Lesen Sie dies, bevor Sie beruflich auf Data Science umsteigen – KDnuggets

Neuauflage von Plato

Verfolger: 0

Lesen Sie dies, bevor Sie beruflich auf Data Science umsteigen
Bild vom Autor

Sie lesen dies, weil Sie darüber nachdenken, in die Riege angehender Datenwissenschaftler einzusteigen. Und wer kann es dir verdenken? Datenwissenschaft ist ein wachsendes Feld, auch ein Jahrzehnt nach der mittlerweile berüchtigten Auszeichnung „Sexiest Job“ durch die Harvard Business Review. Das US Bureau of Labor Statistics derzeit prognostiziert Die Beschäftigungsquote für Datenwissenschaftler wird von 35 bis 2022 um 2032 Prozent steigen. Vergleichen Sie das mit der durchschnittlichen Beschäftigungswachstumsrate, die nur 5 Prozent beträgt.

Es gibt noch andere Dinge, die dafür sprechen:

Es ist gut bezahlt (wieder die BLS gefunden ein Durchschnittsgehalt von 103 US-Dollar im Jahr 2022)
Damit einher geht eine hohe Lebensqualität (überdurchschnittlich hohe berufliche Zufriedenheit). gemäß zum Career Explorer)
Trotz der jüngsten Runde besteht Arbeitsplatzsicherheit Entlassungen – weil die Nachfrage nach der Rolle so groß ist

Es gibt also viele Gründe, in diesem Bereich Fuß zu fassen.

Lesen Sie dies, bevor Sie beruflich auf Data Science umsteigen
Quelle: https://www.bls.gov/ooh/math/data-scientists.html

Aber Data Science ist ein sehr weites Feld mit vielen verschiedenen Berufsbezeichnungen und Fähigkeiten, die Sie kennen müssen, bevor Sie beginnen. Dieser Artikel führt Sie durch die verschiedenen Richtungen, die Sie einschlagen können, und was Sie für jede davon wissen müssen, um in die Datenwissenschaft einzusteigen.

Um einen erfolgreichen Übergang in ein Karriere in der Datenwissenschaft, müssen Sie einen strukturierten Ansatz verfolgen:

Beurteile die Data-Science-Kenntnisse und Lücken erkennen.
Sammeln Sie praktische Erfahrungen in den Bereichen, in denen Sie schwach sind.
Netzwerk. Treten Sie Data-Science-Gruppen bei, nehmen Sie an Meetups teil und leisten Sie Beiträge in Foren.

Lass uns tiefer tauchen.

Bewerten Sie Ihre Ausgangsposition

Was wissen Sie bereits und wie kann es in der Datenwissenschaft angewendet werden? Denken Sie an: etwaige Programmierkenntnisse, statistische Fähigkeiten oder Erfahrung in der Datenanalyse, die Sie haben.

Identifizieren Sie als Nächstes die Lücken in Ihren Fähigkeiten, insbesondere diejenigen, die für die Datenwissenschaft unerlässlich sind. SQL ist ein echtes Muss, aber auch Python- oder R-Programmierung, erweiterte Statistiken, maschinelles Lernen und Datenvisualisierung sind äußerst vorteilhaft.

Sobald Sie diese Lücken identifiziert haben, suchen Sie nach einer entsprechenden Ausbildung oder Schulung, um sie zu schließen. Dies kann durch Online-Kurse, Universitätsprogramme, Bootcamps oder Selbststudium geschehen, wobei der Schwerpunkt auf praktischem, praktischem Lernen liegt.

Praxiserfahrung

Sie sollten nicht nur Videos ansehen und Blogbeiträge lesen. Praktische Erfahrung ist in der Datenwissenschaft von entscheidender Bedeutung. Beteiligen Sie sich an Projekten, die es Ihnen ermöglichen, Ihre neuen Fähigkeiten in realen Szenarien anzuwenden. Dies können persönliche Projekte, Beiträge zu Open-Source-Plattformen oder die Teilnahme an Datenwettbewerben wie denen auf Kaggle sein.

Wenn Sie über grundlegende Einstiegsfähigkeiten verfügen, sollten Sie ein Praktikum oder eine freiberufliche Tätigkeit in Betracht ziehen, um Branchenerfahrung zu sammeln.

Am wichtigsten, Dokumentieren Sie alle Ihre Projekte und Erfahrungen in einem Portfolio, wobei Ihr Problemlösungsprozess, die von Ihnen verwendeten Techniken und die Auswirkungen Ihrer Arbeit hervorgehoben werden.

Netzwerk

Beim Einstieg in die Datenwissenschaft kommt es neben dem, was man weiß, oft auch darauf an, wen man kennt. Finden Sie Mentoren, nehmen Sie an Meetups, Konferenzen und Workshops teil, um mehr über neue Trends zu erfahren, und engagieren Sie sich in Online-Data-Science-Communitys wie Stack Overflow, GitHub oder Reddit. Auf diesen Plattformen können Sie von anderen lernen, Ihr Wissen teilen und in der Data-Science-Community auf sich aufmerksam machen.

Wenn du möchtest Werden Sie von Grund auf Datenwissenschaftlerist es sinnvoll, über die Fähigkeiten nachzudenken, die Sie als Baum entwickeln müssen. Es gibt „Stamm“-Fähigkeiten, die in jedem Data-Science-Job üblich sind, und dann verfügt jedes Spezialgebiet über „Zweig“-Fähigkeiten, die sich in immer spezialisiertere Rollen verzweigen.

Es gibt drei Hauptfähigkeiten, die jeder Datenwissenschaftler braucht, egal in welche Richtung er geht:

Datenmanipulation/-Wrangling mit SQL

Bei der Datenwissenschaft geht es im Wesentlichen um die Handhabung und Organisation großer Datenmengen. Dazu müssen Sie SQL beherrschen. Es ist unverzichtbares Werkzeug zur Datenmanipulation und -verarbeitung.

Lesen Sie dies, bevor Sie beruflich auf Data Science umsteigen
Bild vom Autor

Soft Skills

Datenwissenschaft findet nicht im luftleeren Raum statt. Sie müssen gut mit anderen umgehen können, was bedeutet, dass Sie Ihre Soft Skills verbessern müssen. Die Fähigkeit, komplexe Datenergebnisse klar und verständlich an technisch nicht versierte Stakeholder zu kommunizieren, ist ebenso wichtig wie technische Fähigkeiten. Dazu gehören effektive Kommunikation, Problemlösung und Geschäftssinn.

Problemlösung hilft bei der Bewältigung komplexer Datenherausforderungen, während Geschäftssinn sicherstellt, dass datengesteuerte Lösungen mit den Unternehmenszielen in Einklang stehen.

Ständige Lernhaltung

Data Science ist anders als noch vor fünf Jahren. Schauen Sie sich nur an, wo wir heute mit KI im Vergleich zu 2018 stehen. Es entstehen ständig neue Werkzeuge, Techniken und Theorien. Aus diesem Grund benötigen Sie eine kontinuierliche Lernmentalität, um über die neuesten Entwicklungen auf dem Laufenden zu bleiben und sich an neue Technologien und Methoden in diesem Bereich anzupassen.

Sie benötigen Eigenmotivation zum Lernen und Anpassen sowie einen proaktiven Ansatz zum Erwerb neuer Kenntnisse und Fähigkeiten.

Obwohl es, wie ich oben dargelegt habe, allgemeine Fähigkeiten gibt, erfordert jede Rolle ihre eigenen spezifischen Fähigkeiten. (Erinnern Sie sich? Branches.) Beispielsweise sind statistische Analysen, Programmierkenntnisse in Python/R und Datenvisualisierung spezifisch für spezialisiertere Berufe in der Datenwissenschaft.

Lesen Sie dies, bevor Sie beruflich auf Data Science umsteigen
Bild vom Autor

Lassen Sie uns jede Data-Science-nahe Rolle aufschlüsseln, damit Sie sehen können, was Sie brauchen.

Geschäfts-/Datenanalyst

Ja, das ist eine datenwissenschaftliche Rolle! Auch wenn die Neinsager anderer Meinung sind, glaube ich dennoch, dass man es zumindest als Sprungbrett betrachten kann, wenn man eine Karriere im Bereich Datenwissenschaft anstrebt.

Als Unternehmens- oder Datenanalyst sind Sie dafür verantwortlich, die Lücke zwischen Datenerkenntnissen und Geschäftsstrategie zu schließen. Es ist perfekt für diejenigen, die ein Händchen dafür haben, Geschäftsanforderungen zu verstehen und sie in datengesteuerte Lösungen umzusetzen.

Als Kernkompetenzen benötigen Sie Business Intelligence – keine Überraschungen –, ausgeprägte analytische Fähigkeiten, Kenntnisse in Datenabfragesprachen, vorwiegend SQL. In dieser Rolle sind Python und R optional, da die Hauptaufgabe in der Datenverarbeitung besteht.

Da ist ein Visualisierungskomponente Abhängig von Ihrem Job kann es jedoch bedeuten, dass Sie Dashboards in Tableau oder Diagramme in Excel erstellen.

Datenanalyse

Diese Rolle konzentriert sich auf die Interpretation von Daten, um umsetzbare Erkenntnisse zu liefern. Wenn Sie Spaß daran haben, Zahlen in Geschichten und Geschäftsstrategien zu übersetzen, ist das ein toller Job für Sie.

Sie benötigen einen festen Griff statistische Analyse und Datenvisualisierung – allerdings kann es sich hierbei auch um Tableau-Dashboards und/oder Excel-Diagramme handeln. Sie benötigen außerdem Kenntnisse in Analyse-Tools Gefällt mir Excel, Tableau und SQL. Python/R sind wiederum optional, aber denken Sie daran, dass sie bei der Implementierung von Statistiken und Automatisierung wirklich hilfreich sein können.

Maschinelles lernen

Wissenschaftler für maschinelles Lernen entwickeln Vorhersagemodelle und Algorithmen, um datengesteuerte Vorhersagen oder Entscheidungen zu treffen. Diese Rollen eignen sich für diejenigen, die ein starkes Interesse an KI und Modellbau haben.

Was die Kernkompetenzen angeht, gibt es keine Überraschungen: Sie benötigen eine tiefes Verständnis von Algorithmen, Erfahrung mit Frameworks für maschinelles Lernen wie TensorFlow und PyTorch sowie ausgeprägte Programmierkenntnisse. Python und/oder R sind nicht mehr optional, sondern ein Muss.

Daten Engineering

In dieser Rolle konzentrieren Sie sich auf die Architektur, Verwaltung und Wartung von Datenpipelines. Es eignet sich gut für Personen, die Freude an den technischen Herausforderungen der Verwaltung und Optimierung des Datenflusses und der Datenspeicherung haben.

Um diesen Job anzunehmen, benötigen Sie zFachkenntnisse in Datenbankmanagement, ETL-Prozessen und Kenntnisse in Big-Data-Technologien wie Hadoop und Spark. Du wirst auch brauchen Kenntnisse in der Datenpipeline-Automatisierung unter Verwendung von Technologien wie Airflow.

Geschäftsanalytik

Bei Business Intelligence dreht sich alles um die Erstellung von Visualisierungen. Es ist großartig für Geschichtenerzähler und Leute mit ausgeprägtem Geschäftssinn.

Sie müssen ein Profi im Umgang mit Dashboard-Technologien wie Tableau und Qlik sein, da Sie diese Tools zum Erstellen Ihrer Visualisierungen verwenden. Sie benötigen außerdem Kenntnisse in der Datenbearbeitung (sprich: SQL-Kenntnisse), um Datenabfragen zu optimieren und die Leistung des Dashboards zu steigern.

Wie ich bereits in diesem Artikel erwähnt habe, ist die Datenwissenschaft ein sich schnell entwickelndes Feld. Es eröffnen sich ständig neue Jobs und Rollen. Um auf meine Baumanalogie zurückzukommen: Ich stelle es mir gerne als neue Zweige vor, die dem Hauptstamm der Datenwissenschaft hinzugefügt werden. Mittlerweile gibt es Cloud-Ingenieure, SQL-Spezialisten, DevOps-Rollen und mehr – alle sind immer noch mit diesem Bereich der Datenwissenschaft verbunden. Daher bietet dieser Artikel nur einen kurzen Einblick in die Richtungen, die Sie mit der Datenwissenschaft einschlagen können.

Darüber hinaus sollten Sie auch bedenken, dass Data Science mit Herausforderungen verbunden ist, die mit dem sechsstelligen Gehaltsscheck verbunden sind. Die Lernkurve ist sehr steil und das Lernen endet nie wirklich. Neue Technologien, Trends und Tools kommen schnell und schnell – und wenn Sie Ihren Job behalten wollen, müssen Sie mithalten.

Alles in allem ist es eine großartige Karriereoption. Mit den drei Hauptkompetenzen, die ich erwähnt habe, sind Sie für jede Aufgabe bestens gerüstet Rolle der Datenwissenschaft das spricht dich an.

Nate Rosidi ist Data Scientist und in der Produktstrategie. Er ist auch außerplanmäßiger Professor für Analytik und Gründer von StrataScratch, eine Plattform, die Datenwissenschaftlern hilft, sich mit echten Interviewfragen von Top-Unternehmen auf ihre Interviews vorzubereiten. Verbinde dich mit ihm auf Twitter: StrataScratch or LinkedIn.