Ученые по данным сегодня пользуются особым спросом. В своем отчете о новых рабочих местах в США за 2017 год LinkedIn сослался на то, что «роли ученым по данных выросли более чем на 650 процентов с 2012 года» и «сотни компаний нанимают сотрудников на эти должности» в различных отраслях. Пул кандидатов становится все глубже, так как «инженер машинного обучения, специалист по данным и инженеры по большим данным входят в число лучших новых рабочих мест».

Но поскольку ожидается, что все больше отделов и ролей будут работать с данными, в организациях наблюдается общее повышение уровня грамотности данных и появление все большего числа гражданских специалистов по данным. Gartner определяет ученого по данным как «человека, который создает или генерирует модели, которые используют расширенные диагностические аналитические или прогнозирующие и предписывающие возможности, но чья основная функция работы находится вне области статистики и аналитики». Эти люди становятся ключевыми партнерами в разработке и проверке гипотез.

Это смещает определение науки о данных и стирает грань между теми, кто обладает традиционным опытом в области данных и знаниями в области бизнеса. Соник Прабхудесай, менеджер по статистическому анализу в Charles Schwab, поделился тем, что «все больше деловых людей понимают, как работать с данными, в то время как ученые, работающие с данными, лучше знакомятся с внутренней работой бизнеса».

Сегодня ожидается, что ученые, работающие с данными, будут обладать передовыми знаниями в области статистики и машинного обучения, но они также должны иметь стратегическое мышление для бизнеса, в том числе глубокое знание своей отрасли. «Наука о данных - это не просто анализ чисел: это применение различных навыков для решения конкретных проблем в отрасли», - объясняет д-р Н. Р. Сриниваса Рагхаван, главный специалист по глобальным данным в Infosys. «Ученые, работающие с данными, должны иметь глубокое понимание областей, в которых будут применяться их идеи».

Выводы алгоритмов и моделей эффективны только в том случае, если они помогают решить правильную проблему в правильном контексте. Это означает, что нужно работать рука об руку с заинтересованными сторонами для выявления и уточнения формулировки проблемы и гипотезы в начале процесса и поддержания их вовлеченности на протяжении всего рабочего процесса. И в конце рабочего процесса это означает знание того, как сообщить результаты деловым партнерам таким образом, чтобы это было актуально и осуществимо.

«Статистическое моделирование и машинное обучение становятся ключевыми навыками для того, чтобы стать специалистом по данным», - делится Соник. «Отличительной особенностью является то, насколько хорошо работающие на местах могут сообщить о своих выводах простым, но действенным способом». Вместо того, чтобы передавать результаты, ученые по данным будут играть ключевую роль в том, как эти результаты применяются в бизнесе.

С помощью инструментов аналитики самообслуживания как ученые по данным, так и опытные пользователи могут исследовать и лучше понимать свои данные. Это вызывает понимание, которое может направить остальную часть анализа и, в конечном итоге, повлиять на бизнес.

No Comments