Πώς να Γίνετε Επιστήμονας Δεδομένων Πολιτών – ΔΙΑΒΟΛΗ ΔΕΔΟΜΕΝΩΝ

Οι ευθύνες εργασίας ενός επιστήμονα δεδομένων πολιτών περιλαμβάνουν την αντιμετώπιση νέων δεδομένων, τη χρήση αυτοματοποιημένων εργαλείων για την επεξεργασία μεγάλων δεδομένων και τη δημιουργία πρόσθετων μοντέλων για την απόκτηση πρόσθετων γνώσεων. Η κύρια δουλειά τους δεν είναι να κάνουν προβλέψεις απευθείας από μεγάλα δεδομένα ή να αναπτύσσουν προδιαγραφικά αναλυτικά στοιχεία, αλλά για τη δημιουργία μοντέλων και τη χρήση εργαλείων που επιτυγχάνουν αυτούς τους στόχους.

Οι επιστήμονες δεδομένων πολιτών γεφυρώνουν το χάσμα μεταξύ του «αληθινού» οι επιστήμονες δεδομένων (εκπαιδευμένοι και με πτυχίο) και ιδιοκτήτες επιχειρήσεων που εκτελούν τις δικές τους αναλύσεις αυτοεξυπηρέτησης. Αυτή η αναλογία μπορεί να παρέχει κάποια εικόνα: Ένας επιστήμονας δεδομένων μπορεί να είναι σε θέση να τρέξει δέκα μίλια σε μια ώρα, αλλά ένας επιστήμονας δεδομένων των πολιτών μπορεί να περιφέρεται, να ζεστάνει το αυτοκίνητο και να οδηγήσει δέκα μίλια σε λιγότερο από μία ώρα, με λιγότερα χρήματα. Ομολογουμένως, ο επιστήμονας δεδομένων πολιτών δεν θα δει τόσα τοπία καθ' οδόν, αλλά θα συνεχίσει να κάνει τη δουλειά. 

Η θέση του επιστήμονα δεδομένων πολιτών είναι ιδιαίτερα ασυνήθιστη, καθώς, τουλάχιστον προς το παρόν, είναι δυνατή η πρόσβαση μόνο μέσω εσωτερικών προωθήσεων. Αν και ο τίτλος υπάρχει εδώ και μερικά χρόνια, δεν υπάρχουν λίστες απασχόλησης για εργοδότες που αναζητούν έναν «επιστήμονα δεδομένων πολιτών». Σε γενικές γραμμές, η θέση προσθέτει ευθύνες στην τρέχουσα περιγραφή εργασίας κάποιου. Η απόκτηση της προαγωγής συνήθως περιλαμβάνει τη λήψη και τη μετάδοση ορισμένων μαθημάτων Επιστήμης Δεδομένων που σχετίζονται με τις ανάγκες του οργανισμού και μπορεί να περιλαμβάνουν πιστοποίηση.

Η δημιουργία της θέσης «επιστήμονας δεδομένων πολιτών» είναι μια λύση στην έλλειψη οι επιστήμονες δεδομένων. Μεγάλο μέρος της εργασίας που συνήθως γίνεται από τους επιστήμονες δεδομένων ασχολείται με απλές επιχειρησιακές εργασίες, όπως η επικύρωση Ποιότητα Δεδομένων, συγχώνευση συνόλων δεδομένων και προσδιορισμός πηγών δεδομένων. Αυτές οι εργασίες είναι κουραστικές και χρονοβόρες και το να τις εκτελεί ένας «ακριβός» επιστήμονας δεδομένων δεν είναι τρομερά οικονομικό. Είναι καλύτερο να χρησιμοποιήσετε κάποιον πολύ λιγότερο ακριβό για να ολοκληρώσετε αυτές τις εργασίες με τη βοήθεια αυτοματισμού.  

Διαπραγμάτευση της θέσης του Επιστήμονα Δεδομένων Πολιτών

Η διοίκηση αποφάσισε να προσλάβετε έναν επιστήμονα δεδομένων για βραχυπρόθεσμο έργο και για αναδιοργάνωση του τμήματος διαδικτυακών πωλήσεων. Αποφασίστηκε επίσης ότι ένα μόνιμο «μέλος της ομάδας» θα διοριστεί για να βοηθήσει τον επιστήμονα δεδομένων σε βάση μερικής απασχόλησης, ως ένας τρόπος για τη μείωση του κόστους και τη διατήρηση της εμπειρίας. Στο τέλος του έργου, το μέλος της ομάδας θα αναλάβει την καθημερινή συντήρηση του πρόσφατα εγκατεστημένου προγράμματος ανάλυσης και των αλγορίθμων πρόβλεψης για πωλήσεις μέσω Διαδικτύου. Επιπλέον, το μέλος της ομάδας θα πρέπει να παρακολουθήσει τέσσερα μαθήματα για να αποκτήσει μια βασική γνώση των νέων ευθυνών. (Ένα έξυπνο, διεκδικητικό μέλος της ομάδας μπορεί να προσεγγίσει τη διαχείριση με την ιδέα να προαχθεί σε επιστήμονα δεδομένων πολιτών.)

Στην κατάσταση που περιγράφηκε παραπάνω, ένας μεγάλος αριθμός αλλαγών λαμβάνει χώρα εντός του οργανισμού και, εκτός εάν η διοίκηση επικοινωνήσει διεξοδικά με το προσωπικό στο σύνολό της, θα υπάρξει σύγχυση και σπασμένες προσδοκίες. Ιδανικά, το μέλος της ομάδας θα έχει κάποιες ευθύνες να μετατοπιστεί σε άλλο προσωπικό. Ο «επιλεγμένος» θα πρέπει επίσης να έχει λίγο χρόνο κατά τη διάρκεια της εργάσιμης εβδομάδας για να σπουδάσει ή να παρακολουθήσει ένα διαδικτυακό μάθημα. Το μέλος της ομάδας θα πρέπει επίσης να συμμετέχει στην επιλογή των μαθημάτων, καθώς ορισμένα διαδικτυακά μαθήματα ταιριάζουν καλύτερα σε ορισμένα άτομα. Και μετά υπάρχει το θέμα της αύξησης. Τέλος, θα πρέπει να επιτευχθεί κάποιου είδους διευθέτηση, ώστε το πρόσφατα εκπαιδευμένο μέλος της ομάδας να μην φύγει για νέα δουλειά έξι μήνες μετά την εκπαίδευση και την προαγωγή.

Θα πρέπει να σημειωθεί ότι μπορεί να υπάρχουν πλεονεκτήματα από την ύπαρξη περισσότερων του ενός επιστημόνων δεδομένων πολιτών στο προσωπικό.

Για τη διαχείριση: Δημιουργία
ένας Επιστήμονας Δεδομένων Πολιτών

επιλογή το σωστό πρόσωπο είναι επίσης σημαντικό. Προσέξτε τους ανθρώπους που τους αρέσει να διαβάζουν. Όσον αφορά τη μελέτη, θα έχουν σημαντικό πλεονέκτημα έναντι των ατόμων που θεωρούν ότι το διάβασμα είναι βαρετό. Η ηλικία μπορεί να είναι ένα ενδιαφέρον ζήτημα, καθώς σε ορισμένους ηλικιωμένους δεν αρέσει να μαθαίνουν νέα κόλπα, ενώ άλλοι μπορεί να παρακολουθούν μαθήματα μόνοι τους, για να συνεχίσουν τη διαδικασία μάθησης και να διατηρήσουν μια πιο ευέλικτη νοοτροπία.

Η παροχή της κατάλληλης εκπαίδευσης και εργαλείων είναι ιδιαίτερα σημαντική κατά τη δημιουργία ενός ρόλου επιστήμονα δεδομένων πολιτών. Έχοντας αποφασίσει να κάνετε αλλαγές στον οργανισμό και να ξοδέψετε χρήματα πληρώνοντας μαθήματα κ.λπ., θα ήταν ανόητο να βραχυκυκλώσετε τη διαδικασία με κακή εκπαίδευση και εργαλεία που δεν λειτουργούν καλά. Σημερινή επιχειρηματικής ευφυΐας και τα εργαλεία ανάλυσης σε συνδυασμό με έναν αποτελεσματικό επιστήμονα δεδομένων πολιτών μπορούν να βοηθήσουν σημαντικά τις επιχειρήσεις επιταχύνουν τη στρατηγική δεδομένων τουςκαι να βελτιώσουν τα κέρδη τους.

Για τους σημερινούς υπαλλήλους:
Να γίνεις Επιστήμονας Δεδομένων Πολιτών

Για ένα άτομο με γνήσιο ενδιαφέρον για την Επιστήμη των Δεδομένων, αλλά που δεν μπορεί να επιστρέψει στο σχολείο με πλήρες ωράριο για να αποκτήσει προχωρημένο πτυχίο, η θέση του επιστήμονα δεδομένων πολιτών θα μπορούσε να αποδειχθεί ιδανική και ένα πρόγραμμα πιστοποίησης μπορεί να προσφέρει χρήσιμη εκπαίδευση. Μπορείτε να ακολουθήσετε διάφορα μονοπάτια, που κυμαίνονται από μια διαδικασία αυτοδιδασκαλίας έως εσωτερική εκπαίδευση έως νυχτερινά μαθήματα στο κολέγιο της τοπικής κοινότητας. Θα εξαρτηθεί από τις τρέχουσες δεξιότητές σας, τις ανάγκες του οργανισμού και τις προσεγγίσεις μάθησης που λειτουργούν καλύτερα για εσάς.

Είναι γενικά αποδεκτό ότι υπάρχουν διαφορετικά στυλ και τεχνικές μάθησης και ότι διαφορετικοί άνθρωποι μαθαίνουν πιο γρήγορα και εύκολα με έναν συγκεκριμένο συνδυασμό στυλ. Ο καθένας έχει έναν διαφορετικό συνδυασμό προτιμώμενων μορφών μάθησης. Τα πιο βασικά στυλ μάθησης είναι:

• Οπτική μάθηση: Αυτό το είδος μαθητή χρησιμοποιεί εικόνες, χωρική κατανόηση και εικόνες για να μάθει. Οι μαθητές μπορούν να οπτικοποιήσουν εύκολα πληροφορίες και συχνά έχουν πολύ καλή αίσθηση κατεύθυνσης. Η χρήση πινάκων (ή παρουσιάσεων PowerPoint) μπορεί να είναι αρκετά αποτελεσματική για αυτού του είδους τους μαθητές.
• Λεκτική μάθηση: Αυτός ο τύπος ατόμου μαθαίνει καλά μέσω της ακρόασης και μέσω συζητήσεων. Οι κασέτες ήχου λειτουργούν καλά. Οι λεκτικοί μαθητές έχουν συχνά μεγάλα λεξιλόγια και διαπρέπουν σε δραστηριότητες που περιλαμβάνουν ομιλία, συζήτηση και δημοσιογραφία.
• Φυσική μάθηση: Αυτοί οι μαθητές χρησιμοποιούν την αίσθηση της αφής για να μάθουν. Διαπρέπουν στις σωματικές δραστηριότητες. Αυτοί οι εκπαιδευόμενοι απολαμβάνουν να κουβεντιάζουν και μαθαίνουν καλύτερα όταν μπορούν να κάνουν πράγματα πρακτικά, αντί να παρακολουθούν ή να ακούν.

Μια δεύτερη απόφαση είναι αν θα σπουδάσει ή όχι
μόνος. Μερικοί άνθρωποι προτιμούν να μελετούν μόνοι τους, ενώ άλλοι προτιμούν να σπουδάζουν με α
ομάδα.  

Δεδομένα Πολίτη
Επιστημονικές Σπουδές

Πολλά μέρη προσφέρουν διαδικτυακά μαθήματα σχεδιασμένα να παρέχουν τις βασικές δεξιότητες που χρειάζεται ένας επιστήμονας δεδομένων πολιτών. Υπάρχει πολύ μεγάλη πιθανότητα ο εργοδότης ενός μαθητή να προσθέσει μερικές τάξεις ειδικά για τις ανάγκες του οργανισμού, αλλά η παρακολούθηση ενός μαθήματος επιστήμης δεδομένων πολιτών παρέχει μια καλή βάση. Η εκπαίδευση θα πρέπει να περιλαμβάνει τα ακόλουθα ως σημείο εκκίνησης:

• Χρήση SQL για την προετοιμασία δεδομένων
• Κατανόηση των βασικών εννοιών των μοντέλων ταξινόμησης
• Κατασκευή ταμπλό πελατών
• Χρήση SQL για τη δημιουργία ενός μοντέλου τμηματοποίησης
• Δημιουργία μοντέλου στόχευσης με μηχανική μάθηση
• Δημιουργία συστήματος συστάσεων με μηχανική μάθηση

Το μέλλον της
Επιστήμονες Δεδομένων Πολιτών

Όλο και περισσότερο, οι οργανισμοί δίνουν προτεραιότητα στη στροφή σε προηγμένες προγνωστικές και συνταγογραφικές αναλύσεις. Επί του παρόντος, οι παραδοσιακοί επιστήμονες δεδομένων είναι συχνά ακριβοί και δύσκολο να βρεθούν. Οι επιστήμονες δεδομένων πολιτών μπορούν να είναι ένας πολύ αποτελεσματικός τρόπος αντιμετώπισης αυτής της έλλειψης. Η τεχνολογία είναι ο βασικός λόγος που υποστηρίζει την άνοδο των επιστημόνων δεδομένων πολιτών. Η τεχνολογία έχει διευκολύνει τους μη ειδικούς να επιτύχουν τους ίδιους στόχους. Τα τελευταία χρόνια, τα εργαλεία Analytics και BI έχουν γίνει πολύ πιο εύκολα στη χρήση και περιλαμβάνουν επαυξημένη ανάλυση.

• SEO Powered Content & PR Distribution. Ενισχύστε σήμερα.
• PlatoData.Network Vertical Generative Ai. Ενδυναμώστε τον εαυτό σας. Πρόσβαση εδώ.
• PlatoAiStream. Web3 Intelligence. Ενισχύθηκε η γνώση. Πρόσβαση εδώ.
• PlatoESG. Ανθρακας, Cleantech, Ενέργεια, Περιβάλλον, Ηλιακός, Διαχείριση των αποβλήτων. Πρόσβαση εδώ.
• PlatoHealth. Ευφυΐα βιοτεχνολογίας και κλινικών δοκιμών. Πρόσβαση εδώ.
• πηγή: https://www.dataversity.net/so-you-want-to-be-a-citizen-data-scientist/