Przeczytaj to, zanim zdecydujesz się na zmianę kariery w kierunku analityki danych – KDnuggets

Zdjęcie autora
 

Czytasz to, ponieważ myślisz o dołączeniu do grona aspirujących analityków danych. A kto może cię winić? Analityka danych to rozwijająca się dziedzina, nawet dziesięć lat po niesławnym wyróżnieniu „najseksowniejszego zawodu” przyznanym przez Harvard Business Review. Obecnie Biuro Statystyki Pracy Stanów Zjednoczonych przewiduje wskaźnik zatrudnienia analityków danych wzrośnie o 35% w latach 2022–2032. Porównaj to ze średnią stopą wzrostu zatrudnienia, która wynosi zaledwie 5%.

Ma za to inne rzeczy:

• Jest dobrze płatny (ponownie BLS znaleziono mediana wynagrodzenia 103 tys. dolarów w 2022 r.)
• Wiąże się to z wysoką jakością życia (wyższe niż przeciętne szczęście związane z pracą według do Eksploratora Kariery)
• Pomimo ostatniej rundy, praca jest bezpieczna zwolnienia – ponieważ jest duże zapotrzebowanie na tę rolę

Jest więc wiele powodów, dla których warto wkroczyć w teren.

 

Źródło: https://www.bls.gov/ooh/math/data-scientists.html
 

Jednak nauka o danych to bardzo szeroka dziedzina, obejmująca wiele różnych stanowisk i zestawów umiejętności, które musisz znać, zanim zaczniesz. W tym artykule dowiesz się, jakie kierunki możesz obrać i co musisz wiedzieć o każdym z nich, aby rozpocząć naukę o danych.

Aby pomyślnie przejść na kariera naukowa o danych, musisz zastosować podejście strukturalne:

• Oceń swoje umiejętności analizy danych i zidentyfikować luki.
• Zdobądź praktyczne doświadczenie w obszarach, w których jesteś słaby.
• Sieć. Dołącz do grup zajmujących się analizą danych, uczestnicz w spotkaniach i udzielaj się na forach.

Zanurkujmy głębiej.

Oceń swoją pozycję wyjściową

Co już wiesz i jak można to zastosować w data science? Pomyśl o: posiadanej wiedzy programistycznej, umiejętnościach statystycznych lub doświadczeniu w analizie danych.

Następnie zidentyfikuj luki w swoich umiejętnościach, szczególnie te niezbędne w nauce danych. SQL jest koniecznością, ale programowanie w Pythonie lub R, zaawansowane statystyki, uczenie maszynowe i wizualizacja danych również są niezwykle przydatne.

Kiedy już zidentyfikujesz te luki, poszukaj odpowiedniego wykształcenia lub szkolenia, aby je wypełnić. Może to odbywać się poprzez kursy online, programy uniwersyteckie, obozy dla początkujących lub samodzielną naukę, skupiającą się na praktycznej, praktycznej nauce.

Praktyczne doświadczenie

Nie powinieneś po prostu oglądać filmów i czytać postów na blogu. Praktyczne doświadczenie jest kluczowe w nauce danych. Angażuj się w projekty, które pozwalają zastosować nowe umiejętności w rzeczywistych scenariuszach. Mogą to być projekty osobiste, wkład w platformy open source lub udział w konkursach danych, takich jak te w Kaggle.

Jeśli masz podstawowe umiejętności początkowe, możesz rozważyć poszukiwanie staży lub pracy jako freelancer, aby zdobyć doświadczenie w branży.

Najważniejsze, dokumentuj wszystkie swoje projekty i doświadczenia w portfolio, podkreślając proces rozwiązywania problemów, zastosowane techniki i wpływ Twojej pracy.

Sieć

Włamanie się do nauki o danych często sprowadza się do tego, kogo znasz, oprócz tego, co wiesz. Znajdź mentorów, weź udział w spotkaniach, konferencjach i warsztatach, aby poznać nowe trendy, i angażuj się w społeczności internetowe zajmujące się nauką o danych, takie jak Stack Overflow, GitHub lub Reddit. Platformy te pozwalają uczyć się od innych, dzielić się swoją wiedzą i zostać zauważonym w społeczności zajmującej się analityką danych.

Jeśli chcesz zostań analitykiem danych od zerawarto pomyśleć o umiejętnościach, które będziesz musiał rozwinąć jako drzewo. Istnieją umiejętności „główne”, które są wspólne dla każdego stanowiska związanego z analityką danych, a każda specjalizacja ma umiejętności „gałęziowe”, które w dalszym ciągu rozgałęziają się na coraz bardziej wyspecjalizowane role.

Istnieją trzy główne umiejętności, których potrzebuje każdy analityk danych, bez względu na kierunek, w jakim podąża:

Manipulacja danymi/zakłócenia przy użyciu SQL

Nauka o danych zasadniczo sprowadza się do obsługi i organizowania dużych zbiorów danych. Aby to zrobić, musisz znać SQL. To jest dotychczasowy podstawowe narzędzie do manipulacji i konfliktów z danymi.

 

Zdjęcie autora

Umiejętności miękkie

Nauka o danych nie dzieje się w próżni. Musisz dobrze bawić się z innymi, co oznacza wzmocnienie twoich umiejętności miękkich. Umiejętność przekazywania złożonych wniosków dotyczących danych w jasny i zrozumiały sposób zainteresowanym stronom nietechnicznym jest równie ważna jak umiejętności techniczne. Należą do nich skuteczna komunikacja, rozwiązywanie problemów i przedsiębiorczość.

Rozwiązywanie problemów pomaga stawić czoła złożonym wyzwaniom związanym z danymi, a zmysł biznesowy zapewnia, że ​​rozwiązania oparte na danych są zgodne z celami organizacji.

Stała postawa uczenia się

Analityka danych różni się od tego, co było jeszcze pięć lat temu. Wystarczy spojrzeć, gdzie jesteśmy dzisiaj w zakresie sztucznej inteligencji w porównaniu z rokiem 2018. Stale pojawiają się nowe narzędzia, techniki i teorie. Dlatego właśnie potrzebujesz nastawienia na ciągłe uczenie się, aby być na bieżąco z najnowszymi osiągnięciami i dostosowywać się do nowych technologii i metodologii w tej dziedzinie.

Będziesz potrzebować motywacji do nauki i adaptacji, a także proaktywnego podejścia do zdobywania nowej wiedzy i umiejętności.

Chociaż istnieją wspólne umiejętności, jak opisałem powyżej, każda rola wymaga własnego, specyficznego zestawu umiejętności. (Pamiętasz? Branże.) Na przykład analiza statystyczna, umiejętności programowania w Python/R i wizualizacja danych są specyficzne dla bardziej wyspecjalizowanych zawodów w nauce o danych.

 

Zdjęcie autora
 

Podzielmy każdą rolę związaną z nauką o danych, abyś mógł zobaczyć, czego potrzebujesz.

Analityk biznesowy/danych

Tak, to jest rola związana z analityką danych! Nawet jeśli przeciwnicy się z tym nie zgadzają, nadal uważam, że możesz potraktować to jako odskocznię, przynajmniej jeśli planujesz rozpocząć karierę w dziedzinie analityki danych.

Jako analityk biznesowy lub analityk danych odpowiadasz za wypełnienie luki między wnikliwą analizą danych a strategią biznesową. Jest idealny dla tych, którzy mają talent do rozumienia potrzeb biznesowych i przekładania ich na rozwiązania oparte na danych.

Jako podstawowe umiejętności będziesz potrzebować business intelligence – nie ma tu niespodzianek – silne zdolności analityczne, biegłość w językach zapytań o dane, głównie SQL. W tej roli Python i R są opcjonalne, ponieważ głównym zadaniem jest przetwarzanie danych.

Tam jest element wizualizacji ale w zależności od Twojej pracy może to oznaczać tworzenie dashboardów w Tableau lub wykresów w Excelu.

Analityka danych

Ta rola koncentruje się na interpretacji danych w celu zapewnienia praktycznych spostrzeżeń. Jeśli lubisz przekładać liczby na historie i strategie biznesowe, to świetna praca dla Ciebie.

Będziesz potrzebować mocnego uchwytu analiza statystyczna i wizualizacja danych – choć znowu mogą to być dashboardy typu tableau i/lub wykresy w Excelu). Będziesz także potrzebować biegłości w narzędzia analityczne lubić Excel, Tableau i SQL. Python/R są ponownie opcjonalne, ale pamiętaj, że mogą naprawdę pomóc we wdrażaniu statystyk i automatyzacji.

Nauczanie maszynowe

Naukowcy zajmujący się uczeniem maszynowym opracowują modele i algorytmy predykcyjne umożliwiające przewidywanie i podejmowanie decyzji na podstawie danych. Role te są odpowiednie dla osób, które bardzo interesują się sztuczną inteligencją i budowaniem modeli.

Żadnych niespodzianek jeśli chodzi o podstawowe umiejętności: będziesz potrzebować: głębokie zrozumienie algorytmów, doświadczenie z platformami uczenia maszynowego, takimi jak TensorFlow i PyTorch, oraz silne umiejętności programowania. Python i/lub R nie są już opcjonalne, ale obowiązkowe.

Inżynieria danych

Na tym stanowisku koncentrujesz się na architekturze, zarządzaniu i konserwacji potoków danych. Jest to dobre rozwiązanie dla osób, które lubią wyzwania techniczne związane z zarządzaniem i optymalizacją przepływu i przechowywania danych.

Aby dostać się do tej pracy, będziesz potrzebować edoświadczenie w zarządzaniu bazami danych, procesach ETL i biegłość w technologiach Big Data, takich jak Hadoop i Spark. Będziesz także potrzebować biegłość w automatyzacji potoków danych przy użyciu technologii takich jak Airflow.

Wywiad Gospodarczy

W Business Intelligence chodzi przede wszystkim o budowanie wizualizacji. Jest świetny dla gawędziarzy i osób o silnym wyczuciu biznesowym.

Musisz być profesjonalistą w zakresie technologii dashboardów, takich jak Tableau i Qlik, ponieważ są to narzędzia, których będziesz używać do tworzenia wizualizacji. Będziesz także potrzebować umiejętności manipulacji danymi (czytaj: umiejętności SQL), aby zoptymalizować zapytania o dane, które przyspieszają działanie dashboardu.

Jak wspomniałem wcześniej w artykule, data science jest dziedziną szybko rozwijającą się. Cały czas pojawiają się nowe miejsca pracy i role. Wracając do analogii z drzewem, lubię o tym myśleć jako o dodawaniu nowych gałęzi do głównego pnia nauki o danych. Są teraz inżynierowie chmury, specjaliści SQL, stanowiska DevOps i nie tylko – wszyscy nadal są związani z tą ścieżką nauki o danych. W tym artykule przedstawiono więc tylko krótki zarys kierunków, w jakich można podążać w zakresie analityki danych.

Co więcej, powinieneś także pamiętać, że nauka danych wiąże się z wyzwaniami związanymi z sześciocyfrową pensją. Krzywa uczenia się jest bardzo stroma i nauka tak naprawdę nigdy się nie kończy. Nowe technologie, trendy i narzędzia pojawiają się szybko i ciężko – a jeśli chcesz zachować pracę, musisz dotrzymać kroku.

Biorąc to wszystko pod uwagę, jest to świetna opcja kariery. Mając na swoim koncie trzy główne kompetencje, o których wspomniałem, będziesz dobrze przygotowany, aby stawić czoła każdej z nich rola analityki danych to do ciebie przemawia.
 
 

Nate'a Rosidiego jest analitykiem danych i strategii produktu. Jest także adiunktem wykładającym analitykę i jest założycielem StrataScratch, platforma pomagająca analitykom danych przygotować się do rozmów kwalifikacyjnych z prawdziwymi pytaniami do wywiadów z czołowymi firmami. Połącz się z nim dalej Twitter: StrataScratch or LinkedIn.

• Dystrybucja treści i PR oparta na SEO. Uzyskaj wzmocnienie już dziś.
• PlatoData.Network Pionowe generatywne AI. Wzmocnij się. Dostęp tutaj.
• PlatoAiStream. Inteligencja Web3. Wiedza wzmocniona. Dostęp tutaj.
• PlatonESG. Węgiel Czysta technologia, Energia, Środowisko, Słoneczny, Gospodarowanie odpadami. Dostęp tutaj.
• Platon Zdrowie. Inteligencja w zakresie biotechnologii i badań klinicznych. Dostęp tutaj.
• Źródło: https://www.kdnuggets.com/read-this-before-making-a-career-switch-to-data-science?utm_source=rss&utm_medium=rss&utm_campaign=read-this-before-making-a-career-switch-to-data-science