Dataforsker

BrainStations karriereguide for Data Scientist kan hjelpe deg med å ta de første skrittene mot en lukrativ karriere innen datavitenskap. Les videre for en oversikt over datavitenskapsfeltet, samt jobbrollen Data Scientist.



Bli en dataforsker

Snakk med en læringsrådgiver for å lære mer om hvordan våre bootcamps og kurs kan hjelpe deg å bli en dataforsker.



Ved å klikke på Send godtar du vår Vilkår .

Sende inn

Kunne ikke sende inn! Oppdater siden og prøv igjen?

Lær mer om vår Data Science Bootcamp

Takk skal du ha!

Vi tar snart kontakt.



Se Data Science Bootcamp-siden

Hva er en dataforsker?

Dataforskere samler, organiserer og analyserer store sett med store data – strukturerte og ustrukturerte data – for å lage handlingsrettede datadrevne forretningsløsninger og planer for selskaper og andre organisasjoner. Ved å kombinere sans for matematikk, informatikk og business, trenger dataforskere å ha både de tekniske ferdighetene til å behandle og analysere big data og forretningssansen for å avdekke handlingskraftig innsikt skjult i disse dataene.

Datavitenskap vs. Data Mining

Det er noen få forskjeller mellom datavitenskap og datautvinning. La oss ta en nærmere titt:

Datavitenskap

  • Er et bredt felt som har en tendens til å inkludere maskinlæring, kunstig intelligens, prediktiv årsaksanalyse og preskriptiv analyse
  • Omhandler alle typer data, inkludert både strukturerte og ustrukturerte data
  • Har som mål å bygge datasentriske produkter og ta datadrevne beslutninger
  • Fokuserer på den vitenskapelige studien av data og mønster

Datautvinning

  • Er en undergruppe av datavitenskap som inkluderer datarensing, statistisk analyse og mønstergjenkjenning, og inkluderer noen ganger datavisualisering, maskinlæring og datatransformasjon
  • Omhandler først og fremst strukturerte data, ikke ustrukturerte data
  • Har som mål å ta data fra ulike kilder og gjøre dem brukbare
  • Fokuserer på forretningspraksis

Hva gjør en dataforsker?

En dataforsker analyserer store datasett for å avdekke mønstre og trender som fører til praktisk forretningsinnsikt og hjelper organisasjoner med å løse kompliserte problemer eller identifisere muligheter for inntekter og vekst. En dataforsker kan jobbe innen praktisk talt alle felt og må være flink til å håndtere strukturerte og ustrukturerte datasett. Det er en tverrfaglig jobb, og for å bli dataforsker må du ha en forståelse av matematikk, informatikk, forretninger og kommunikasjon for å utføre jobben din effektivt.



Selv om de spesifikke jobboppgavene og ansvaret til en dataforsker vil variere sterkt avhengig av bransje, stilling og organisasjon, vil de fleste rollene som dataforsker inkludere følgende ansvarsområder:

Forskning

En dataforsker må forstå mulighetene og smertepunktene som er spesifikke for både en bransje og et enkelt selskap.

Forbereder data

Før noen verdifull innsikt kan bli funnet, må en dataforsker definere hvilke datasett som er nyttige og relevante før han samler inn, trekker ut, renser og bruker strukturerte og ustrukturerte data fra en rekke kilder.



Lage modeller og algoritmer

Ved å bruke maskinlæring og kunstig intelligens-prinsipper, må en dataforsker være i stand til å lage og bruke algoritmene som er nødvendige for å implementere automatiseringsverktøy.

Dataanalyse

Det er viktig for en dataforsker å raskt kunne analysere dataene sine for å identifisere mønstre, trender og muligheter.

Visualisering og kommunikasjon

En dataforsker må være i stand til å fortelle historiene oppdaget gjennom data ved å lage og organisere estetisk tiltalende dashboards og visualiseringer, samtidig som han har kommunikasjonsferdighetene til å overbevise interessenter og andre teammedlemmer om at funnene i dataene er verdt å handle på.

Den nyeste BrainStations Digital Skills Survey fant at datafagfolk brukte mesteparten av tiden sin på datakrangel og opprydding. Respondentene konkluderte også med at arbeidets mål oftest er optimalisering av en eksisterende plattform, produkt eller system (45 prosent), eller utvikling av nye (42 prosent).

Typer datavitenskap

Det bredere feltet av datavitenskap omfatter mange forskjellige disipliner, inkludert:

Datateknikk

Designe, bygge, optimalisere, vedlikeholde og administrere infrastrukturen som støtter data så vel som flyten av data gjennom en organisasjon.

Dataforberedelse

Rensing og transformering av data.

Datautvinning

Trekke ut (og noen ganger rense og transformere) brukbare data fra et større datasett.

Prediktiv analyse

Bruk av data, algoritmer og maskinlæringsteknikker for å analysere sannsynligheten for ulike mulige fremtidige utfall basert på dataanalyse.

Maskinlæring

Automatisering av analytisk modellbygging i dataanalyseprosessen for å lære av data, oppdage mønstre og gi systemer mulighet til å ta beslutninger uten mye menneskelig innblanding.

Datavisualisering

Bruk av visuelle elementer (inkludert grafer, kart og diagrammer) for å illustrere innsikt funnet i data på en tilgjengelig måte, slik at publikum kan forstå trender, uteliggere og mønstre som finnes i data.

Fordeler med datavitenskap

Bedrifter i alle bransjer i alle deler av verden bruker mer og mer penger, tid og oppmerksomhet til datavitenskap og ønsker å legge til en dataforsker til teamet sitt. Forskning viser at selskaper som virkelig omfavner datadrevet beslutningstaking er mer produktive, lønnsomme og effektive enn konkurrentene.

Datavitenskap er avgjørende for å hjelpe organisasjoner med å identifisere de riktige problemene og mulighetene, samtidig som den bidrar til å danne et klart bilde av kunde- og klientadferd og behov, ansattes og produktytelse og potensielle fremtidige problemer.

Datavitenskap kan hjelpe bedrifter:

  • Ta bedre beslutninger
  • Lær mer om kunder og kunder
  • Dra nytte av trender
  • Forutse fremtiden

Hvordan kan datavitenskap forbedre verdien for en bedrift?

Datavitenskap er en stadig mer populær investering for bedrifter fordi den potensielle avkastningen på å låse opp verdien av big data er enorm. Datavitenskap er en verdig investering fordi:

    Det fjerner gjetting og gir handlingsvennlig innsikt.Bedrifter tar bedre beslutninger basert på data og kvantifiserbare bevis.Bedrifter forstår bedre sin plass i markedet.Datavitenskap vil hjelpe bedrifter med å analysere konkurransen, utforske historiske eksempler og komme med tallbaserte anbefalinger.Det kan brukes til å identifisere topptalenter.På lur i big data er det mye innsikt om produktivitet, ansattes effektivitet og generell ytelse. Data kan også brukes til å rekruttere og lære opp talenter.Du får vite alt om målgruppen din, klienten eller forbrukeren din.Alle genererer og samler inn data nå, og selskaper som ikke investerer ordentlig i datavitenskap, samler ganske enkelt inn mer data enn de vet hva de skal gjøre med. Innsikt i atferd, prioriteringer og preferanser til tidligere eller potensielle kunder eller klienter er uvurderlig, og de venter ganske enkelt på at en kvalifisert dataforsker skal oppdage det.

Lønn for dataforskere

Mens lønn for dataforskere varierer sterkt etter region og bransje, rapporteres gjennomsnittslønnen for en dataforsker i USA å være alt fra $96 000 til $113 000, avhengig av kilden. En senior dataforsker kan få inn omtrent $130 000 i gjennomsnitt.

Etterspørsel etter dataforskere

Dataforskere er etterspurt og mangelvare i praktisk talt alle bransjer. En rapport fra Deloitte Access Economics fant at 76 prosent av virksomhetene planla å øke utgiftene i løpet av de neste årene på dataanalysefunksjoner, mens IBM spådde en økning på 28 prosent i etterspørselen etter datavitenskap ved begynnelsen av tiåret.

U.S. Bureau of Labor Statistics har anslått en vekst på 31 prosent i datavitenskap i løpet av de neste 10 årene. I mellomtiden fant en Markets and Markets-rapport at det globale markedet for big data er spådd å vokse til 229,4 milliarder dollar innen 2025, med datavitenskapsplattformen som vokser 30 prosent innen 2024.

Overalt i verden ser det ut til at investeringer i datavitenskap forventes å øke, og dermed også etterspørselen etter dataforskere.

Hvilke verktøy bruker dataforskere?

Dataforskere bruker en rekke forskjellige verktøy og programmer for aktiviteter, inkludert dataanalyse, datarensing og å lage visualiseringer.

Python er det beste programmeringsspråket for dataforskere som ble spurt i BrainStation Digital Skills Survey. Et generelt programmeringsspråk, Python er nyttig for National Language Processing-applikasjoner og dataanalyse. R brukes også ofte til dataanalyse og datautvinning. For tyngre tallknusing er Hadoop-baserte verktøy som Hive populære. For maskinlæring kan dataforskere velge fra et bredt spekter av verktøy, inkludert h2o.ai, TensorFlow, Apache Mahout og Accord.Net. Visualiseringsverktøy er også en viktig del av en dataforskers arsenal. Programmer som Tableau, PowerBI, Bokeh, Plotly og Infogram hjelper dataforskere med å lage visuelt tiltalende diagrammer, varmekart, grafikk, spredningsplott og mer.

Dataforskere bør også være svært komfortable med både SQL (brukt på en rekke plattformer, inkludert MySQL, Microsoft SQL og Oracle) og regnearkprogrammer (vanligvis Excel).

Hvilke ferdigheter trenger dataforskere?

Det er en rekke ferdigheter som alle aspirerende dataforskere bør utvikle, inkludert:

    Utmerke.Excel er det mest brukte verktøyet for 66 prosent av datafagfolk som ble spurt i BrainStation Digital Skills Survey, og er fortsatt avgjørende for dataforskere.SQL.Dette spørringsspråket er uunnværlig i databasebehandling, og det brukes av omtrent halvparten av datarespondentene.Statistisk programmering.Python og R brukes ofte av dataforskere til å kjøre tester, lage modeller og utføre analyser av store datasett.Datavisualisering.Verktøy som Tableau, Plotly, Bokeh, PowerBl og Matplotlib hjelper dataforskere med å lage overbevisende og tilgjengelige visuelle representasjoner av funnene deres.

Karriereveier for dataforsker

Som et relativt nytt yrke er karriereveier for Data Scientist ikke skrevet i stein, og mange mennesker finner veien til datavitenskap fra bakgrunn innen informatikk, IT, matematikk og business. Men de fire hovedaksene for en dataforskers karrierevei er generelt data, engineering, business og produkt. Mange tverrfaglige roller innen datavitenskap krever mestring av flere eller alle disse områdene.

Personer som jobber innen datavitenskap er helt i forkant av de teknologiske endringene som vil påvirke fremtiden mest. Fordi datavitenskap kan bidra til fremskritt på praktisk talt alle andre felt, er dataforskere i posisjon til å forske videre på alt fra finans og handel til aktuarstatistikk, grønn energi, epidemiologi, medisin og farmasøytiske produkter, telekommunikasjon – listen er praktisk talt uendelig. Hver bransje trafikkerer sine egne forskjellige typer data, og utnytter dem på forskjellige måter for å nå forskjellige mål. Uansett hvor det skjer, kan dataforskere veilede bedre beslutningstaking, enten det er innen produktutvikling, markedsanalyse, administrasjon av kunderelasjoner, menneskelige ressurser eller noe helt annet.

Ikke bare er applikasjonene for datavitenskap brede, og berører mange forskjellige sektorer, men det finnes også forskjellige typer datavitenskap. Felles for alle disse aktivitetene er at alle prøver å gjøre data om til kunnskap. Mer presist bruker dataforskere en metodisk tilnærming for å organisere og analysere rådata for å identifisere mønstre som nyttig informasjon kan identifiseres eller utledes fra.

Gitt omfanget av deres innvirkning, er det ikke rart at dataforskere inntar stillinger som er svært innflytelsesrike – og svært etterspurte. Selv om veien til å bli en dataforsker kan være krevende, er det nå flere ressurser for aspirerende dataforskere enn noen gang, og flere muligheter for dem til å bygge den typen karriere de ønsker.

Men for alle måtene Data Scientists kan bidra til forskjellige bransjer, og alle de forskjellige karriereveiene en Data Scientist kan følge, kan typen arbeid de utfører deles inn i noen få hovedkategorier. Ikke all datavitenskap passer pent inn i disse gruppene, spesielt i forkant av informatikk, hvor ny mark stadig brytes – men de vil gi deg en ide om hvordan dataforskere gjør data til innsikt.

Statistikk

I hjertet av datavitenskap er statistikk feltet matematikk som beskriver de forskjellige egenskapene til et datasett, enten det er tall, ord, bilder eller annen form for målbar informasjon. Mye av statistikken er konsentrert om å identifisere og beskrive hva som er der – spesielt med svært store datasett, bare det å vite hva informasjonen gjør og ikke inkluderer er en oppgave for seg selv. Innenfor feltet datavitenskap kalles dette ofte deskriptiv analyse. Men statistikk kan gå enda lenger, og teste for å se om antakelsene dine om hva som er i dataene er korrekte, eller, hvis de er riktige, om de er betydelige eller nyttige. Dette kan innebære ikke bare å undersøke dataene, men også å manipulere dem for å trekke frem dets fremtredende trekk. Det er mange forskjellige måter å gjøre dette på – lineær regresjon, logistisk regresjon og diskriminantanalyse, ulike metoder for prøvetaking, og så videre – men til syvende og sist handler hver av disse teknikkene om å forstå egenskapene til et sett med data, og hvor nøyaktig disse funksjonene er. reflekterer en meningsfull sannhet om verden de tilsvarer.

Dataanalyse

Mens den er bygget på grunnlaget for statistikk, går dataanalyse litt lenger når det gjelder å forstå årsakssammenheng, visualisering og kommunisere funn til andre. Hvis statistikken skal definere hva og når for et datasett, prøver dataanalyse å identifisere hvorfor og hvordan. Dataanalytikere gjør dette ved å rydde opp i dataene, oppsummere dem, transformere dem, modellere dem og teste dem. Som nevnt ovenfor, er denne analysen ikke begrenset til tall alene. Mens mye dataanalyse bruker numeriske data, er det også mulig å utføre analyser på andre typer data også – skriftlige tilbakemeldinger fra kunder, for eksempel, eller innlegg på sosiale medier, eller til og med bilder, lyd og video.

Et av dataanalytikernes hovedmål er å forstå kausalitet, som deretter kan brukes til å forstå og forutsi trender på tvers av et bredt spekter av applikasjoner. I diagnostisk analyse ser dataanalytikere etter korrelasjoner som antyder årsak og virkning, hvilken innsikt igjen kan brukes til å modifisere utfall. Prediktiv analyse ser på samme måte etter mønstre, men utvider dem deretter videre, og ekstrapolerer banene deres utover kjente data for å hjelpe til med å forutsi hvordan umålte eller hypotetiske hendelser – inkludert fremtidige hendelser – kan utspille seg. De mest avanserte formene for dataanalyse har som mål å gi veiledning om spesifikke beslutninger ved å modellere og forutsi resultatene av ulike valg for å identifisere den mest hensiktsmessige handlingen.

Kunstig intelligens og maskinlæring

En av de store fremskrittene som for tiden finner sted innen datavitenskap – og en som er klar til å ha enorm innflytelse i fremtiden – er kunstig intelligens, og mer spesifikt maskinlæring. I et nøtteskall innebærer maskinlæring å trene en datamaskin til å utføre oppgaver vi vanligvis tenker på som krever en form for intelligens eller dømmekraft, for eksempel å kunne identifisere objektene på et bilde. Dette oppnås vanligvis ved å gi den rikelige eksempler på hvilken type besluttsomhet du trener nettverket til å ta. Som du kan forestille deg, krever dette både mengder (vanligvis strukturerte) data og en evne til å få en datamaskin til å forstå disse dataene. Sterke statistikkkunnskaper og programmeringskunnskaper er et must.

De fordelaktige effektene av maskinlæring er praktisk talt ubegrensede, men først og fremst er evnen til å utføre intrikate eller langvarige oppgaver raskere enn noe menneske noensinne kunne, for eksempel å identifisere et spesifikt fingeravtrykk fra et lager med millioner av bilder, eller kryssreferanser dusinvis av variabler i tusenvis av medisinske filer for å identifisere assosiasjoner som kan gi ledetråder til hva som forårsaker sykdom. Med nok data kan maskinlæringseksperter til og med trene nevrale nettverk til å produsere originale bilder, trekke ut meningsfull innsikt fra massive tekstmasser, lage spådommer om fremtidige utgiftstrender eller andre markedshendelser, og tildele ressurser som er avhengig av svært kompleks distribusjon, som energi , med maksimal effektivitet. Fordelen med å bruke maskinlæring for å utføre disse oppgavene, i motsetning til andre former for automatisering, er at en uovervåket A.I. systemet kan automatisk lære og forbedre seg over tid – selv uten ny programmering.

Business intelligence

Som du kanskje har gjettet fra den tidligere referansen til markedshendelser, er forretnings- og finansverdenen et av stedene hvor maskinlæring har gjort en av sine tidligste og mest dyptgripende innvirkninger. Takket være den enorme mengden numeriske data som er tilgjengelig – markedsføringsdatabaser, undersøkelser, bankinformasjon, salgstall og så videre, hvorav det meste er svært organisert og relativt enkelt å jobbe med – er dataforskere i stand til å bruke statistikk, dataanalyse og maskinlæring for å trekke ut innsikt om utallige aspekter av forretningsverdenen, veilede beslutningstaking og optimalisere resultater, til det punktet at forretningsintelligens har blitt et felt innen datavitenskap for seg selv.

Ganske ofte ser ikke Business Intelligence-utviklere bare på hvilke data som tilfeldigvis er tilgjengelige for å se hva de kan oppdage; de jobber proaktivt med datainnsamling og utvikler teknikker og produkter for å svare på spesifikke spørsmål og nå spesifikke mål. I den forstand er Business Intelligence-utviklere og -analytikere avgjørende for strategisk utvikling i forretnings- og finansverdenen – og hjelper ledere å ta bedre beslutninger og ta dem raskere, forstå markedsplassen for å identifisere en virksomhets muligheter og utfordringer, og forbedre den generelle effektiviteten til en virksomhets systemer og drift, alt med det overordnede målet om å oppnå et konkurransefortrinn og øke fortjenesten.

Datateknikk

Det siste hovedfaget som dataforskere ofte jobber i, omfatter en hel rekke forskjellige stillingstitler – Dataingeniør, Systemarkitekt, Applikasjonsarkitekt, Dataarkitekt, Enterprise Architect eller Infrastructure Architect, for å nevne noen. Hver av disse rollene har sitt eget sett med ansvar, med noen som utvikler programvare, andre designer IT-systemer, og atter andre tilpasser selskapets interne struktur og prosesser med teknologien den bruker for å følge sine forretningsstrategier. Det som forbinder dem alle er at dataforskere som jobber på dette feltet bruker data- og informasjonsteknologi for å lage eller forbedre systemer med en spesifikk funksjon i tankene.

En applikasjonsarkitekt observerer for eksempel hvordan en bedrift eller annen bedrift bruker spesifikke teknologiske løsninger, og designer og utvikler applikasjoner (inkludert programvare eller IT-infrastruktur) for forbedret ytelse. En dataarkitekt utvikler på samme måte applikasjoner – i dette tilfellet løsninger for datalagring, administrasjon og analyse. En infrastrukturarkitekt kan utvikle de overordnede løsningene et selskap bruker for å drive daglig virksomhet for å sikre at disse løsningene oppfyller selskapets systemkrav, enten det er offline eller i skyen. Dataingeniører på sin side fokuserer på databehandling, utforming og implementering av datapipelines som samler inn, organiserer, lagrer, henter og behandler en organisasjons data. Med andre ord, det definerende trekk ved denne brede kategorien av datavitenskap er at den involverer å designe og bygge ting: systemene, strukturene og prosessene som datavitenskap utføres ved.

Hva er de mest etterspurte datavitenskapsjobbene?

Datavitenskap generelt er en svært etterspurt ferdighet, så det er mange muligheter å finne innen alle områder og spesialiteter i feltet. Faktisk, i 2019, listet LinkedIn Data Scientist som den mest lovende jobben i året, og QuantHub spådde en akutt mangel på kvalifiserte Data Scientists i året som kommer.

Stikkordet her er kvalifisert. Ofte er de tekniske kravene en dataforsker må møte så spesifikke at det kan ta noen års erfaring med å jobbe i bransjen for å bygge opp det nødvendige spekteret av kompetanse, begynne som generalist, for så sakte å legge til flere og flere evner og evner til ferdighetssettet deres.

Dette er bare noen av de vanligste måtene dataforskere kan gjøre det på – det er like mange potensielle karriereveier som det er dataforskere, men i alle tilfeller avhenger karriereutvikling av å få nye ferdigheter og erfaring over tid.

Data analytiker

Som navnet antyder, analyserer dataanalytikere data – men den korte tittelen fanger bare en liten del av hva dataanalytikere faktisk kan oppnå. For det første starter data sjelden i en brukervennlig form, og det er vanligvis dataanalytikere som er ansvarlige for å identifisere hva slags data som trengs, samle inn og sette dem sammen, og deretter rense og organisere dem – konvertere dem til en mer brukbart skjema, bestemme hva datasettet faktisk inneholder, fjerne ødelagte data og evaluere nøyaktigheten. Så er det selve analysen – ved å bruke forskjellige teknikker for å undersøke og modellere data, se etter mønstre, trekke ut mening fra disse mønstrene og ekstrapolere eller modellere dem. Til slutt gjør dataanalytikere sin innsikt tilgjengelig for andre ved å presentere dataene i et dashbord eller en database som andre kan få tilgang til, og kommunisere funnene sine til andre via presentasjoner, skriftlige dokumenter og diagrammer, grafer og andre visualiseringer.

Karrierevei for dataanalytiker

Data Analyst er et utmerket inngangspunkt til datavitenskapens verden; det kan være en start-level stilling, avhengig av nivået av kompetanse som kreves. Nye dataanalytikere går vanligvis inn i feltet rett ut av skolen – med en grad i statistikk, matematikk, informatikk eller lignende – eller går over til dataanalyse fra et beslektet felt som business, økonomi eller til og med samfunnsvitenskap, vanligvis ved å oppgradere deres ferdigheter midt i karrieren gjennom en dataanalyse-bootcamp eller lignende sertifiseringsprogram.

Men enten de er nyutdannede eller erfarne fagfolk som gjør en endring midt i karrieren, starter nye dataforskere vanligvis med å utføre rutineoppgaver som å innhente og manipulere data med et språk som R eller SQL, bygge databaser, utføre grunnleggende analyser og generere visualiseringer ved hjelp av programmer som Tableau. Ikke alle dataanalytiker trenger å vite hvordan man gjør alle disse tingene – det kan være spesialisering, selv i en juniorstilling – men du bør være i stand til å utføre alle disse oppgavene hvis du håper å komme videre i karrieren. Fleksibilitet er en stor fordel på dette tidlige stadiet.

Hvordan du avanserer som dataanalytiker avhenger til en viss grad av bransjen du jobber i – for eksempel markedsføring eller finans. Avhengig av sektoren og typen arbeid du gjør, kan du velge å spesialisere deg i programmering i Python eller R, bli en proff på datarensing, eller kun konsentrere deg om å bygge komplekse statistiske modeller eller generere vakre bilder; på den annen side kan du også velge å lære litt av hvert, og sette deg opp til å ta på deg en lederstilling når du tar på deg tittelen Senior Data Analyst. Med bred og dyp nok erfaring er en senior dataanalytiker klar til å ta på seg en lederrolle som fører tilsyn med et team av andre dataanalytikere, og til slutt bli avdelingsleder eller direktør. Med ytterligere ferdighetstrening er dataanalytikere også i en sterk posisjon til å gå inn i den mer avanserte stillingen som Data Scientist.

Dataforsker

Egne dataforskere kan vanligvis gjøre alle tingene dataanalytikere kan gjøre, pluss noen flere ting i tillegg – faktisk, med riktig opplæring og erfaring, kan en dataanalytiker til slutt avansere til stillingen som dataforsker. Så ja, dataforskere bør være i stand til å skaffe, rense, manipulere, lagre og analysere data – men også å forstå og jobbe med ulike metoder for maskinlæring, og kunne programmere i Python, R eller et lignende statistisk programmeringsspråk til bygge og evaluere mer avanserte modeller.

Data Scientist karrierevei

Mange går inn i feltet som dataanalytiker før de får erfaringen og de ekstra ferdighetene som kreves for å kalle seg dataforskere. Så, fra Junior Data Scientist, er neste trinn typisk Senior Data Scientist – selv om den enkle endringen i tittelen motsier arbeidet som kreves for å gjøre denne overgangen; en senior dataforsker vil enten beherske en overlegen forståelse av praktisk talt alle aspekter av datavitenskap – A.I., datavarehus, dataminering, cloud computing og så videre – i tillegg til deres kjennskap til et bransjespesifikt felt som forretningsstrategi eller helseanalyse. , eller de vil spesialisere seg på et av disse områdene med ekspertise på gurunivå.

Det er verdt å nevne at mens noen dataforskere begynner sin karriere innen analyse og jobber seg til flere ledende stillinger innen spesialiserte felt som psykologi, markedsføring, økonomi og så videre, begynner andre som profesjonelle innen et av de forskjellige feltene før de går over til en data. vitenskapens rolle.

For mange er Senior Data Scientist det ultimate karrieremålet; Dette er allerede en så avansert rolle å inneha at, i det minste innen datavitenskap, er det ofte den mest ledende stillingen som kan oppnås – du blir rett og slett en bedre, dyktigere Senior Data Scientist med større spesialiseringsområder. For noen, spesielt de som har en mer generalistisk tilnærming, er det mulig å gjøre ytterligere fremskritt til en lederstilling som Lead Data Scientist, drive et team eller avdeling, eller til og med Chief Data Officer, som leder en institusjons datastrategi på høyeste nivå og svarer kun til administrerende direktør.

Dataingeniør

Det som skiller dataingeniører fra andre fagfolk som jobber i datafeltet er det faktum at de designer og bygger hele systemer – inkludert infrastrukturen og prosessene selskapet bruker for å få mest mulig ut av disse dataene. Det vil si at dataingeniører er menneskene som bestemmer måtene andre dataforskere kan gjøre jobben sin på. Hvilke former for data kan bedriftens system ta imot? Hvilke metoder brukes for å samle inn data fra salg og markedsføring, eller resultatene av en helseundersøkelse, og gjøre den tilgjengelig for analyse? For å gjøre dette, må dataingeniører være godt kjent med den type arbeid som andre datavitenskapelige fagfolk gjør – databaseadministratorer, dataanalytikere, dataarkitekter og så videre – til det punktet at dataingeniører ofte kan utføre hver av disse rollene som vi vil. Men fordi de er byggere, bruker dataingeniører vanligvis mer tid på utvikling enn andre fagfolk innen datavitenskap – skriver programvare, bygger relasjonsdatabaser eller utvikler verktøy som lar bedrifter dele data mellom avdelinger.

Karrierevei for dataingeniør

Som andre jobber som jobber med data, er det første trinnet for å bli dataingeniør ofte en universitetsgrad (vanligvis en bachelor eller mastergrad i ingeniørfag, informatikk eller matematikk) – men ikke alltid. Noen med mye erfaring med å jobbe med IT eller programvareutvikling kan finne ut at de allerede har alle nødvendige ferdigheter for å bli dataingeniør bortsett fra selve dataferdighetene, i så fall kan noen omskolering av ferdigheter, for eksempel en data-bootcamp, bidra til å gi dem opp i fart. Mange av ferdighetene en dataingeniør krever (som SQL, UNIX og Linux, ETL-utvikling eller konfigurering av IT-systemer) kan utvikles ved å jobbe i et tilstøtende felt; andre (som maskinlæring eller å bygge datapipelines) vil kreve mer fokusert læring.

Når det er sagt, begynner de fleste dataingeniører sine karrierer med å jobbe i et eller annet underfelt av informatikk før de tilegner seg alle ferdighetene som trengs for å bli en junior dataingeniør – faktisk krever de fleste stillingsannonser for juniordataingeniører mellom ett og fem års arbeidserfaring. Derfra er det neste logiske trinnet til Senior Data Engineer og Lead Data Engineer. Men med deres beherskelse av så mange aspekter av IT, programvareteknikk og datavitenskap, er det mange andre stillinger åpne for dataingeniører også - inkludert Data Architect, Solutions Architect eller Applications Architect. For noen som ønsker å gjøre mindre praktisk arbeid og mer medarbeiderledelse, inkluderer andre alternativer produktutviklingssjef – eller, til slutt, gitt de rette ferdighetene, til og med Chief Data Officer eller Chief Information Officer.

Kan dataforskere jobbe hjemmefra?

Som mange jobber innen teknologifeltet, kan dataforsker-roller ofte utføres eksternt – men dette er til syvende og sist avhengig av selskapet du jobber for og hva slags arbeid du gjør.

Når kan dataforskere jobbe eksternt?

Datavitenskapsstillinger som jobber med svært sensitive eller konfidensielle data og informasjon (som inkluderer et stort antall av dem, selv utenfor personverntunge felt som bank og helsevesen, ettersom proprietære data kan være en av et stort selskaps mest verdifulle eiendeler) vil finne at de står overfor mange flere begrensninger med hensyn til fjernarbeid. I disse tilfellene er det sannsynlig at du må jobbe på kontoret i arbeidstiden.

Noen andre faktorer å vurdere:

  • Hvor tradisjonell bedriften din er. Større, eldre selskaper er vanligvis ikke så fjernvennlige – selv om COVID kan ha ført til store endringer på dette området.
  • Hvor enkelt du kan jobbe med andre lagkamerater og avdelinger eksternt. Hvis arbeidet ditt er svært samarbeidende, er det mer sannsynlig at du må møte opp personlig.
  • Dataforskere som jobber på kontrakt – eller til og med på konsulentbasis – kan også ha mer fleksibilitet til å velge sitt eget sted.

Kategori: Nyheter