7 powodów, dla których nie powinieneś zostać analitykiem danych - KDnuggets

Opublikowane ponownie przez Plato

Obserwuje: 0

7 powodów, dla których nie powinieneś zostać analitykiem danych
Obraz autorstwa redaktora

Czy jesteś początkującym analitykiem danych? Jeśli tak, prawdopodobnie widziałeś lub słyszałeś o wielu osobach, które z sukcesem rozpoczęły karierę w dziedzinie analityki danych. I ty też masz nadzieję, że pewnego dnia dokonasz zmiany.

Jest kilka rzeczy ekscytujących w pracy analityka danych. Możesz:

Buduj umiejętności twarde i miękkie, które można przenieść między domenami
Opowiadaj historie za pomocą danych
Odpowiadaj na pytania biznesowe za pomocą danych
Twórz skuteczne rozwiązania problemów biznesowych

I wiele więcej. Choć wszystko to brzmi ekscytująco, bycie analitykiem danych jest równie trudne, jeśli nie większe. Ale jakie są niektóre z tych wyzwań?

Nurkujmy.

Kiedy będziesz pracować nad swoimi umiejętnościami kodowania i technicznymi, prawdopodobnie poczujesz się komfortowo pracując samodzielnie. Jednak jako analityk danych powinieneś priorytetowo traktować współpracę i komunikację. Ponieważ nauka o danych nie polega na spieraniu się z danymi i analizowaniu liczb w izolacji.

Musisz współpracować z innymi profesjonalistami — nie tylko w tym samym zespole, ale często w wielu zespołach. Dlatego umiejętność współpracy z różnymi zespołami i interesariuszami jest tak samo ważna jak umiejętności techniczne.

Co więcej, powinieneś także potrafić przekazywać swoje ustalenia i spostrzeżenia interesariuszom nietechnicznym, w tym liderom biznesowym.

Nisha Arya Ahmed, analityk danych i autor tekstów technicznych, udostępnia:

„W zespole zajmującym się analizą danych będziesz współpracować z innymi specjalistami zajmującymi się analizą danych w zakresie każdego zadania, ich odpowiedzialności i tego, jak to wszystko działa ręka w rękę. Jest to ważne, ponieważ nie chcesz powtarzać już wykonanej pracy i zużywać więcej czasu i zasobów. Ponadto specjaliści ds. danych nie są jedynymi osobami, z którymi będziesz musiał współpracować. Będziesz częścią wielofunkcyjnego zespołu obejmującego produkt, marketing, a także innych interesariuszy.

– Nisha Arya Ahmed, badacz danych i autor tekstów technicznych

Jeśli lubisz pracować nad projektami, realizować je i wysyłać do produkcji, analityka danych może nie być satysfakcjonującą karierą.

Chociaż rozpoczynasz projekt z zestawem celów — udoskonalanych i ulepszanych iteracyjnie — często będziesz musiał zmieniać zakres projektów w miarę zmiany celów biznesowych organizacji. Być może zainteresowane strony dostrzegają nowy obiecujący kierunek.

Będziesz więc musiał skutecznie zmienić priorytety i zmodyfikować zakres projektów. W najgorszym przypadku porzuć projekt, jeśli zajdzie taka potrzeba.

Ponadto na wczesnym etapie uruchamiania często będziesz musiał nosić wiele kapeluszy. Twoja praca nie kończy się więc na budowaniu modelu. Nawet jeśli uda Ci się wdrożyć model uczenia maszynowego na produkcję, musisz monitorować wydajność swojego modelu, zwracać uwagę na dryfty, przeprowadzać regresję i w razie potrzeby przeszkolić model.

Abid Ali Awan, pisarz, redaktor i analityk danych w KDnuggets, udostępnia:

„Jeśli pracujesz w firmie, często będziesz musiał przełączać się między wieloma zespołami i pracować jednocześnie nad różnymi projektami. Jednak większość projektów, nad którymi pracujesz, może nawet nie trafić do produkcji.

Ponieważ priorytety firmy mogą się zmienić lub wpływ projektów mógł nie być wystarczająco znaczący. Ciągłe przełączanie się między zespołami i projektami może być wyczerpujące i możesz czuć się nieświadomy tego, do czego się przyczyniasz.

– Abid Ali Awan, pisarz, redaktor i analityk danych w KDnuggets

Zatem praca nad projektami związanymi z analizą danych nie jest liniowym procesem od początku do końca, podczas którego kończysz projekt i przechodzisz do następnego.

Dzień z życia analityka danych w dwóch różnych organizacjach może być zupełnie inny. Role analityka danych, inżyniera uczenia maszynowego i inżyniera MLOps często mają wiele nakładających się funkcji.

Załóżmy, że jesteś analitykiem danych i bardzo interesuje Cię budowanie modeli predykcyjnych. I dostałeś rolę analityka danych w interesującej Cię organizacji.

Nie zdziw się jednak, jeśli spędzisz cały dzień na przetwarzaniu liczb w arkuszach kalkulacyjnych i tworzeniu raportów. Lub wyciąganie danych z baz danych za pomocą SQL. Możesz pomyśleć, że przetwarzanie danych za pomocą SQL i znajdowanie odpowiedzi na pytania biznesowe będzie lepiej pasować do roli analityka danych.

W niektórych innych przypadkach możesz być odpowiedzialny za budowanie i wdrażanie modeli w środowisku produkcyjnym, monitorowanie zmian i ponowne uczenie modelu w razie potrzeby. W tym przypadku jesteś analitykiem danych, który również nosi kapelusz Inżynier MLOps.

Posłuchajmy, co Abid ma do powiedzenia na temat płynności ról w karierze związanej z danymi:

„Zawsze nie rozumiem, kiedy nazywają mnie „naukowcem zajmującym się danymi”. Co to w ogóle znaczy? Czy jestem analitykiem danych, inżynierem analityki biznesowej, inżynierem uczenia maszynowego, inżynierem MLOps, czy może wszystkimi powyższymi? Twoja rola w firmie jest płynna, jeśli pracujesz w mniejszej firmie lub startupie. Jednak większe organizacje mogą mieć wyraźniejsze rozróżnienie między rolami. Ale to nie gwarantuje, że rola jest całkowicie zdefiniowana. Możesz być analitykiem danych; ale być może większość Twojej pracy będzie polegać na tworzeniu raportów analitycznych zgodnych z celami biznesowymi”.

– Abid Ali Awan, pisarz, redaktor i analityk danych w KDnuggets

Jako analityk danych powinieneś kierować wysiłki na projekty, które mają największy wpływ na biznes, zamiast realizować projekty interesujące pod względem technicznym, ale mniej istotne. W tym celu zrozumienie celów biznesowych jest kluczowe z następujących powodów:

Zrozumienie celów biznesowych pozwala na adaptację i zmianę priorytetów projektów w oparciu o zmieniające się potrzeby organizacji.
Sukces projektu analizy danych często mierzy się jego wpływem na biznes. Zatem dobre zrozumienie celów biznesowych zapewnia jasne ramy oceny powodzenia projektu, łącząc aspekty techniczne z wymiernymi wynikami biznesowymi.

Mateusz Majo, redaktor naczelny i analityk danych w KDnuggets, dzieli się kosztami obojętności na wyniki biznesowe:

„Jako analityk danych, jeśli jesteś obojętny na cele biznesowe, równie dobrze możesz być kotem goniącym za wskaźnikiem laserowym – okaże się, że jesteś nadpobudliwy i bezcelowy, prawdopodobnie nie osiągając niczego wartościowego. Zrozumienie celów biznesowych i umiejętność przełożenia ich z języka biznesowego na język danych to kluczowe umiejętności, bez których możesz poświęcić czas na budowanie najbardziej wyrafinowanych, nieistotnych modeli. Drzewo decyzyjne, które działa, każdego dnia pokonuje najnowocześniejsze niepowodzenia!”

– Matthew Mayo, redaktor naczelny i analityk danych, KDnuggets

Oto, co Nisha ma do powiedzenia na ten temat:

„Za wszystko, co robisz, potrzebny jest powód. To jest twoja intencja, która poprzedza twoje działanie. Jeśli chodzi o świat danych, zrozumienie biznesu i wyzwań jest niezbędne. Bez tego proces będzie po prostu zdezorientowany. Na każdym kroku w projekcie związanym z analizą danych będziesz chciał odwoływać się do celów, które motywują projekt.

– Nisha Arya Ahmed, badacz danych i autor tekstów technicznych

Dlatego nauka o danych nie polega tylko na przetwarzaniu liczb i budowaniu złożonych modeli. Chodzi raczej o wykorzystanie danych do osiągnięcia sukcesu biznesowego.

Bez solidnego zrozumienia celów biznesowych Twoje projekty mogą odbiegać od problemów biznesowych, które mają rozwiązać, zmniejszając zarówno ich wartość, jak i wpływ.

Budowanie modeli jest ekscytujące. Jednak droga do tego może nie być już tak interesująca.

Możesz spodziewać się, że będziesz spędzać dużą część swojego czasu:

Zbieranie danych
Identyfikacja najodpowiedniejszego podzbioru danych do wykorzystania
Czyszczenie danych, aby nadawały się do analizy

To jest praca, która nie jest zbyt ekscytująca. Często nie trzeba nawet budować modeli uczenia maszynowego. Gdy dane będą już w bazie danych, możesz użyć języka SQL do odpowiedzi na pytania. W takim przypadku nie trzeba nawet budować modelu uczenia maszynowego.

Oto Abid, który dzieli się swoimi poglądami na temat tego, jak ważna praca często nie jest interesująca:

„Powtarzanie tej samej czynności może być nudne. Często możesz otrzymać zadanie czyszczenia danych, co może być dość trudne, szczególnie podczas pracy z różnymi zbiorami danych. Ponadto zadania takie jak sprawdzanie poprawności danych i pisanie testów jednostkowych mogą nie być tak ekscytujące, ale są konieczne.

– Abid Ali Awan, pisarz, redaktor i analityk danych w KDnuggets

Aby móc odnieść sukces w karierze analityka danych, musisz czerpać przyjemność z pracy z danymi — zarówno tymi dobrymi, złymi, jak i brzydkimi. Ponieważ nauka o danych polega na czerpaniu wartości z danych. Co często nie polega na budowaniu wymyślnych modeli.

Jako analityk danych (prawdopodobnie) nigdy nie osiągniesz punktu, w którym będziesz mógł powiedzieć, że nauczyłeś się wszystkiego. Czego i w jakim stopniu musisz się nauczyć, zależy od tego, nad czym pracujesz.

Może to być dość proste zadanie, takie jak nauka i korzystanie z nowego frameworka w przyszłości. Lub coś bardziej nudnego, na przykład migracja istniejącej bazy kodu do języka takiego jak Rust w celu zwiększenia bezpieczeństwa i wydajności. Oprócz tego, że jesteś silny technicznie, powinieneś być w stanie szybko się uczyć i rozwijać frameworki, narzędzia i języki programowania, jeśli zajdzie taka potrzeba.

Ponadto, jeśli zajdzie taka potrzeba, powinieneś chcieć dowiedzieć się więcej o domenie i firmie. Jest mało prawdopodobne, że będziesz pracować w jednej domenie przez całą swoją karierę w dziedzinie analityki danych. Możesz na przykład zacząć jako analityk danych w opiece zdrowotnej, a następnie przejść do branży fintech, logistyki i nie tylko.

Podczas studiów miałam okazję pracować nad uczeniem maszynowym w służbie zdrowia – nad projektem dotyczącym prognozowania chorób. Nigdy nie czytałam biologii poza szkołą średnią. Dlatego przez pierwsze kilka tygodni badaliśmy szczegóły techniczne konkretnych sygnałów biomedycznych – ich właściwości, cechy i wiele więcej. Były one bardzo ważne, zanim w ogóle mogłem przystąpić do wstępnego przetwarzania zapisów.

Kanwal Mehreen, pisarka techniczna dzieli się z nami swoimi doświadczeniami:

„Znasz to uczucie, kiedy w końcu uczysz się nowej umiejętności i myślisz: «Och, to jest to, jestem dobry»? Cóż, w nauce danych ten moment tak naprawdę nigdy nie nadchodzi. Dziedzina ta stale się rozwija i często pojawiają się nowe technologie, narzędzia i metodologie. Jeśli więc wolisz osiągnąć pewien punkt, w którym nauka schodzi na dalszy plan, kariera w dziedzinie analityki danych może nie być najlepszym rozwiązaniem.

Co więcej, nauka o danych to piękne połączenie statystyki, programowania, uczenia maszynowego i wiedzy dziedzinowej. Jeśli pomysł eksplorowania różnych dziedzin, od opieki zdrowotnej, przez finanse, po marketing, nie ekscytuje Cię, możesz czuć się zagubiony w swojej karierze”.

– Kanwal Mehreen, autor tekstów technicznych

Jako analityk danych nigdy nie powinieneś stronić od ciągłego uczenia się i podnoszenia kwalifikacji.

Opisaliśmy już kilka wyzwań związanych z byciem analitykiem danych, w tym:

Wykraczanie poza techniczne umiejętności kodowania i budowania modeli
Zrozumienie domeny i celów biznesowych
Ciągłe uczenie się i podnoszenie kwalifikacji, aby pozostać na bieżąco
Bądź proaktywny, nie martwiąc się o dokończenie projektów w dosłownym tego słowa znaczeniu
Gotowość do zmiany priorytetów, cofnięcia się i wprowadzenia zmian
Wykonywanie pracy, która jest nudna, ale konieczna

Jak w przypadku każdej innej roli technologicznej, najtrudniejsza jest ta część nie znaleźć pracę jako analityk danych. To budowanie udanej kariery w dziedzinie analityki danych.

Mathew Mayo trafnie podsumowuje, jak jako analityk danych powinieneś stawić czoła tym wyzwaniom:

„Szukasz wyluzowanej kariery, w której możesz zakończyć naukę w momencie rozpoczęcia pracy i nigdy nie martwić się najnowszymi narzędziami, sztuczkami i technikami? Cóż, zapomnij o nauce danych! Oczekiwanie spokojnej kariery specjalisty ds. danych jest podobne do oczekiwania na spacer po suchym monsunie, uzbrojony jedynie w parasolkę koktajlową i optymistyczne nastawienie.

Ta dziedzina to nieprzerwana kolejka górska pełna zagadek technicznych i zagadek nietechnicznych: jednego dnia zagłębiasz się w algorytmy, a następnego próbujesz wyjaśnić swoje odkrycia komuś, kto uważa, że regresja jest ucieczką w stan zachowania przypominający dziecko. Ale dreszczyk emocji kryje się w tych wyzwaniach i to właśnie zapewnia rozrywkę naszym mózgom uzależnionym od kofeiny.

Jeśli masz alergię na wyzwania, możesz znaleźć więcej ukojenia w robieniu na drutach. Jeśli jednak nie wycofałeś się jeszcze z konfrontacji z zalewem danych, analityka danych może być po prostu Twoją filiżanką… kawy”.

– Matthew Mayo, redaktor naczelny i analityk danych, KDnuggets

Posłuchajmy, co myśli Kanwal na ten temat:

„Spójrzmy prawdzie w oczy: nauka danych nie zawsze przebiega gładko. Dane nie zawsze są dostarczane w schludnych i zorganizowanych pakietach. Twoje dane mogą wyglądać, jakby przeżyły burzę, i mogą być niekompletne, niespójne lub nawet niedokładne. Oczyszczanie i wstępne przetwarzanie tych danych w celu zapewnienia ich przydatności do analizy może być wyzwaniem.

Pracując w dziedzinie multidyscyplinarnej, być może będziesz musiał wchodzić w interakcję z interesariuszami nietechnicznymi. Wyjaśnianie im koncepcji technicznych i ich zgodności z celami może być naprawdę wyzwaniem.

Dlatego jeśli wolisz jasną i prostą ścieżkę kariery, kariera w dziedzinie analityki danych może być dla Ciebie pełna przeszkód”.

– Kanwal Mehreen, autor tekstów technicznych

Zatem nauka o danych to nie tylko matematyka i modele; chodzi o przejście od danych do decyzji. Przy okazji powinieneś zawsze chcieć się uczyć i podnosić kwalifikacje, rozumieć cele biznesowe i dynamikę rynku, a także wiele więcej.

Jeśli szukasz kariery pełnej wyzwań, w której chciałbyś się poruszać pewnie, analityka danych to rzeczywiście dobra opcja kariery dla Ciebie. Miłego odkrywania!

Dziękuję Matthew, Abidowi, Nishie i Kanwalowi za podzielenie się swoimi spostrzeżeniami na temat kilku aspektów kariery w dziedzinie analityki danych. I za uczynienie tego artykułu o wiele bardziej interesującą i przyjemną w czytaniu!

Bala Priya C jest deweloperem i pisarzem technicznym z Indii. Lubi pracować na styku matematyki, programowania, data science i tworzenia treści. Jej obszary zainteresowań i wiedzy obejmują DevOps, data science i przetwarzanie języka naturalnego. Lubi czytać, pisać, kodować i kawę! Obecnie pracuje nad zdobywaniem wiedzy i dzieleniem się nią ze społecznością programistów, tworząc samouczki, poradniki, opinie i nie tylko.