I højdepunktet af den Oscar-nominerede film Hidden Figures er matematikeren Katherine Johnson opfordret til at verificere beregninger for landingskoordinaterne til John Glenns rumkapsel, Venskab 7. Teknologi har netop erstattet menneskelige computere, de dateberegning mennesker, der afsluttede komplekse ligninger før computersystemets fremkomst, men dataene fra maskinen var uoverensstemmelser, der måtte løses af en person.
Det var datavidenskab i 1961. I disse dage er tingene lidt anderledes. Komplekse dataindsamlingssystemer gør det muligt for virksomheder i alle sektorer at lære mere om deres virksomheder, kunder og fremtidsudsigter. Men ligesom i skjulte figurer er mennesker stadig brug for at finde vigtige sandheder inden for dataene.
Her er oversigten over, hvordan vi bruger datavidenskab hver dag og de væsentlige færdigheder, du har brug for for at få succes som dataforsker, ingeniør eller analytiker.
Datavidenskab er overalt
Potentialet for dataforskere langt ud over finans- og tech-industrier blomstrer. ”Der er en voksende erkendelse på tværs af alle sektorer om, at datavidenskabsfærdigheder er blevet væsentlige for at konkurrere og forbedre på nutidens markedsplads, ” siger Michael Galvin, administrerende direktør i Data Science Corporate Training for Metis, et datavidenskabeligt uddannelsesfirma, der arbejder med enkeltpersoner og virksomheder .
Tænk på cookies. Nej, ikke dem, du dypper i mælk - de kraftfulde dataindsamlingsværktøjer, der hjælper dataanalytikere, videnskabsmænd og ingeniører med at lære om forbrugerwebvaner og informere algoritmerne omkring disse ”hvordan-de-vidste-jeg-var bare-tænkning -af-det ?! ”-annoncer, vi vises på Facebook. Deres mål? At vurdere forbrugernes interesser og adfærd og bruge disse analyser til at hjælpe med at træffe vigtige forretningsbeslutninger - for virksomheder på tværs af alle sektorer.
”Der er en bredere bevidsthed om datavidenskab i mainstream. Påvirker alt fra Amazon-køb til Netflix-binges, data videnskab berører flere mennesker end nogensinde før, ”siger Galvin.
Sådan passer du ind
Med væksten inden for datavidenskabelige felter har der været en øget overlapning mellem rollerne som dataforsker, dataanalytiker og modellerer.
Men ifølge Dr. Flavio Villanustre, vicepræsident for teknologi og HPCC-systemer for LexisNexis Risk Solutions, er skelnen mellem forskellige positioner faktisk ganske unik - og giver muligheder for dem, der er begavede inden for bestemte områder.
”Dataanalytikere har traditionelt specialiseret sig i datamanipulationsteknikker, som kræver uddannelse i alt fra forespørgselssprog til grafiske datamodeller, ” siger Villanustre. ”I mellemtiden analyserer modellerne numeriske data for korrelationer og mønstre.”
Når det kommer til datavidenskab, forklarer Villanustre, at ideelle kandidater bør fremvise et supersæt af disse to typer færdigheder blandet med domæne- og forretningskendskab. "Datavidenskabsmænd besidder normalt en dybere viden end dataanalytikeren om programmeringsteknikker og bredere viden end statistiske modellerere om dataanalytiske metoder ved hjælp af mere sofistikerede teknikker."
Når du ansøger om disse positioner, er det vigtigt at bemærke, hvilke opgaver en virksomhed virkelig ser ud til at have udført.
”Surret omkring datavidenskab har resulteret i, at mange virksomheder ansætter dataforskere til at udføre en dataanalytikerjob, som ender med at rense og forberede data og bruge meget lidt tid på at udføre faktisk datavidenskab, ” forklarer Nick Kramer, Senior Director of Data and Analytics hos SSA & Company, et management-konsulentfirma, der er specialiseret i at omdanne big data-analyse til operationer for virksomheder.
Nye værktøjer tillader, at analysemodeller oprettes af dem med lavere ekspertiseniveau, så diversificerede, relaterede færdigheder som forretningsviden og effektive kommunikationsevner er vigtige for at adskille jobsøgende. Sørg for at stille spørgsmål, når du interviewer, for præcist, hvad et firma søger - og fremvis derefter dine styrker i overensstemmelse hermed.
Vores kontor
Hvad du har brug for for at være vellykket
Det gamle ordsprog om ikke at se skoven for træerne er en vigtig ting at huske, når man arbejder som dataforsker, analytiker eller ingeniør. Mens nøjagtigheden af kernedata er vigtig, er det også en anerkendelse af det overordnede billede af de problemer, som en virksomhed håber at løse.
”Der er en tendens blandt dataforskere til at overkomplicere ting og blive suget ind i et sort hul med detaljer, ” advarer Galvin. ”I stedet skal de tænke på det forretningsproblem, de prøver at løse, få noget til at fungere og derefter gentage det.”
Desuden er en interesse i, hvad du laver - som det gælder ethvert job - også vigtig.
”Virksomheder arbejder med forskellige slags data (som billeder, tekst og økonomiske data) om forskellige problemer. Du skal være interesseret i og forstå den type data, du arbejder med for at få succes, ”sagde Galvin. ”For eksempel er dataforskere, der arbejder med medicinske billeder, ikke typisk læger selv, men deres slutbruger eller klient vil være en læge. Kan du forstå, hvilke problemer de prøver at løse? Er du interesseret i at løse disse problemer? ”
Og så er der kommunikation. Det siges, at dataforskere, analytikere og ingeniører taler deres eget sprog, men for at få succes på en arbejdsplads, skal du være i stand til at kommunikere tydeligt med dem, der vil udnytte og drage mest nytte af dine evner.
"Samarbejde med erhvervsinteressenter bliver stadig vigtigere, " sagde Kramer.
Datavidenskab og tilhørende karrierer er kommet langt fra 1960'erne, hvor NASA havde brug for menneskelige computere til at udnytte og verificere arbejdet i nye computermaskiner. Men strålende sind, der er interesseret i, hvordan data kan forme, hvordan vi lever, arbejder og udfører forretninger, er stadig lige så vigtige som nogensinde - uden en menneskelig ekspert til at fortolke både input og resultater, kunne datavidenskab misbruges vildt eller bare forvirrende.
