Sa kasukdulan ng hinirang na Academy Award-hinirang na pelikula na Nakatagong Mga figure, ang matematiko na si Katherine Johnson ay tinawag upang mapatunayan ang mga kalkulasyon para sa mga landing coordinate ng puwang ng puwang ni John Glenn, Friendship 7. Ang teknolohiya ay pinalitan lamang ng mga computer ng tao, ang data-pagkalkula ng mga tao na nakumpleto ang mga kumplikadong equation bago ang pagdating ng system ng computer, ngunit ang data mula sa makina ay may mga pagkakaiba-iba na kinakailangan upang malutas ng isang tao.
Iyon ay ang agham ng data noong 1961. Sa mga araw na ito, ang mga bagay ay medyo naiiba. Pinapayagan ng mga kumplikadong sistema ng pagkolekta ng data ang mga kumpanya sa bawat sektor upang matuto nang higit pa tungkol sa kanilang mga negosyo, kliyente, at hinaharap na mga prospect. Ngunit tulad ng sa Nakatagong Mga figure, ang mga tao ay kinakailangan pa rin upang makahanap ng mga mahahalagang katotohanan mula sa loob ng data.
Narito ang scoop kung paano namin ginagamit ang agham ng data araw-araw at ang mahahalagang kasanayan na kailangan mo upang maging matagumpay bilang isang scientist ng data, engineer, o analyst.
Ang Science Science ay Kahit saan
Ang potensyal para sa mga siyentipiko ng data na higit pa sa pananalapi at industriya ng tech ay umunlad. "Mayroong lumalagong pagsasakatuparan sa lahat ng mga sektor na ang mga kasanayan sa agham ng data ay naging mahalaga para sa pakikipagkumpitensya at pagpapabuti sa merkado ngayon, " sabi ni Michael Galvin, executive director ng Data Science Corporate Training para sa Metis, isang kumpanya ng pagsasanay sa kasanayan sa agham ng data na nagtatrabaho sa mga indibidwal at negosyo .
Mag-isip tungkol sa cookies. Hindi, hindi ang iyong inilubog sa gatas - ang makapangyarihang mga tool sa pangangalap ng data na makakatulong sa mga analyst ng data, siyentipiko, at mga inhinyero na malaman ang tungkol sa mga gawi sa web ng consumer at ipagbigay-alam ang mga algorithm sa paligid ng mga "howd-they-know-I-was just-thinking -Ayon-na ?! "ad na ipinakita namin sa Facebook. Ang kanilang layunin? Upang masuri ang mga interes at pag-uugali ng mamimili at gamitin ang mga analytics na makakatulong upang makagawa ng mga pangunahing desisyon sa negosyo - para sa mga kumpanya sa buong lahat ng sektor.
"Mayroong isang mas malawak na kamalayan ng data science sa pangunahing. Naaapektuhan ang lahat mula sa mga pagbili ng Amazon hanggang sa Netflix binges, ang agham ng data ay nakakaantig sa maraming tao kaysa sa dati, "sabi ni Galvin.
Paano ka Pagkasyahin
Sa paglaki ng mga patlang ng agham ng data, nagkaroon ng isang nadagdagan na overlap sa pagitan ng mga tungkulin ng scientist ng data, analyst ng data, at modelo.
Ngunit ayon kay Dr. Flavio Villanustre, Bise Presidente ng Teknolohiya at HPCC Systems para sa LexisNexis Risk Solutions, ang pagkakaiba sa pagitan ng iba't ibang posisyon ay talagang natatangi - at nagtatanghal ng mga pagkakataon para sa mga likas na matalino sa mga tiyak na lugar.
"Ang mga analyst ng data ay tradisyonal na dalubhasa sa mga pamamaraan sa pagmamanipula ng data, na nangangailangan ng pagsasanay sa lahat mula sa mga wika ng query hanggang sa mga modelong data ng grapiko, " sabi ni Villanustre. "Samantala ang mga modelo ay pinag-aaralan ang mga numero ng data para sa mga ugnayan at mga pattern."
Pagdating sa agham ng data, ipinaliwanag ni Villanustre na ang mga ideal na kandidato ay dapat magpakita ng superset ng dalawang uri ng mga kasanayan na pinagsama ng kaalaman sa domain at negosyo. "Ang mga siyentipiko ng datos ay karaniwang nagtataglay ng mas malalim na kaalaman kaysa sa data analyst tungkol sa mga diskarte sa programming at mas malawak na kaalaman kaysa sa mga istatistikong istatistika tungkol sa mga pamamaraan ng analytical na data gamit ang mas sopistikadong pamamaraan."
Kapag nag-aaplay sa mga posisyon na ito, mahalagang tandaan kung ano ang mga gawain na talagang hinahanap ng isang kumpanya na naisagawa.
"Ang buzz sa paligid ng agham ng data ay nagdulot ng maraming mga kumpanya na umarkila ng mga siyentipiko ng data upang gumawa ng trabaho ng isang analyst ng data, na nagtatapos sa paglilinis at paghahanda ng data at paggugol ng kaunting oras sa paggawa ng aktwal na agham ng data, " paliwanag ni Nick Kramer, Senior Director ng Data at Analytics sa Ang SSA & Company, isang firm consulting management na dalubhasa sa pagbabago ng malaking data analytics sa mga operasyon para sa mga kumpanya.
Ang mga bagong tool ay nagpapahintulot sa mga modelo ng analytics na nilikha ng mga may mas mababang antas ng kadalubhasaan, kaya ang iba-iba, may kaugnayan na mga kasanayan tulad ng kaalaman sa negosyo at epektibong mga kasanayan sa komunikasyon ay mahalaga upang ihiwalay ang mga naghahanap ng trabaho. Kapag nakikipanayam, siguraduhing magtanong sa mga katanungan upang matukoy kung ano mismo ang hinahanap ng isang kumpanya - pagkatapos ay ipakita ang iyong mga lakas nang naaayon.
Aming opisina
Ang Kailangan mong Maging matagumpay
Ang lumang adage tungkol sa hindi nakikita ang kagubatan para sa mga puno ay isang mahalagang bagay na dapat tandaan kapag nagtatrabaho bilang isang scientist, analyst, o engineer ng data. Habang ang kawastuhan ng mga pangunahing data ay mahalaga, sa gayon ay kinikilala ang overarching larawan ng mga problema na inaasahan ng isang kumpanya na malutas.
"Mayroong isang pagkahilig sa mga siyentipiko ng data upang mawala ang mga bagay at makakuha ng pagsipsip sa isang itim na butas ng mga detalye, " babala ni Galvin. "Sa halip, dapat nilang isipin ang tungkol sa problema sa negosyo na sinusubukan nilang malutas, makakuha ng isang bagay na gumagana, at pagkatapos ay umulit."
Bukod dito, ang isang interes sa iyong ginagawa - tulad ng totoo sa anumang trabaho - ay mahalaga rin.
"Ang mga kumpanya ay nagtatrabaho sa iba't ibang uri ng data (tulad ng mga imahe, teksto, at data ng pananalapi) sa iba't ibang mga problema. Kailangan mong maging interesado at maunawaan ang uri ng data na iyong gagawin upang magtagumpay, "sabi ni Galvin. "Halimbawa, ang mga siyentipiko ng data na nagtatrabaho sa mga larawang medikal ay hindi karaniwang mga doktor mismo, ngunit ang kanilang end user o kliyente ay magiging isang doktor. Naiintindihan mo ba kung anong mga problema na sinusubukan nilang lutasin? Interesado ka bang malutas ang mga problemang iyon? ”
At pagkatapos ay mayroong komunikasyon. Sinasabi na ang mga siyentipiko, analyst, at mga inhinyero ay nagsasalita ng kanilang sariling wika, ngunit upang maging matagumpay sa isang lugar ng trabaho, kailangan mong makipag-usap nang malinaw sa mga taong magamit at makikinabang sa iyong mga kasanayan.
"Ang pakikipagtulungan sa mga stakeholder ng negosyo ay lalong mahalaga, " sabi ni Kramer.
Ang agham ng data at ang mga kaugnay na karera ay dumating mula sa isang mahabang panahon mula noong 1960s nang ang NASA ay nangangailangan ng mga computer ng tao upang magamit at patunayan ang gawain ng mga bagong computer machine. Ngunit ang mga napakatalino na kaisipan na interesado sa kung paano mahuhubog ang data kung paano tayo namumuhay, nagtatrabaho, at gumawa ng negosyo ay mahalaga pa rin tulad ng dati - nang walang isang dalubhasang tao upang bigyang kahulugan ang mga input at mga resulta, ang agham ng data ay maaaring ligaw na maling ginagamit, o simpleng nakalilito.
