Naukowcy zajmujący się danymi mają pozornie proste zadanie: rozwikłać przepływ danych, które trafiają do organizacji jako niestrukturalny tłum. Ponieważ gdzieś w tym zamieszaniu są (mam nadzieję) ważne spostrzeżenia.
Ale czy umiejętne posługiwanie się algorytmami i zestawami danych wystarczy, aby odnieść sukces jako naukowiec zajmujący się danymi? Co jeszcze musisz wiedzieć i umieć zrobić, aby rozwijaj swoją ścieżkę kariery?
Choć wielu profesjonalistów z branży technologicznej uważa, że wystarczy oceniać dane od zapytania do realizacji, należy również wiedzieć, jak działa cały proces i jak przetwarzanie danych ostatecznie wpływa na strategie i przychody.
Obecnie duże zapotrzebowanie na usługi analityki dużych zbiorów danych oznacza, że firmy stawiają swoim klientom coraz wyższe wymagania naukowcy danych.
Potrzebne są umiejętności twarde i miękkie
Brakuje nauki o danych – luka kompetencyjna. Ta luka jest ogromna i stale rośnie.
Nowoczesna nauka o danych wywodzi się z trzech obszarów: matematyki stosowanej, statystyki i informatyki. W ostatnich latach termin „naukowiec danych” rozszerzył się i obejmuje również osoby z doświadczeniem w dziedzinie ilościowej.
Inne obszary – w tym fizyka i lingwistyka – coraz częściej nawiązują symbiotyczną relację z nauką o danych, zwłaszcza poprzez rozwój sztuczna inteligencja, uczenie maszynowe i przetwarzania języka naturalnego.
Oprócz umiejętności w zakresie matematyki i algorytmów, odnoszący sukcesy naukowcy danych muszą również opanować tzw. umiejętności miękkie – umiejętności społeczne. Innymi słowy, aby iść naprzód, naukowcy danych muszą współpracować z ludźmi, którzy rozumieją szersze relacje w firmie.
5 kursów zarządzania, które przyspieszą Twoją karieręMusisz współpracować z menedżerami, którzy mają wpływ na dalekosiężną strategię firmy, a także z kolegami, którzy przekształcają wyniki danych w rzeczywiste działania. Dzięki wkładowi tych interesariuszy naukowcy zajmujący się danymi mogą lepiej formułować właściwe pytania, aby rozwijać swoje analizy.
Umiejętności miękkie zazwyczaj oznaczają zdrową ciekawość. W idealnym przypadku kandydat lubi rozumieć dane i chce zrozumieć, co dzieje się na świecie.
Może to stanowić problem dla naukowców zajmujących się danymi, którzy chowają się za danymi i nie wchodzą w interakcje z innymi biznes jednostek.
Uprzedzenia kontra obiektywizm
Zrobienie czegoś poprawnie na początku nie jest oznaką zwycięstwa. Więc zawsze bądź sceptyczny. Czy masz wszystkie dane? Czy dane są zbyt dobre, aby mogły być prawdziwe?
Sztuką jest usunąć czynnik ludzki z równania. Po prostu pozwól matematyce mówić samej za siebie. Sceptyk danych może wtedy wykonać następny krok i pokazać, jak wiele wniosków nie opiera się wyłącznie na przypadku.
Nie próbuj być idealny. Rozwiązanie, które stworzysz, musi być wystarczające, aby przetransportować użytkownika z punktu A do punktu B. Lepiej zbudować dobrego, niezawodnego Volkswagena niż Cadillaca. Czasami po prostu musisz zadowolić się Volkswagenem.
Uprzedzenia zespołu są często włączane do algorytmów. Weźmy na przykład algorytm kredytowy, który ocenia wnioskodawców o pożyczkę. Podczas gdy możesz myśleć, że podstawowa matematyka jest neutralna, programista mógł włączyć swoje uprzedzenia do kodu.
Uprzedzenia nie są nowym problemem. Inżynierowie często muszą podejmować „subiektywne decyzje”, próbując osiągnąć cele. Musisz tworzyć indywidualne kroki rozwiązania, które spełniają natychmiastowe potrzeby. Nie jest jednak tak, że podstawowe algorytmy są czarnymi skrzynkami: naukowcy zajmujący się danymi muszą sami zdecydować, czy oprogramowanie daje dobry wynik.
Dla naukowców zajmujących się danymi, aby odnieść sukces w pracy, niezbędne są zarówno umiejętności techniczne, jak i społeczne – w połączeniu ze zdrową dawką sceptycyzmu. Aby wstać, kariera naukowa o danych drabiny, nie należy po prostu ślepo ufać zebranym danym.
