Data Scientist

BrainStations Data Scientist karriereguide kan hjælpe dig med at tage de første skridt mod en lukrativ karriere inden for datavidenskab. Læs videre for at få et overblik over datavidenskabsfeltet samt jobrollen Data Scientist.

Bliv dataforsker

Tal med en læringsrådgiver for at lære mere om, hvordan vores bootcamps og kurser kan hjælpe dig med at blive dataforsker.

Ved at klikke på Send accepterer du vores Vilkår .

Indsend

Kunne ikke indsende! Vil du opdatere siden og prøve igen?

Lær mere om vores Data Science Bootcamp

Tak skal du have!

Vi kontakter dig snart.

Se Data Science Bootcamp-siden

Hvad er en dataforsker?

Data Scientists indsamler, organiserer og analyserer store sæt af big data – strukturerede og ustrukturerede data – for at skabe handlingsrettede datadrevne forretningsløsninger og planer for virksomheder og andre organisationer. Ved at kombinere sans for matematik, datalogi og forretning skal dataforskere besidde både de tekniske færdigheder til at behandle og analysere big data og forretningssansen for at afdække handlingsorienterede indsigter gemt i disse data.

Data Science vs. Data Mining

Der er nogle få forskelle mellem datavidenskab og datamining. Lad os se nærmere:

Datavidenskab

• Er et bredt felt, der har tendens til at omfatte maskinlæring, kunstig intelligens, forudsigende årsagsanalyse og præskriptiv analyse
• Beskæftiger sig med alle former for data, herunder både strukturerede og ustrukturerede data
• Sigter mod at bygge datacentrerede produkter og træffe datadrevne beslutninger
• Fokuserer på den videnskabelige undersøgelse af data og mønstre

Data Mining

• Er en delmængde af datavidenskab, der inkluderer datarensning, statistisk analyse og mønstergenkendelse, og nogle gange inkluderer datavisualisering, maskinlæring og datatransformation
• Beskæftiger sig primært med strukturerede data, ikke ustrukturerede data
• Sigter på at tage data fra forskellige kilder og gøre dem brugbare
• Fokuserer på forretningspraksis

Hvad laver en dataforsker?

En dataforsker analyserer store datasæt for at afdække mønstre og tendenser, der fører til handlekraftig forretningsindsigt og hjælper organisationer med at løse komplicerede problemer eller identificere muligheder for omsætning og vækst. En dataforsker kan arbejde på stort set alle områder og skal være dygtig til at håndtere strukturerede og ustrukturerede datasæt. Det er et tværfagligt job, og for at blive dataforsker skal du have en forståelse af matematik, datalogi, forretning og kommunikation for at udføre dit job effektivt.

Selvom de specifikke jobopgaver og ansvarsområder for en dataforsker vil variere meget afhængigt af branche, stilling og organisation, vil de fleste dataforsker-roller omfatte følgende ansvarsområder:

Forskning

En dataforsker skal forstå de muligheder og smertepunkter, der er specifikke for både en branche og en individuel virksomhed.

Forberedelse af data

Før nogen værdifuld indsigt kan findes, skal en dataforsker definere, hvilke datasæt der er nyttige og relevante, før han indsamler, udtrækker, renser og anvender strukturerede og ustrukturerede data fra en række forskellige kilder.

Oprettelse af modeller og algoritmer

Ved hjælp af maskinlæring og kunstig intelligens-principper skal en dataforsker være i stand til at skabe og anvende de algoritmer, der er nødvendige for at implementere automatiseringsværktøjer.

Dataanalyse

Det er vigtigt for en dataforsker hurtigt at kunne analysere deres data for at identificere mønstre, tendenser og muligheder.

Visualisering og kommunikation

En dataforsker skal være i stand til at fortælle de historier, der er opdaget gennem data, ved at skabe og organisere æstetisk tiltalende dashboards og visualiseringer, samtidig med at han besidder kommunikationsevnerne til at overbevise interessenter og andre teammedlemmer om, at resultaterne i dataene er værd at handle på.

Den seneste BrainStations Digital Skills Survey viste, at dataprofessionelle brugte det meste af deres tid på datastrid og oprydning. Respondenterne konkluderede også, at deres arbejdes mål oftest er optimering af en eksisterende platform, produkt eller system (45 procent) eller udvikling af nye (42 procent).

Typer af datavidenskab

Det bredere felt af Data Science inkorporerer mange forskellige discipliner, herunder:

Datateknik

Designe, bygge, optimere, vedligeholde og administrere den infrastruktur, der understøtter data såvel som dataflowet i hele en organisation.

Dataforberedelse

Rensning og transformation af data.

Data mining

Udtrække (og nogle gange rense og transformere) brugbare data fra et større datasæt.

Forudsigende analyse

Brug af data, algoritmer og maskinlæringsteknikker til at analysere sandsynligheden for forskellige mulige fremtidige resultater baseret på dataanalyse.

Maskinelæring

Automatisering af analytisk modelopbygning i dataanalyseprocessen for at lære af data, opdage mønstre og give systemer mulighed for at træffe beslutninger uden megen menneskelig indblanding.

Datavisualisering

Brug af visuelle elementer (herunder grafer, kort og diagrammer) til at illustrere indsigt fundet i data på en tilgængelig måde, så publikum kan forstå tendenser, outliers og mønstre fundet i data.

Fordele ved Data Science

Virksomheder i alle brancher i alle dele af kloden bruger flere og flere penge, tid og opmærksomhed på datavidenskab og ønsker at tilføje en dataforsker til deres team. Forskning viser, at virksomheder, der virkelig omfavner datadrevet beslutningstagning, er mere produktive, rentable og effektive end konkurrenterne.

Datavidenskab er afgørende for at hjælpe organisationer med at identificere de rigtige problemer og muligheder, samtidig med at det hjælper med at danne et klart billede af kunders og klienters adfærd og behov, medarbejder- og produktydelser og potentielle fremtidige problemer.

Datavidenskab kan hjælpe virksomheder:

• Træf bedre beslutninger
• Lær mere om kunder og kunder
• Udnyt trends
• Foregribe fremtiden

Hvordan kan datavidenskab forbedre værdien for en virksomhed?

Datavidenskab er en så stadig mere populær investering for virksomheder, fordi den potentielle ROI på at låse op for værdien af ​​big data er enorm. Datavidenskab er en værdig investering, fordi:

Det fjerner gætværket og giver handlekraftig indsigt.Virksomheder træffer bedre beslutninger baseret på data og kvantificerbare beviser.Virksomheder forstår bedre deres plads på markedet.Datavidenskab vil hjælpe virksomheder med at analysere konkurrencen, udforske historiske eksempler og komme med talbaserede anbefalinger.Det kan udnyttes til at identificere toptalenter.På lur i big data er der masser af indsigt om produktivitet, medarbejdereffektivitet og overordnet ydeevne. Data kan også bruges til at rekruttere og træne talenter.Du får alt at vide om din målgruppe, kunde eller forbruger.Alle genererer og indsamler data nu, og virksomheder, der ikke investerer ordentligt i datavidenskab, indsamler simpelthen flere data, end de ved, hvad de skal gøre med. Indsigt i tidligere eller potentielle kunders eller klienters adfærd, prioriteter og præferencer er uvurderlig, og de venter simpelthen på, at en kvalificeret dataforsker opdager det.

Løn til Data Scientists

Mens lønninger til dataforskere varierer meget efter region og branche, rapporteres gennemsnitslønnen for en dataforsker i USA at være alt fra $96.000 til $113.000, afhængigt af kilden. En senior dataforsker kan i gennemsnit indbringe omkring 130.000 $.

Efterspørgsel efter dataforskere

Data Scientists er i høj efterspørgsel og mangel på udbud på tværs af stort set alle brancher. En rapport fra Deloitte Access Economics viste, at 76 procent af virksomhederne planlagde at øge udgifterne i løbet af de næste år på dataanalysefunktioner, mens IBM forudsagde en stigning på 28 procent i efterspørgslen efter datavidenskab i begyndelsen af ​​årtiet.

U.S. Bureau of Labor Statistics har fremskrevet en vækst på 31 procent inden for datavidenskab over de næste 10 år. I mellemtiden fandt en Markets and Markets-rapport, at det globale marked for big data forventes at vokse til 229,4 milliarder USD i 2025, hvor datavidenskabsplatformen vokser 30 procent i 2024.

Overalt i verden, ser det ud til, at investeringer i datavidenskab forventes at stige og dermed efterspørgslen efter dataforskere.

Hvilke værktøjer bruger dataforskere?

Data Scientists bruger en række forskellige værktøjer og programmer til aktiviteter, herunder dataanalyse, datarensning og skabelse af visualiseringer.

Python er det bedste programmeringssprog for dataforskere, der er blevet spurgt i BrainStation Digital Skills Survey. Et generelt programmeringssprog, Python er nyttigt til National Language Processing-applikationer og dataanalyse. R bruges også ofte til dataanalyse og data mining. Til tungere tal-knas er Hadoop-baserede værktøjer som Hive populære. Til maskinlæring kan dataforskere vælge mellem en lang række værktøjer, herunder h2o.ai, TensorFlow, Apache Mahout og Accord.Net. Visualiseringsværktøjer er også en vigtig del af en Data Scientists arsenal. Programmer som Tableau, PowerBI, Bokeh, Plotly og Infogram hjælper Data Scientists med at skabe visuelt tiltalende diagrammer, varmekort, grafik, scatterplot og mere.

Dataforskere bør også være yderst komfortable med både SQL (brugt på tværs af en række platforme, herunder MySQL, Microsoft SQL og Oracle) og regnearksprogrammer (typisk Excel).

Hvilke færdigheder har dataforskere brug for?

Der er en række færdigheder, som alle håbefulde dataforskere bør udvikle, herunder:

Excel.Det mest brugte værktøj for 66 procent af dataprofessionelle, der blev spurgt i BrainStation Digital Skills Survey, er Excel stadig afgørende for dataforskere.SQL.Dette forespørgselssprog er uundværligt i databasestyring, og det bruges af omkring halvdelen af ​​datarespondenterne.Statistisk programmering.Python og R bruges almindeligvis af dataforskere til at køre test, skabe modeller og udføre analyser af store datasæt.Datavisualisering.Værktøjer som Tableau, Plotly, Bokeh, PowerBl og Matplotlib hjælper dataforskere med at skabe overbevisende og tilgængelige visuelle repræsentationer af deres resultater.

Karriereveje for dataforskere

Som et relativt nyt erhverv er Data Scientists karriereveje ikke skrevet i sten, og mange mennesker finder vej til datavidenskab fra baggrunde inden for datalogi, IT, matematik og business. Men de fire hovedakser for en Data Scientists karrierevej er generelt data, teknik, forretning og produkt. Mange tværfaglige roller inden for datavidenskab kræver beherskelse af flere eller alle disse områder.

Mennesker, der arbejder inden for datavidenskab, er helt på forkant med de teknologiske ændringer, der vil påvirke fremtiden mest. Fordi datavidenskab kan bidrage til fremskridt på stort set alle andre områder, er dataforskere i stand til at forske videre i alt fra finans og handel til aktuarstatistikker, grøn energi, epidemiologi, medicin og farmaceutiske produkter, telekommunikation – listen er næsten uendelig. Hver branche handler med sine egne forskellige typer data og udnytter dem på forskellige måder for at nå forskellige mål. Hvor end det sker, kan Data Scientists guide bedre beslutningstagning, hvad enten det er inden for produktudvikling, markedsanalyse, kundeforholdsstyring, menneskelige ressourcer eller noget helt andet.

Ikke kun er applikationerne til datavidenskab brede og berører mange forskellige sektorer, men der er også forskellige typer datavidenskab. Fælles for alle disse aktiviteter er, at de alle forsøger at omdanne data til viden. Mere præcist bruger dataforskere en metodisk tilgang til at organisere og analysere rådata for at identificere mønstre, hvorfra nyttig information kan identificeres eller udledes.

I betragtning af omfanget af deres indvirkning er det ikke underligt, at Data Scientists indtager stillinger, der er meget indflydelsesrige - og meget efterspurgte. Selvom vejen til at blive dataforsker kan være krævende, er der nu flere ressourcer til håbefulde dataforskere end nogensinde, og flere muligheder for dem til at opbygge den form for karriere, de ønsker.

Men for alle de måder, Data Scientists kan bidrage til forskellige brancher, og alle de forskellige karriereveje, en Data Scientist kan følge, kan de typer arbejde, de udfører, opdeles i nogle få hovedkategorier. Ikke al datavidenskab passer pænt ind i disse grupper, især på forkant med datalogi, hvor der hele tiden brydes nye veje – men de vil give dig en idé om, hvordan dataforskere omdanner data til indsigt.

Statistikker

I hjertet af datavidenskab er statistik det felt af matematik, der beskriver de forskellige karakteristika ved et datasæt, uanset om det er tal, ord, billeder eller en anden form for målbar information. Meget af statistikken er koncentreret om blot at identificere og beskrive, hvad der er der - især med meget store datasæt, blot at vide, hvad informationen gør og ikke omfatter, er en opgave for sig selv. Inden for datavidenskaben kaldes dette ofte for deskriptiv analyse. Men statistik kan gå endnu længere og teste for at se, om dine antagelser om, hvad der er i dataene, er korrekte, eller, hvis det er korrekt, om det er væsentligt eller nyttigt. Dette kan involvere ikke bare at undersøge dataene, men også at manipulere dem for at trække dets fremtrædende træk frem. Der er mange forskellige måder at gøre dette på – lineær regression, logistisk regression og diskriminantanalyse, forskellige prøveudtagningsmetoder og så videre – men i sidste ende handler hver af disse teknikker om at forstå funktionerne i et datasæt, og hvor nøjagtigt disse funktioner er. afspejle en meningsfuld sandhed om den verden, de svarer til.

Dataanalyse

Selvom det er bygget på grundlaget for statistik, går dataanalysen en lille smule længere med hensyn til forståelse af kausalitet, visualisering og formidling af resultater til andre. Hvis statistik skal definere hvad og hvornår for et datasæt, forsøger dataanalyse at identificere hvorfor og hvordan. Dataanalytikere gør dette ved at rydde op i dataene, opsummere dem, transformere dem, modellere dem og teste dem. Som nævnt ovenfor er denne analyse ikke begrænset til tal alene. Mens meget dataanalyse bruger numeriske data, er det også muligt at udføre analyser på andre typer data - for eksempel skriftlig kundefeedback eller indlæg på sociale medier eller endda billeder, lyd og video.

Et af dataanalytikeres hovedmål er at forstå kausalitet, som derefter kan bruges til at forstå og forudsige tendenser på tværs af en bred vifte af applikationer. I diagnostisk analyse leder dataanalytikere efter sammenhænge, ​​der foreslår en årsag og virkning, hvilken indsigt igen kan bruges til at hjælpe med at ændre resultater. Prædiktiv analyse leder på samme måde efter mønstre, men udvider dem derefter yderligere, ekstrapolerer deres baner ud over kendte data for at hjælpe med at forudsige, hvordan umålte eller hypotetiske hændelser – herunder fremtidige hændelser – kan udspille sig. De mest avancerede former for dataanalyse har til formål at give vejledning om specifikke beslutninger ved at modellere og forudsige resultaterne af forskellige valg for at identificere den mest passende fremgangsmåde.

Kunstig intelligens og maskinlæring

Et af de store fremskridt, der i øjeblikket finder sted inden for datavidenskab - og en, der er klar til at øve enorm indflydelse i fremtiden - er kunstig intelligens og mere specifikt maskinlæring. I en nøddeskal involverer maskinlæring at træne en computer til at udføre opgaver, som vi typisk ville tænke på som kræver en form for intelligens eller dømmekraft, såsom at kunne identificere objekterne på et billede. Dette opnås typisk ved at give det rigelige eksempler på den type beslutsomhed, du træner netværket i. Som du kunne forestille dig, kræver dette både bunker af (normalt strukturerede) data og en evne til at få en computer til at forstå disse data. Stærke statistikfærdigheder og programmeringsevner er et must.

De gavnlige virkninger af maskinlæring er praktisk talt ubegrænsede, men først og fremmest er evnen til at udføre indviklede eller langvarige opgaver hurtigere end noget menneske nogensinde kunne, såsom at identificere et specifikt fingeraftryk fra et lager med millioner af billeder eller krydsreferencer. snesevis af variabler i tusindvis af medicinske filer for at identificere associationer, der kan give fingerpeg om, hvad der forårsager sygdom. Med nok data kan maskinlæringseksperter endda træne neurale netværk til at producere originale billeder, udtrække meningsfuld indsigt fra massive mængder af skrevet tekst, lave forudsigelser om fremtidige forbrugstendenser eller andre markedsbegivenheder og tildele ressourcer, der afhænger af meget kompleks distribution, såsom energi , med maksimal effektivitet. Fordelen ved at bruge maskinlæring til at udføre disse opgaver, i modsætning til andre former for automatisering, er, at en uovervåget A.I. systemet kan automatisk lære og forbedres over tid - selv uden ny programmering.

Business intelligence

Som du måske har gættet ud fra den tidligere reference til markedsbegivenheder, er forretnings- og finansverdenen et af de steder, hvor maskinlæring har haft en af ​​sine tidligste og mest dybtgående virkninger. Takket være den enorme mængde af tilgængelige numeriske data – marketingdatabaser, undersøgelser, bankoplysninger, salgstal og så videre, hvoraf det meste er meget organiseret og relativt nemt at arbejde med – er dataforskere i stand til at bruge statistik, dataanalyse og maskinlæring til at udtrække indsigt om utallige aspekter af forretningsverdenen, vejlede beslutningstagning og optimere resultater, til det punkt, at business intelligence er blevet et område inden for datavidenskab i sig selv.

Ganske ofte kigger Business Intelligence-udviklere ikke blot på de data, der tilfældigvis er tilgængelige for at se, hvad de kan opdage; de forfølger proaktivt dataindsamling og udvikler teknikker og produkter til at besvare specifikke spørgsmål og nå specifikke mål. I den forstand er Business Intelligence-udviklere og -analytikere afgørende for strategisk udvikling i forretnings- og finansverdenen – de hjælper lederskab med at træffe bedre beslutninger og gøre dem hurtigere, forstå markedspladsen for at identificere en virksomheds muligheder og udfordringer og forbedre den overordnede effektivitet af en virksomheds systemer og drift, alt sammen med det overordnede mål at opnå en konkurrencefordel og øge indtjeningen.

Datateknik

Det sidste store studieområde, som Data Scientists ofte arbejder i, omfatter en lang række forskellige jobtitler - Dataingeniør, Systemarkitekt, Application Architect, Data Architect, Enterprise Architect eller Infrastructure Architect, for blot at nævne nogle få. Hver af disse roller har sit eget sæt af ansvarsområder, hvor nogle udvikler software, andre designer it-systemer, og atter andre tilpasser en virksomheds interne struktur og processer med den teknologi, den bruger til at forfølge sine forretningsstrategier. Det, der forbinder dem alle, er, at dataforskere, der arbejder inden for dette felt, anvender data- og informationsteknologi til at skabe eller forbedre systemer med en bestemt funktion i tankerne.

En applikationsarkitekt observerer for eksempel, hvordan en virksomhed eller anden virksomhed bruger specifikke teknologiske løsninger, og designer og udvikler derefter applikationer (inklusive software eller it-infrastruktur) til forbedret ydeevne. En dataarkitekt udvikler på samme måde applikationer – i dette tilfælde løsninger til datalagring, administration og analyse. En infrastrukturarkitekt kan udvikle de overordnede løsninger, som en virksomhed bruger til at drive daglig forretning for at sikre, at disse løsninger opfylder virksomhedens systemkrav, uanset om det er offline eller i skyen. Dataingeniører fokuserer på deres side på databehandling, udformning og implementering af datapipelines, der indsamler, organiserer, opbevarer, henter og behandler en organisations data. Med andre ord er det definerende træk ved denne brede kategori af datavidenskab, at det involverer design og bygning af ting: de systemer, strukturer og processer, hvorved datavidenskab udføres.

Hvad er de mest efterspurgte Data Science-job?

Datavidenskab generelt er en meget efterspurgt færdighed, så der er rigtig mange muligheder at finde inden for alle områder og specialiteter af feltet. Faktisk listede LinkedIn i 2019 Data Scientist som årets mest lovende job, og QuantHub forudsagde en akut mangel på kvalificerede Data Scientists i det kommende år.

Nøgleordet her er kvalificeret. Ofte er de tekniske krav, en dataforsker skal opfylde, så specifikke, at det kan tage nogle års erfaring med at arbejde i branchen at opbygge den nødvendige række af kompetencer, begyndende som generalist, for derefter langsomt at tilføje flere og flere aptitudes og evner til deres færdigheder.

Dette er blot nogle få af de mest almindelige måder, dataforskere kan gøre det på – der er lige så mange potentielle karriereveje, som der er dataforskere, men i alle tilfælde afhænger karrierefremskridt af at få nye færdigheder og erfaring over tid.

Dataanalytiker

Som navnet antyder, analyserer dataanalytikere data - men den korte titel fanger kun en lille del af, hvad dataanalytikere faktisk kan opnå. For det første starter data sjældent i en letanvendelig form, og det er typisk dataanalytikere, der er ansvarlige for at identificere den slags data, der er nødvendig, indsamle og samle dem og derefter rense og organisere dem – konvertere dem til en mere brugbar form, bestemme hvad datasættet faktisk indeholder, fjernelse af beskadigede data og evaluering af dets nøjagtighed. Så er der selve analysen - ved at bruge forskellige teknikker til at undersøge og modellere data, lede efter mønstre, udtrække mening fra disse mønstre og ekstrapolere eller modellere dem. Endelig stiller dataanalytikere deres indsigt til rådighed for andre ved at præsentere dataene i et dashboard eller en database, som andre mennesker kan få adgang til, og kommunikere deres resultater til andre via præsentationer, skriftlige dokumenter og diagrammer, grafer og andre visualiseringer.

Dataanalytiker karrierevej

Data Analyst er en fremragende indgang til datavidenskabens verden; det kan være en entry-level stilling, afhængigt af det krævede ekspertiseniveau. Nye dataanalytikere går typisk ind i feltet lige ud af skolen - med en grad i statistik, matematik, datalogi eller lignende - eller overgang til dataanalyse fra et beslægtet felt som business, økonomi eller endda samfundsvidenskab, typisk ved at opgradere deres færdigheder midt i karrieren gennem en dataanalyse bootcamp eller lignende certificeringsprogram.

Men uanset om de er nyuddannede eller erfarne fagfolk, der laver en ændring midt i karrieren, starter nye dataforskere typisk med at udføre rutineopgaver som at erhverve og manipulere data med et sprog som R eller SQL, opbygge databaser, udføre grundlæggende analyser og generere visualiseringer ved hjælp af programmer som Tableau. Ikke enhver dataanalytiker behøver at vide, hvordan man gør alle disse ting – der kan være specialisering, selv i en juniorstilling – men du burde være i stand til at udføre alle disse opgaver, hvis du håber at komme videre i din karriere. Fleksibilitet er et stort aktiv på dette tidlige stadie.

Hvordan du avancerer som dataanalytiker afhænger til en vis grad af den branche, du arbejder i - for eksempel markedsføring eller finans. Afhængigt af sektoren og den type arbejde, du udfører, kan du vælge at specialisere dig i programmering i Python eller R, blive professionel i datarensning eller udelukkende koncentrere dig om at bygge komplekse statistiske modeller eller generere smukke billeder; på den anden side kan du også vælge at lære lidt af hvert, og sætte dig op til at påtage dig en lederstilling, mens du påtager dig titlen som Senior Data Analyst. Med bred og dyb nok erfaring er en senior dataanalytiker klar til at påtage sig en lederrolle, der fører tilsyn med et team af andre dataanalytikere, og til sidst bliver han afdelingsleder eller direktør. Med yderligere færdighedstræning er dataanalytikere også i en stærk position til at flytte ind i den mere avancerede stilling som Data Scientist.

Data Scientist

Egne dataforskere kan typisk gøre alle de ting, som dataanalytiker kan gøre, plus et par flere ting udover – faktisk kan en dataanalytiker med den rette uddannelse og erfaring i sidste ende avancere til stillingen som Data Scientist. Så ja, dataforskere burde være i stand til at erhverve, rense, manipulere, lagre og analysere data – men også at forstå og arbejde med forskellige metoder til maskinlæring og være i stand til at programmere i Python, R eller et lignende statistisk programmeringssprog til bygge og evaluere mere avancerede modeller.

Data Scientist karrierevej

Mange mennesker går ind i feltet som dataanalytiker, før de får den erfaring og de tilføjede færdigheder, der kræves for at kalde sig selv dataforskere. Derefter, fra Junior Data Scientist, er næste trin typisk Senior Data Scientist – selvom den simple ændring i titel modsiger det arbejde, der skal til for at lave denne overgang; en Senior Data Scientist vil enten beherske en overlegen forståelse af stort set alle aspekter af datavidenskab - A.I., data warehousing, dataaminering, cloud computing og så videre - ud over deres kendskab til et branchespecifikt område såsom forretningsstrategi eller sundhedsanalyse. , eller de vil specialisere sig i et af disse områder med ekspertise på guruniveau.

Det er værd at nævne, at mens nogle dataforskere begynder deres karriere inden for analyse og arbejder sig til mere ledende stillinger inden for specialiserede områder som psykologi, marketing, økonomi og så videre, begynder andre som professionelle inden for et af disse forskellige felter, før de går over til en data. videnskabens rolle.

For mange er Senior Data Scientist det ultimative karrieremål; Det er allerede så avanceret en rolle, at det, i det mindste inden for datavidenskab, ofte er den mest ledende stilling, der kan opnås – du bliver simpelthen en bedre og dygtigere Senior Data Scientist med større specialiseringsområder. For nogle, især dem, der har en mere generalistisk tilgang, er det dog muligt at gøre yderligere fremskridt i en lederstilling som Lead Data Scientist, drive et team eller afdeling eller endda Chief Data Officer, der leder en institutions datastrategi på højeste niveau og svarer kun til den administrerende direktør.

Dataingeniør

Det, der adskiller Data Engineers fra andre fagfolk, der arbejder inden for dataområdet, er det faktum, at de designer og bygger hele systemer – inklusive den infrastruktur og de processer, virksomheden bruger til at få mest muligt ud af disse data. Det vil sige, at dataingeniører er de mennesker, der bestemmer, hvordan andre dataforskere kan udføre deres job. Hvilke former for data kan virksomhedens system rumme? Hvilke metoder bruges til at indsamle data fra salg og marketing, eller resultaterne af en sundhedsundersøgelse, og gøre dem tilgængelige for analyse? For at gøre dette skal dataingeniører være meget fortrolige med de typer arbejde, som andre datavidenskabelige fagfolk udfører – databaseadministratorer, dataanalytikere, dataarkitekter og så videre – til det punkt, at dataingeniører ofte kan udføre hver af disse roller som godt. Men fordi de er bygherrer, bruger dataingeniører normalt mere tid på at arbejde på udvikling end andre professionelle inden for datavidenskab – at skrive softwareprogrammer, opbygge relationelle databaser eller udvikle værktøjer, der lader virksomheder dele data mellem afdelinger.

Dataingeniør karrierevej

Ligesom andre job, der arbejder med data, er det første skridt til at blive dataingeniør ofte en universitetsgrad (normalt en bachelor eller master i ingeniørvidenskab, datalogi eller matematik) - men ikke altid. En person med masser af erfaring med at arbejde med it- eller softwareudvikling kan finde ud af, at de allerede har alle de nødvendige færdigheder til at blive dataingeniør bortset fra selve datafærdighederne, i hvilket tilfælde nogle færdigheder omskoling, såsom en data bootcamp, kan hjælpe med at bringe dem op i fart. Mange af de færdigheder en dataingeniør kræver (som SQL, UNIX og Linux, ETL-udvikling eller konfiguration af it-systemer) kan udvikles ved at arbejde i et tilstødende felt; andre (såsom maskinlæring eller opbygning af datapipelines) vil kræve mere fokuseret læring.

Når det er sagt, begynder de fleste dataingeniører deres karriere med at arbejde inden for et eller andet underområde inden for datalogi, før de tilegner sig alle de færdigheder, det kræver at blive en junior dataingeniør – faktisk kræver de fleste jobopslag for junior dataingeniører mellem et og fem års erhvervserfaring. Derfra er det næste logiske skridt til Senior Data Engineer og Lead Data Engineer. Men med deres beherskelse af så mange aspekter af IT, software engineering og datavidenskab, er der også masser af andre stillinger åbne for dataingeniører – herunder Data Architect, Solutions Architect eller Applications Architect. For en person, der ønsker at udføre mindre praktisk arbejde og mere medarbejderledelse, omfatter andre muligheder Product Development Manager – eller i sidste ende givet de rigtige menneskelige færdigheder, endda Chief Data Officer eller Chief Information Officer.

Kan dataforskere arbejde hjemmefra?

Ligesom mange jobs inden for teknologiområdet kan dataforsker-roller ofte udføres eksternt - men dette afhænger i sidste ende af den virksomhed, du arbejder for, og den slags arbejde, du udfører.

Hvornår kan dataforskere arbejde eksternt?

Datavidenskabsstillinger, der arbejder med meget følsomme eller fortrolige data og informationer (som omfatter et stort antal af dem, selv uden for privatlivstunge områder som bank og sundhedsvæsen, da proprietære data kan være en af ​​en stor virksomheds mest værdifulde aktiver) vil finde de står over for mange flere restriktioner med hensyn til fjernarbejde. I disse tilfælde er det sandsynligt, at du skal arbejde på kontoret i arbejdstiden.

Nogle andre faktorer at overveje:

• Hvor traditionel din virksomhed er. Større, ældre virksomheder er typisk ikke så fjernvenlige – selvom COVID kan have medført store ændringer på dette område.
• Hvor nemt du kan arbejde med andre holdkammerater og afdelinger eksternt. Hvis dit arbejde er meget samarbejdende, er det mere sandsynligt, at du bliver bedt om at møde op personligt.
• Dataforskere, der arbejder på kontrakt - eller endda på konsulentbasis - kan også have mere fleksibilitet til at vælge deres egen placering.