יום בחייו של מדען נתונים

מדריך הקריירה של Data Scientist של BrainStation יכול לעזור לך לעשות את הצעדים הראשונים לקראת קריירה רווחית במדעי הנתונים. המשך לקרוא לקבלת סקירה כללית של האופן שבו מדעני נתונים מבלים את ימיהם בעבודה.

הפוך למדען נתונים

דבר עם יועץ למידה כדי ללמוד עוד על האופן שבו מחנות ההפעלה והקורסים שלנו יכולים לעזור לך להיות מדען נתונים.



על ידי לחיצה על שלח, אתה מקבל את שלנו תנאים .



שלח

לא ניתן היה להגיש! לרענן את הדף ולנסות שוב?

למידע נוסף על מחנה ה-Data Science Bootcamp שלנו

תודה!

נהיה בקשר בקרוב.



הצג את דף Bootcamp של Data Science

יום בחייו של מדען נתונים

מכל הדיסציפלינות שנבדקו בסקר המיומנויות הדיגיטליות של Brainstation, מדעי הנתונים עשויים להקיף את המגוון הרחב ביותר של יישומים. אבל למרות שמדע הנתונים קיים כבר עשרות שנים, הוא הגיע לפריחה מלאה רק לאחרונה. ככל שהזמינות של הנתונים התרחבה, חברות הבינו עד כמה מדע הנתונים יכול להיות חשוב, אומרת בריאנה בראונל, מייסדת ומנכ'לית Pure Strategy, ומדענית נתונים מזה 13 שנים. כל חברה צריכה כעת להתמקד חלקית בטכנולוגיה. רק השבוע, למשל, מקדונלד'ס שילמה סכום מוערך של 300 מיליון דולר כדי לרכוש חברת ביג דאטה משלה.

אין זה פלא, אם כן, שהתחרות על מדעני נתונים היא גבוהה להפליא. בתוך שנתיים בלבד, הביקוש צפוי לגדול ב-28%, שווה ערך לכ-2.7 מיליון משרות חדשות. זה יותר פתחים ממה שבוגרים חדשים יוכלו למלא - כלומר עובדי טכנולוגיה בתחומים אחרים יצטרכו לשפר את כישוריהם ולעבור לנתונים כדי לענות על הביקוש הזה.

למעשה, הסקר שלנו מצביע על כך שזה כבר קורה. בערך ארבעה מתוך חמישה מקצועני נתונים התחילו את הקריירה שלהם במשהו אחר, ו-65 אחוז מכל מדעני הנתונים עובדים בתחום כבר חמש שנים או פחות. לזרם העצום הזה של מוחות חדשים יש אפקט כפול, אומר בראונל; מצד אחד, מגיעים הרבה רעיונות חדשים, היא אומרת. כשאני מסתכל על חלק מהתוכן שיוצא מקהילת מדעי הנתונים, אני מופתע כמה חדשנות יש. הצד השני, עם זאת, הוא נטייה להמציא את הגלגל מחדש.



ביקוש גבוה למדעני נתונים הוא נהדר אם אתה כזה (או חושב להיות כזה), אבל עבור מעסיקים, גיוס יכול להיות אתגר מרתיע. כאן, למידה מחדש היא פתרון ברור; זה עשוי להיות משתלם יותר להכשיר מחדש עובד נוכחי במדעי הנתונים מאשר לצוד ראשים לעובד חדש.

אבל גם אם אתה מתכנן להעסיק צוות חדש למדעי הנתונים, ייתכן שהארגון שלך בכללותו יצטרך לרענן את אוריינות הנתונים שלו, מזהיר ברונל. כל אחד רוצה לעבוד על משהו שיש לו השפעה על מקום העבודה שלו, שהופך את החיים של אנשים לטובים יותר, היא אומרת. אם תרבות החברה שלך אינה כזו ש[מדעני הנתונים שלך] יכולים להשפיע, זה כמעט בלתי אפשרי להעסיק. מנהיגות חייבת להיות מסוגלת לא רק לתקשר לשכירים פוטנציאליים כיצד הם יוכלו לתרום - אלא גם להבין את ההצעות שצוות מדעי הנתונים שלהם מציג בסופו של דבר.

לרוע המזל, אומר בראונל, הרוב הלא נוח הם החברות שלא הבינו דברים. הסקר שלנו מגבה זאת: רוב המשיבים (52 אחוזים) תיארו את רמת אוריינות הנתונים בארגונים שלהם כבסיסית, כאשר התגובה הבינונית היא התגובה השכיחה הבאה (31 אחוז). זה מצביע על כך שכמה הכשרה בסיסית במדעי הנתונים יכולה להיות שימושית עבור רוב גדול של חברות - במיוחד במנהיגות.



הצורך הזה בשיפור אוריינות נתונים - ותקשורת - מוגבר על ידי האופן שבו בנויים רוב צוותי מדעי הנתונים: כצוות דיסקרטי, בדרך כלל עם 10 אנשים או פחות (לפי 71 אחוז מהמשיבים), ולעתים קרובות חמישה או פחות (38 אחוזים). ). הצוותים המלוכדים האלה לא יכולים להרשות לעצמם להיות מבודדים. אנשים שעובדים בתוך חברות גדולות יותר נמצאים בדרך כלל בתוך קבוצה קטנה ספציפית למדעי הנתונים, והלקוחות שלהם הם פנימיים - חלקים אחרים של הארגון, מסביר בראונל, כך שמדובר בצוות שצריך לפעול על פני תחומים רבים ושונים של הארגון.

מה זה בדיוק Data Science?

התפיסה הרווחת (שמדעני נתונים חותכים מספרים) אינה רחוקה מדי מהסימן, אומר בראונל. יש הרבה מערכי נתונים שצריכים לחשוף מהם תובנות, וזה כרוך בהרבה שלבים כמו בניית מודלים וניקוי נתונים, ואפילו רק להחליט איזה נתונים אתה צריך. עם זאת, בסופו של דבר, המאמץ הזה ממוקד מטרה: בבסיסו, אתה צריך לעשות משהו עם הנתונים.

לצורך העניין, נתונים הם לא תמיד מספרים. בעוד שרוב המשיבים (73 אחוז) ציינו שהם עובדים עם נתונים מספריים, 61 אחוז אמרו שהם עובדים גם עם טקסט, 44 אחוזים עם נתונים מובנים, 13 אחוזים עם תמונות ו-12 אחוזים עם גרפיקה (ומיעוטים קטנים אפילו עובדים עם וידאו ואודיו -6 אחוזים ו-4 אחוזים בהתאמה). תוצאות הסקר הללו רומזות על הדרכים שבהן מדע הנתונים מתרחב הרבה מעבר לטבלאות פיננסיות, ומגייס אנשים לפרויקטים כמו מקסום שביעות רצון לקוחות או הוצאת תובנות חשובות מצינור האש של המדיה החברתית.

כתוצאה מכך, יש מגוון עצום בתחום מדעי הנתונים, אומר בראונל. לכל תעשייה יש דעה משלה על אילו סוגי נתונים עובדים עליהם מדעני הנתונים, סוגי התוצאות שהם מצפים להם, וכיצד זה משתלב במבנה המנהיגות של החברה שלהם. עם זאת, בכל מקרה, המטרה היא למנף נתונים כדי לעזור לחברה לקבל החלטות טובות יותר. זה יכול להיות שיפור המוצרים, הבנת השוק שאליו הם רוצים להיכנס, שימור לקוחות נוספים, הבנת השימוש בכוח העבודה שלהם, הבנת איך להשיג עובדים טובים - כל מיני דברים שונים.

משרות במדעי הנתונים

בתחומים מסוימים של הטכנולוגיה, הפיכתו לגנרליסט יכולה להיות הרגל הטובה ביותר שלך בדלת - לא כך עם מדעי הנתונים. מעסיקים בדרך כלל מחפשים כישורים מיוחדים לענף שלהם. מכיוון שמדעי הנתונים מגיעים בכל כך הרבה טעמים שונים, הסקר שלנו בדק יותר לעומק, ובחן חמש קטגוריות תפקידים עיקריות: מנתח נתונים, חוקר, אנליסט עסקי, מנהל נתונים וניתוח ומדען נתונים ממש.

על פני כל כותרות התפקיד הללו, סכסוך נתונים וניקוי תופסים את עיקר הזמן - אבל לאיזה מטרה? לרוב, המטרה היא לייעל פלטפורמה, מוצר או מערכת קיימים (45 אחוז), או לפתח חדשים (42 אחוז). בחפירה עמוקה יותר, גילינו שאופטימיזציה של פתרונות קיימים נוטה ליפול בידי אנליסטים עסקיים ונתוני נתונים, בעוד שפיתוח פתרונות חדשים נופל לעתים קרובות יותר בידי מדעני וחוקרים נתונים.

הטכניקות שבהן מדעני נתונים משתמשים משתנות גם בהתמחויות שונות. רגרסיה ליניארית הייתה כלי נפוץ בכל הקטגוריות, שצוטטה על ידי 54 אחוז מהמשיבים, אבל היו כמה הפתעות כאשר הסתכלנו על התוכנה שאנשים משתמשים בהם.

אקסל - סוס העבודה הזה של מניפולציה של ערכות נתונים - נמצא כמעט בכל מקום, צוטט על ידי 81 אחוז מכלל המשיבים, והכלי הפופולרי ביותר בכל קטגוריה למעט מדעני נתונים ממש (שבדרך כלל מסתמכים על פייתון - וגם ציטט ערכת כלים גדולה יותר מקטגוריות אחרות ). מה הופך את Excel לבלתי נמנע כל כך, אפילו ב-2019?

הדבר שאני אוהב ב-Excel הוא איך זה מאפשר לך לראות את הנתונים ולקבל תחושה אינטואיטיבית עבורם, הסביר בראונל. אנחנו גם משתמשים הרבה ב-Python, ובמקרה כזה, כשאתה עושה ניתוח על קובץ נתונים, הוא נסתר; אלא אם כן אתה מתכנת ספציפית חלק מהקוד שלך כדי לבצע הדמיה מסוימת של הנתונים הגולמיים שאתה מנתח, אתה לא רואה אותו. בעוד שעם Excel, זה ממש לפניך. יש לזה הרבה יתרונות. לפעמים אתה יכול לזהות בעיות בקובץ הנתונים. אני לא רואה את אקסל נעלם מניתוח אף פעם.

עם זאת, עדיין יש רשימה ארוכה של תוכניות אחרות בשימוש בתחום - לא מפתיע בהתחשב בגיוון שלה. SQL (43%). 32 אחוז מהנשאלים שציינו כלים אחרים, אפילו בהתחשב ברשימה הארוכה הזו.

מהו העתיד של מדעי הנתונים?

לבסוף, שאלנו אילו מגמות יעצבו את הנוף הדיגיטלי בחמש עד 10 השנים הבאות. למידת מכונה ובינה מלאכותית - שלשניהם יש יישומים בתחום מדעי הנתונים - היו ההתפתחויות שהמשיבים מצפים שיהיו להן את ההשפעה הגדולה ביותר, ב-80% ו-79% בהתאמה. זאת למרות שפחות מרבע (23 אחוז) מהם עובדים כיום עם AI.

בינה מלאכותית יכולה לשנות לחלוטין את מדעי הנתונים, מאשרת בראונל, שהחברה שלו מפתחת מוצרי AI. זו באמת התהילה של שיטות למידה ללא פיקוח. יש לנו רק כל כך הרבה זמן להסתכל על מערכי הנתונים האלה, ובמיוחד עם אלה גדולים, קשה מאוד לעשות הכל. כלי AI יכולים לעזור לחשוף משהו שאולי לא היית חושב לחפש. זה בהחלט קרה לנו.

מגמות נוספות מדעני נתונים מצפים לשלוט בעתיד הקרוב: האינטרנט של הדברים (51 אחוז), בלוקצ'יין (50 אחוז) ומסחר אלקטרוני (36 אחוז), מציאות רבודה ומציאות מדומה (38 אחוז ו-27 אחוז), ואפילו קול- חוויות מבוססות (25 אחוזים) - כולן תצוגות משמעותיות, וכל התחומים שבהם ניתן לעשות שימוש טוב במדעי הנתונים.

Kategori: חֲדָשׁוֹת