In de climax van de door de Academy Award genomineerde film Hidden Figures wordt wiskundige Katherine Johnson geroepen om berekeningen voor de landingscoördinaten van John Glenn's ruimtecapsule Friendship 7 te verifiëren. Technologie heeft zojuist menselijke computers vervangen, de gegevensberekenende mensen die complexe vergelijkingen hebben voltooid vóór de komst van het computersysteem, maar de gegevens van de machine hadden discrepanties die door een persoon moesten worden opgelost.
Dat was datawetenschap in 1961. Tegenwoordig zijn de dingen een beetje anders. Complexe systemen voor gegevensverzameling stellen bedrijven in elke sector in staat meer te weten te komen over hun bedrijven, klanten en toekomstige vooruitzichten. Maar net als in Hidden Figures zijn mensen nog steeds nodig om belangrijke waarheden te vinden vanuit de gegevens.
Hier is de primeur over hoe we data science elke dag gebruiken en de essentiële vaardigheden die je nodig hebt om succesvol te zijn als data scientist, engineer of analist.
Data Science is overal
Het potentieel voor datawetenschappers tot ver buiten de financiële en technologische industrie bloeit. "Er is een groeiend besef in alle sectoren dat vaardigheden op het gebied van data science essentieel zijn geworden om te concurreren en te verbeteren op de huidige markt, " zegt Michael Galvin, uitvoerend directeur van Data Science Corporate Training voor Metis, een bedrijf voor training op het gebied van data science vaardigheden dat werkt met particulieren en bedrijven .
Denk aan cookies. Nee, niet degenen die u in melk dompelt - de krachtige tools voor gegevensverzameling die gegevensanalisten, wetenschappers en ingenieurs helpen om te leren over de gewoonten van consumentenwebsites en de algoritmen informeren over "hoe ik-zij-weet-ik-net-dacht" -van-dat ?! ”advertenties die we op Facebook zien. Hun doel? Om de belangen en het gedrag van consumenten te beoordelen en die analyses te gebruiken om belangrijke zakelijke beslissingen te nemen - voor bedrijven in alle sectoren.
“Er is een breder bewustzijn van data science in de mainstream. Van invloed op alles, van Amazon-aankopen tot Netflix-binges, raakt data science meer mensen dan ooit tevoren ”, zegt Galvin.
Hoe je erin past
Met de groei op het gebied van data science is er een toegenomen overlap tussen de rollen van data scientist, data analist en modeler.
Maar volgens Dr. Flavio Villanustre, Vice President of Technology en HPCC Systems voor LexisNexis Risk Solutions, is het onderscheid tussen verschillende functies eigenlijk vrij uniek - en biedt het kansen voor hoogbegaafden op specifieke gebieden.
"Gegevensanalisten zijn van oudsher gespecialiseerd in gegevensmanipulatietechnieken, waarvoor training in alles nodig is, van query-talen tot grafische gegevensmodellen", zegt Villanustre. "Ondertussen analyseren modelleerders numerieke gegevens op correlaties en patronen."
Als het gaat om data science, legt Villanustre uit dat ideale kandidaten een superset van deze twee soorten vaardigheden moeten presenteren, aangevuld met domein- en bedrijfskennis. “Gegevenswetenschappers beschikken meestal over diepere kennis dan de gegevensanalist over programmeertechnieken en bredere kennis dan statistische modelleerders over gegevensanalysemethoden die geavanceerdere technieken gebruiken.”
Bij het solliciteren naar deze functies is het belangrijk om op te merken welke taken een bedrijf echt wil uitvoeren.
"Het geroezemoes rond data science heeft ertoe geleid dat veel bedrijven datawetenschappers hebben ingehuurd om het werk van een data-analist te doen, die uiteindelijk gegevens opschoont en voorbereidt en heel weinig tijd besteedt aan het daadwerkelijk doen van data science", legt Nick Kramer uit, Senior Director of Data and Analytics bij SSA & Company, een managementadviesbureau dat gespecialiseerd is in het transformeren van big data-analyses naar operaties voor bedrijven.
Met nieuwe tools kunnen analysemodellen worden gemaakt door mensen met lagere expertiseniveaus, dus gediversifieerde, gerelateerde vaardigheden zoals bedrijfskennis en effectieve communicatievaardigheden zijn belangrijk om werkzoekenden te onderscheiden. Zorg ervoor dat u tijdens het interview vragen stelt om precies aan te geven waar een bedrijf naar op zoek is - toon vervolgens uw sterke punten.
Ons kantoor
Wat u nodig hebt om succesvol te zijn
Het oude gezegde over het niet zien van het bos door de bomen is een belangrijk ding om te onthouden wanneer je werkt als datawetenschapper, analist of ingenieur. Hoewel de nauwkeurigheid van kerngegevens belangrijk is, is ook het erkennen van het overkoepelende beeld van de problemen die een bedrijf hoopt op te lossen.
"Er is een neiging onder datawetenschappers om dingen te ingewikkeld te maken en in een zwart gat van details te worden gezogen", waarschuwt Galvin. "In plaats daarvan moeten ze nadenken over het zakelijke probleem dat ze proberen op te lossen, iets werkend krijgen en vervolgens itereren."
Bovendien is interesse in wat je doet - zoals bij elke taak geldt - ook essentieel.
“Bedrijven werken met verschillende soorten gegevens (zoals afbeeldingen, tekst en financiële gegevens) aan verschillende problemen. Je moet geïnteresseerd zijn in en inzicht hebben in het soort gegevens waarmee je werkt, 'zei Galvin. “Gegevenswetenschappers die met medische afbeeldingen werken, zijn bijvoorbeeld meestal geen artsen zelf, maar hun eindgebruiker of klant zal een arts zijn. Kun je begrijpen welke problemen ze proberen op te lossen? Ben je geïnteresseerd in het oplossen van die problemen? "
En dan is er communicatie. Er wordt gezegd dat datawetenschappers, analisten en ingenieurs hun eigen taal spreken, maar om succesvol te zijn op een werkplek, moet je duidelijk kunnen communiceren met degenen die het meeste gebruik maken van en profiteren van je vaardigheden.
"Samenwerking met belanghebbenden uit het bedrijfsleven wordt steeds belangrijker", aldus Kramer.
Data science en de daarmee verband houdende loopbanen hebben een lange weg afgelegd vanaf de jaren zestig, toen NASA menselijke computers nodig had om het werk van nieuwe computermachines te benutten en te verifiëren. Maar briljante geesten die geïnteresseerd zijn in hoe data vorm kunnen geven aan onze manier van leven, werken en zaken doen, zijn nog steeds even essentieel als altijd - zonder een menselijke expert om zowel de input als de resultaten te interpreteren, kan data science enorm worden misbruikt, of gewoon verwarrend.
