En dag i livet til en dataforsker

BrainStations Data Scientist-karriereguide kan hjelpe deg med å ta de første skrittene mot en lukrativ karriere innen datavitenskap. Les videre for en oversikt over hvordan dataforskere bruker dagene på jobb.



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

En dag i livet til en dataforsker

Av alle disiplinene som er undersøkt i Brainstations Digital Skills Survey, kan datavitenskap omfatte det bredeste spekteret av applikasjoner. Men selv om datavitenskap har eksistert i flere tiår, har den først nylig kommet i full blomst. Etter hvert som tilgjengeligheten av data har utvidet seg, har bedrifter innsett hvor viktig datavitenskap kan være, sier Briana Brownell, grunnlegger og administrerende direktør for Pure Strategy, og en dataforsker i 13 år. Hver bedrift må nå ha et delvis fokus på teknologi. Bare denne uken, for eksempel, betalte McDonald's anslagsvis 300 millioner dollar for å kjøpe opp sitt eget big data-firma.

Det er derfor ikke rart at konkurransen om dataforskere er utrolig høy. På bare to år forventes etterspørselen å vokse med 28 prosent, tilsvarende om lag 2,7 millioner nye arbeidsplasser. Det er flere åpninger enn nyutdannede vil være i stand til å fylle – noe som betyr at teknologiarbeidere i andre felt må friske opp ferdighetene sine og gå over til data for å møte denne etterspørselen.

Faktisk antyder undersøkelsen vår at dette allerede skjer. Omtrent fire av fem dataproffer begynte sin karriere med å gjøre noe annet, og 65 prosent av alle dataforskere har jobbet i feltet i fem år eller mindre. Denne enorme tilstrømningen av nye sinn har en tvekantet effekt, sier Brownell; på den ene siden er det mange nye ideer som kommer inn, sier hun. Når jeg ser på noe av innholdet som kommer ut av datavitenskapsfellesskapet, er jeg overrasket over hvor mye innovasjon det er. Baksiden er imidlertid en tendens til å finne opp hjulet på nytt.



Høy etterspørsel etter Data Scientists er stor hvis du er en (eller tenker på å bli det), men for arbeidsgivere kan rekruttering være en skremmende utfordring. Her er omskilling en åpenbar løsning; det kan være mer kostnadseffektivt å omskolere en nåværende ansatt i datavitenskap enn å headhunte en ny.

Men selv om du planlegger å ansette et nytt datavitenskapsteam, kan det hende at organisasjonen din som helhet må friske opp datakompetansen sin, advarer Brownell. Alle ønsker å jobbe med noe som har innvirkning på arbeidsplassen deres, som gjør folks liv bedre, sier hun. Hvis bedriftskulturen din ikke er slik at [dataforskerne dine] kan påvirke, er det nesten umulig å ansette. Ledelse må være i stand til ikke bare å kommunisere til potensielle ansatte hvordan de vil kunne bidra – men til å forstå forslagene deres datavitenskapsteam til slutt legger frem også.

Dessverre, sier Brownell, er det ubehagelige flertallet selskapene som ikke har funnet ut av ting. Undersøkelsen vår støtter dette: de fleste respondentene (52 prosent) beskrev nivået av datakompetanse på tvers av organisasjonene deres som grunnleggende, med middels den nest vanligste responsen (31 prosent). Dette antyder at noe grunnleggende datavitenskapelig opplæring kan være nyttig for et stort flertall av bedrifter – spesielt innen ledelse.



Dette behovet for forbedret datakunnskap – og kommunikasjon – forsterkes av måten de fleste datavitenskapsteam er strukturert på: som et diskret team, vanligvis med 10 personer eller færre (ifølge 71 prosent av respondentene), og ofte fem eller færre (38 prosent). ). Disse sammensveisede lagene har ikke råd til å bli isolert. Personer som jobber i større selskaper er vanligvis innenfor en liten datavitenskapsspesifikk gruppe, og kundene deres er interne – andre deler av organisasjonen, forklarer Brownell, så det er et team som må operere på tvers av mange forskjellige områder av organisasjonen.

Hva er egentlig datavitenskap?

Den vanlige oppfatningen (at Data Scientists knuser tall) er ikke så langt unna, sier Brownell. Det er mange datasett som må ha innsikt avslørt fra dem, og det innebærer mange trinn som modellbygging og dataopprydding, og til og med bare å bestemme hvilke data du trenger. Til syvende og sist er imidlertid denne innsatsen målrettet: I kjernen må du gjøre noe med dataene.

For den saks skyld er data ikke alltid tall. Mens et flertall av respondentene (73 prosent) oppga at de jobber med numeriske data, sa 61 prosent at de også jobber med tekst, 44 prosent med strukturerte data, 13 prosent med bilder og 12 prosent med grafikk (og små minoriteter jobber til og med med video og lyd). — henholdsvis 6 prosent og 4 prosent). Disse undersøkelsesresultatene antyder hvordan datavitenskapen ekspanderer langt utover økonomiske tabeller, og verver folk til prosjekter som maksimering av kundetilfredshet eller innhenting av verdifull innsikt fra brannslangen til sosiale medier.

Som et resultat er det enorm variasjon innen datavitenskapsfeltet, sier Brownell. Hver bransje har sitt eget syn på hvilke typer data dataforskerne jobber med, hvilke typer resultater de forventer, og hvordan det passer inn i selskapets lederstruktur. Men i alle tilfeller er målet å utnytte data for å hjelpe et selskap med å ta bedre beslutninger. Det kan være å gjøre produktene bedre, forstå markedet de ønsker å gå inn i, beholde flere kunder, forstå arbeidskraftbruken deres, forstå hvordan man får gode ansettelser – alle slags forskjellige ting.

Datavitenskap jobber

I noen områder av teknologien kan det å bli generalist være den beste foten innenfor døren – ikke slik med datavitenskap. Arbeidsgivere ser vanligvis etter ferdigheter som er spesialiserte til deres bransje. Fordi datavitenskap kommer i så mange forskjellige varianter, undersøkte undersøkelsen vår dypere, og undersøkte fem hovedjobbkategorier: dataanalytiker, forsker, forretningsanalytiker, data- og analysesjef og egentlig dataforsker.

På tvers av alle disse stillingsbetegnelsene tar datakrangel og opprydding mesteparten av ens tid – men til hva? Oftest er målet å optimalisere en eksisterende plattform, produkt eller system (45 prosent), eller å utvikle nye (42 prosent). Når vi gravde dypere, fant vi ut at optimalisering av eksisterende løsninger har en tendens til å falle på Business Analytikere og Dataanalytikere, mens utvikling av nye løsninger oftere faller på Data Scientists og forskere.

Teknikkene Data Scientists bruker varierer også på tvers av spesialiseringer. Lineær regresjon var et vanlig verktøy på tvers av alle kategorier, sitert av 54 prosent av respondentene, men det var noen overraskelser da vi så på programvaren folk bruker.

Excel – den arbeidshesten for manipulering av datasett – er praktisk talt allestedsnærværende, sitert av 81 prosent av alle respondentene, og det mest populære verktøyet i alle kategorier bortsett fra Data Scientists (som oftest stoler på Python – og siterte også et større verktøysett enn andre kategorier). ). Hva gjør Excel så uunngåelig, selv i 2019?

Det jeg elsker med Excel er hvordan det lar deg se dataene og få en intuitiv følelse av det, forklarte Brownell. Vi bruker også mye Python, og i så fall, når du gjør analyser på en datafil, er den skjult; med mindre du spesifikt programmerer en del av koden din til å visualisere rådataene du analyserer, ser du den ikke. Mens med Excel er det rett foran deg. Det har mange fordeler. Noen ganger kan du oppdage problemer med datafilen. Jeg ser aldri at Excel forsvinner fra analyse noen gang.

Når det er sagt, er det fortsatt en lang liste over andre programmer som brukes i feltet - ikke overraskende gitt mangfoldet. SQL (43 prosent) og Python (26 prosent) leder i popularitet, med Tableau (23 prosent), R (16 prosent), Jupyter Notebooks (14 prosent) og en håndfull andre som gir betydelige tall – for ikke å nevne de enorme 32 prosent av de spurte som siterte andre verktøy, selv gitt denne allerede lange listen.

Hva er fremtiden for datavitenskap?

Til slutt spurte vi hvilke trender som vil forme det digitale landskapet de neste fem til ti årene. Maskinlæring og AI – som begge har applikasjoner innen datavitenskap – var overveldende utviklingen respondentene forventer å ha størst effekt, med henholdsvis 80 prosent og 79 prosent. Dette til tross for at mindre enn en fjerdedel (23 prosent) av dem i dag jobber med AI.

Kunstig intelligens kan absolutt transformere datavitenskap, bekrefter Brownell, hvis selskap utvikler AI-produkter. Det er virkelig herligheten til uovervåkede læringsmetoder. Vi har bare så mye tid til å se på disse datasettene, og spesielt med store, er det veldig vanskelig å gjøre alt. AI-verktøy kan bidra til å avsløre noe du kanskje ikke hadde tenkt å se etter. Vi har definitivt hatt det skje.

Andre trender Dataforskere forventer å dominere i nær fremtid: tingenes internett (51 prosent), blokkjede (50 prosent) og e-handel (36 prosent), utvidet virkelighet og virtuell virkelighet (38 prosent og 27 prosent), og til og med tale- baserte erfaringer (25 prosent) – alle viktige visninger, og alle områder der datavitenskap kan komme til god bruk.

Kategori: Nyheter