V rámci filmu Skryté postavy nominovaného na Oscara je matematička Katherine Johnson vyzvána, aby ověřila výpočty přistávacích souřadnic vesmírné kapsle Johna Glenna, Přátelství 7. Technologie právě nahradila lidské počítače, lidi počítající data, kteří dokončili složité rovnice před příchodem počítačového systému, ale data ze stroje měla nesrovnalosti, které člověk musel vyřešit.
To byla věda o údajích v roce 1961. V dnešní době jsou věci trochu jiné. Komplexní systémy sběru dat umožňují společnostem v každém sektoru dozvědět se více o svých firmách, klientech a budoucích vyhlídkách. Ale stejně jako u skrytých postav, lidé stále potřebují najít důležité pravdy z dat.
Zde je přehled toho, jak každý den využíváme vědu o údajích a základní dovednosti, které potřebujete, abyste byli úspěšní jako vědec, inženýr nebo analytik.
Data Science je všude
Potenciál pro vědce v oblasti dat, které daleko přesahují finanční a technologický průmysl, vzkvétá. „Ve všech odvětvích roste realizace toho, že dovednosti v oblasti vědy o údajích se staly nezbytnými pro konkurenci a zlepšování na dnešním trhu, “ říká Michael Galvin, výkonný ředitel společnosti Data Science Corporate Training pro společnost Metis, která se specializuje na výuku dovedností v oblasti datových věd a která pracuje s jednotlivci a podniky .
Přemýšlejte o cookies. Ne, ne ty, které ponoříte do mléka - výkonné nástroje pro shromažďování dat, které pomáhají analytikům dat, vědcům a technikům dozvědět se o návycích na webu pro spotřebitele a informují algoritmy kolem těch „jak-oni-vědí-I-jen mysleli - z toho ?! “reklamy, které se zobrazují na Facebooku. Jejich cíl? Posoudit zájmy a chování spotřebitelů a použít tyto analytické nástroje k tomu, aby pomohl učinit klíčová obchodní rozhodnutí - pro společnosti ve všech sektorech.
"V hlavním proudu je širší povědomí o vědě o datech." Vědecké informace, které ovlivňují vše od nákupů Amazonu po bity Netflix, se dotýkají více lidí než kdykoli předtím, “říká Galvin.
Jak se vejde
S růstem v oborech vědy o údajích došlo k většímu překrývání rolí vědce s údaji, analytika dat a modeláře.
Ale podle Dr. Flavia Villanustre, viceprezidenta pro technologie a HPCC systémů pro řešení rizik LexisNexis je rozdíl mezi různými pozicemi skutečně jedinečný - a představuje příležitosti pro ty nadané v konkrétních oblastech.
"Analytici dat se tradičně specializují na techniky manipulace s daty, které vyžadují školení ve všem, od dotazovacích jazyků po grafické datové modely, " říká Villanustre. "Mezitím modeláři analyzují numerická data na korelace a vzorce."
Pokud jde o vědu o údajích, Villanustre vysvětluje, že ideální kandidáti by měli předvést nadmnožinu těchto dvou typů dovedností kombinovaných s doménami a obchodními znalostmi. "Vědci v oblasti dat obvykle disponují hlubšími znalostmi než analytici údajů o programovacích technikách a širšími znalostmi než statistické modeláři o metodikách analýzy dat využívajících sofistikovanější techniky."
Při podávání těchto pozic je důležité si uvědomit, jaké úkoly společnost skutečně hledá.
„Buzz kolem vědy o údajích vedl k tomu, že mnoho společností najímalo vědce s údaji, aby odvedli práci analytika dat, který nakonec čistí a připravuje data a tráví jen velmi málo času skutečnou vědou o údajích, “ vysvětluje Nick Kramer, vrchní ředitel dat a analytiků společnosti SSA & Company, manažerská poradenská firma, která se specializuje na transformaci velkých datových analytiků na operace pro společnosti.
Nové nástroje umožňují, aby analytické modely byly vytvořeny těmi, kteří mají nižší úroveň odbornosti, takže pro rozdělování uchazečů o zaměstnání jsou důležité rozmanité související dovednosti, jako jsou obchodní znalosti a efektivní komunikační dovednosti. Při pohovoru se můžete zeptat, na co se zaměřit, přesně na to, co společnost hledá - a podle toho předvést své silné stránky.
Naše kancelář
Co musíte být úspěšní
Staré přísloví, že lesy nevidíme, je důležité si pamatovat, když pracujete jako datový vědec, analytik nebo inženýr. Přesnost základních dat je sice důležitá, ale zároveň uznává celkový obraz problémů, které společnost doufá vyřešit.
"Mezi vědci v oblasti dat existuje tendence komplikovat věci a nechat se vtáhnout do černé díry detailů, " varuje Galvin. "Místo toho by měli přemýšlet o obchodním problému, který se snaží vyřešit, dostat něco do práce a pak iterovat."
Kromě toho je také nezbytný zájem o to, co děláte - stejně jako o jakoukoli práci.
„Společnosti pracují s různými druhy dat (jako jsou obrázky, textové a finanční údaje) o různých problémech. Musíte mít zájem a porozumět druhům dat, se kterými budete pracovat, abyste uspěli, “řekl Galvin. „Například vědci s údaji, kteří pracují s lékařskými obrazy, obvykle nejsou sami lékaři, ale jejich koncovým uživatelem nebo klientem bude lékař. Dokážete pochopit, jaké problémy se snaží vyřešit? Máte zájem tyto problémy vyřešit? “
A pak je tu komunikace. Říká se, že vědci, analytici a inženýři hovoří svým vlastním jazykem, ale abyste byli na pracovišti úspěšní, musíte být schopni jasně komunikovat s těmi, kteří budou z vašich dovedností nejvíce využívat a těžit z nich.
"Spolupráce s podnikatelskými subjekty je stále důležitější, " řekl Kramer.
Datová věda a její související kariéra prošla dlouhou cestu od šedesátých let, kdy NASA potřebovala lidské počítače, aby využily a ověřily práci nových počítačových strojů. Ale brilantní mysli, které se zajímají o to, jak mohou data ovlivňovat to, jak žijeme, pracujeme a obchodujeme, jsou stále stejně důležité jako nikdy - bez lidského experta, který by interpretoval jak vstupy, tak výsledky, by věda o údajích mohla být divoce zneužita, nebo prostě zmatena.
