Dette er verdens mest sexede job! - Data Scientist

Publiceret 17 okt 2017 Ligesom en håndværker er en data scientist ikke meget uden sit værktøj.

Ligesom en håndværker er en data scientist ikke meget uden sit værktøj. Og en god håndværker investerer tid i at pleje og udvikle sit værktøj. Listen over programmer og metoder kan være lang, men det vigtigste ved værktøj er, hvilken funktion det har, og hvilke fordele det giver.

Forbes skriver, at data scientist var den 8. bedst betalte stilling i 2015. Erhvervet har fået stærkt momentum i de seneste år og er i forbindelse med hypen omkring Big Data blevet kåret til århundredets mest sexede erhverv. Nogle søger febrilsk efter en rigtig data scientist, der kan få gang i den avancerede analyse, men de er tilsyneladende lige så sjældne som enhjørninger. For dem, der dykker dybere ned i begrebet, står det hurtigt klart, at definitionerne er meget forskellige, og meget er det er kun snak og varm luft. Men der er en vigtig kerne i begrebet, som vi gerne vil fange og formidle. Data scientists har en vigtig rolle at spille og er kommet for at blive. Lad os kigge nærmere på, hvad der adskiller en data scientist fra en business analyst, hvilken baggrund og karakter ​​en data scientist har, og hvordan de driver udviklingen.

Computer Scientist eller Business Analyst?

I de fleste virksomheder har man i dag forretningsanalytikere, der undersøger analytiske problemstillinger, samler data, fortolker og præsenterer rapporter og interaktive grænseflade for at analysere virksomheden. Det er vigtigt for at kunne træffe vigtige beslutninger med udgangspunkt i fakta for at udvikle og forbedre erhvervsklimaet. Det har længe været en business analysts arbejdsopgaver. Hvad er så formålet med en data scientists arbejde? Nøjagtig det samme! Vend spørgsmålet om: hvad skulle formålet ellers være, hvis ikke at udvikle og forbedre virksomheden? Den store forskel ligger i, at en data scientist tænker bredere, opdager og angriber større og mere komplekse datakilder med nye metoder, tankegange og værktøjer. Du kan finde en mere detaljeret beskrivelse af forskellen på disse to discipliner her. Hvis vi spørger Data Science Central (med en klar mening i spørgsmålet), fremhæver de data scientists som "dem, der beskæftiger sig med Big Data".

Data scientist - verdens mest sexede job

Data scientist = data + scientist

Hvis vi ser etymologisk begrebet data scientist, så handler det ganske enkelt om data og forskere. Data kan være hvad som helst, men ved at fortolke den er håbet at opnå information og indsigt. En forsker er så en person, der er "involveret i en systematisk aktivitet for at tilegne sig viden, der beskriver den naturlige verden". Udtrykket "dataforsker" på dansk bliver meget bredt, men det er også det, der er en data scientists styrke: bredden til at tackle vidt forskellige udfordringer, hvor nye data fortolkes og omdannes til forretningsmæssige fordele.

Læs mere i artiklen: "Derfor er der så mange, der gerne vil arbejde med at skabe intelligent forretning"

Et universalgeni?

På billedet nedenfor tager vi nogle af de færdigheder op, som er afgørende for en succesrig data scientist. Det er blevet sagt, at "Almindeligvis har et geni en helt særlig retning: omfatter det alle eller de fleste genstande for den pågældende viden, kaldes det Universalgeni". I renæssancen var universalgeniet idealet, og universiteterne havde til formål at udvikle elevernes intellektuelle, kunstneriske, sociale og fysiske sider [lat. universitas: helhed]. I dagens samfund er specialisering nøglen, og en universitetsuddannelse i "almen viden" er svær at finde. Samtidig er det præcis, hvad vi har brug for i en data scientist: at håndtere store, komplekse datamængder, holde fokus på de strategiske mål, evaluere statistiske test, networke med alle fra politiske beslutningstagere til it-eksperter, skabe flotte visualiseringer, bygge interaktive dashboards, scripte effektive maskinlæringsalgoritmer, udtænke nye hypoteser, sikre, at analyserne er videnskabelige, forstå forskellige forretningsvirksomheder og ikke mindst at kunne kommunikere og overbevise om, hvad man eventuelt er kommet frem til. Hvordan gør man det? Hemmeligheden er, at nybegyndere lærer hurtigst, og at man ikke behøver at være en specialist på alle områder.

Data science

Hvor vokser data scientists?

Det vigtigste grobund for data scientists er utvivlsomt nysgerrighed og inspiration kombineret med intelligens og motivation. En bred teknisk uddannelse med fokus på forskning er ingen ulempe, og det er ikke tilfældigt, at tekniske fysikere for eksempel bliver succesfulde data scientists. Nogle har taget det skridtet videre og forbedret sig i et ph.d.-projekt. For nogle specialområder er en doktorgrad en forudsætning, men det skal afvejes mod den praktiske og forretningsmæssige erfaring, som en tilsvarende tid i erhvervslivet kan give. Uanset uddannelse og baggrund: alle kan udvikle sig til at blive bedre data scientists! På Knowit tilbyder vi fokuserede kurser, der løfter hele virksomhedens data science-niveau. For specifikke emner og teknikker findes der desuden åbne tjenester, som Coursera, European Data Science Academy og Data Science Masters. Det er mindst lige så vigtigt at udforske GitHub, StackOverflow, StackExchange og at afprøve sig selv i konkurrencerne på Kaggle.

Nøglen til vækst er at blive ved med at lære nye ting, prøve nye teknikker og teorier til at udvide sin viden. En data scientist foretrækker et åbent miljø med åben kildekode og afprøver gladeligt nye løsninger. De elsker teamwork, så de kan dele erfaringer og oplevelser og blive inspireret til at opdage nye ting. I en organisation ser de sig selv som en opdagelsesrejsende og drives af de store hvide pletter på kortet over spændende data. Nu tænker du måske "aha, det er den slags mennesker, der hele tiden skal google sig frem til alting midt i middagen!?" Tja... i nogle tilfælde, men de sociale færdigheder er mindst lige så vigtige!

Gode ​​håndværkere klager ikke over deres værktøj

Ligesom en håndværker er en data scientist ikke meget uden sit værktøj. Og en god håndværker investerer tid i at pleje og udvikle sit værktøj. Vi har brug for en værktøjskasse med stor mangfoldighed til forskellige problemer: scriptsprog til scientific computing, bibliotek til maskinlæring og data mining, databaser til strukturerede og ustrukturerede data, GIS-værktøjer, Java-baserede værktøjer til visualisering, sky-tjenester til tung analyse, grænsesnit til webudvikling, linux-funktioner til "data wrangling", forskellige Business Intelligence-programmer og ikke mindst metoder og processer til projektledelse, organisation, købmandskab og strategisk arbejde. Listen over programmer og metoder kan være lang, men det vigtigste ved værktøj er, hvilken funktion det har, og hvilke fordele det giver.

Her for at blive

Det er tydeligt, at data scientists er kommet for at blive. Deres bredde og analytiske tilgange er uden tvivl et stort aktiv i dag, hvor data er en stadig vigtigere aktiv. Men de er nødt til at have et godt miljø for deres arbejde og må ikke blive fanget i et datarengøringsarbejde. På det rigtige sted supplerer de business analysts med nye redskaber og færdigheder, er drevet af at udvikle sig selv og virksomheden og sår frø til innovation undervejs. Hvordan data scientists finder den perfekte balance mellem arbejde og fritid forbliver dog stadig et mysterium. Måske har det med alsidigheden, åbenheden og nysgerrigheden at gøre?

Lyder det spændende at arbejde som en Data Scientist? På Knowit har vi stillingerne inden for Intelligent Business.

Se alle ledige stillinger her!

Til toppen