuk bagaimana kita hidup, bekerja, dan menjalankan perniagaan masih penting seperti yang pernah-tanpa pakar manusia untuk mentafsirkan kedua-dua input dan hasilnya, sains data boleh disalahgunakan secara liar, atau hanya mengelirukan.
