Podľa výskumu sa každý deň vytvorí viac ako 2,5 bilióna bajtov údajov.Vedci údajov pomáhajú organizáciám hádať sa, interpretovať a vizualizovať tieto údaje. Nie je prekvapením, že práca je na vzostupe. Podľa Bureau of Labor Statistics sa očakáva, že kariérne príležitosti v tejto oblasti porastú do roku 2029 o 15 %, čo je oveľa rýchlejšie ako je priemer.
Aj keď nie všetci úspešní vedci v oblasti údajov majú vysokoškolské vzdelanie, mnohí majú aspoň bakalársky titul v odbore vedy o údajoch alebo v príbuznom odbore. Niektorí majú aj postgraduálne tituly vrátane magisterského, doktorandského a/alebo absolventského certifikácie.
Aké zručnosti potrebujete, aby ste boli dátovým vedcom?
„Datový vedec“ je široký pojem, ktorý môže označovať množstvo rôznych povolaní. Vo všeobecnosti dátový vedec analyzuje údaje, aby sa dozvedel o vedeckých procesoch, trhových trendoch a Riadenie rizík.
Niektorí pracovné tituly v dátovej vede zahŕňajú dátového analytika, dátového inžiniera, počítačového a informačného výskumu, analytika operačného výskumu a analytika počítačových systémov.
Dátoví vedci pracujú v rôznych odvetviach, od technológií cez medicínu až po vládne agentúry.Kvalifikácia pre prácu v dátovej vede sa líši, pretože názov je taký široký. Existujú však určité zručnosti, ktoré zamestnávatelia hľadajú takmer u každého dátového vedca. Napríklad dátoví vedci potrebujú silné štatistické, analytické, reportovacie schopnosti a ďalšie.
Typy zručností vedcov údajov
Analytické schopnosti
Snáď najdôležitejšou zručnosťou pre dátových vedcov je vedieť analyzovať informácie. Dátoví vedci sa pozerajú na veľké množstvá údajov a dávajú im zmysel. Musia byť schopní vidieť vzory a trendy a mať predstavu o tom, čo tieto vzory znamenajú. To všetko si vyžaduje silné analytické schopnosti.
- Umela inteligencia
- Veľké dáta
- Business Intelligence
- Vytváranie prediktívnych modelov
- Vytváranie kontrol na zabezpečenie presnosti údajov
- Kritické myslenie
- Analýza dát
- Vizualizácia dát
- Analýza údajov
- Správa databázy
- Manipulácia s údajmi
- Data Wrangling
- Data Science Tools / Data Tools
- Data Mining
- DevOps
- Hodnotenie nových analytických metodík
- Interpretácia údajov
- Metriky
- Ťažba údajov sociálnych médií
- Údaje o modelovaní
- Modelovacie nástroje
- Pravdepodobnosť a štatistika
- Výskum
- Modelovanie rizík
- Testovanie hypotéz
Otvorenosť
Byť dobrým dátovým vedcom tiež znamená byť kreatívny. Po prvé, musíte mať otvorenú myseľ, aby ste zistili trendy v údajoch. Po druhé, musíte vytvoriť spojenia medzi údajmi, ktoré sa môžu zdať nesúvisiace s niekým, kto je zaujatý. To si vyžaduje veľa otvorenej mysle. Nakoniec musíte tieto údaje vysvetliť spôsobom, ktorý je jasný pre vedúcich pracovníkov vašej spoločnosti. To si často vyžaduje kreatívne analógie a vysvetlenia.
- Prispôsobivosť
- Poskytovanie technických informácií netechnickým ľuďom
- Kreativita
- zvedavosť
- Rozhodovanie
- Rozhodovacie stromy
- Vykonávanie v rýchlom prostredí
- Inovácia
- Logické myslenie
- Riešenie problémov
- Práca nezávisle
Komunikácia
Vedci údajov musia nielen analyzovať údaje, ale musia ich aj vysvetľovať ostatným. Musia byť schopní komunikovať údaje ľuďom s rôznymi zručnosťami, vysvetliť dôležitosť vzorov v údajoch a navrhnúť riešenia. To zahŕňa vysvetlenie zložitých technických problémov spôsobom, ktorý je ľahko pochopiteľný. Komunikácia údajov si často vyžaduje vizuálne, ústne a písomné komunikačné zručnosti.
- Asertivita
- Spolupráca
- Poradenstvo
- Kultivovanie vzťahov s internými a externými zainteresovanými stranami
- Zákaznícky servis
- Dokumentovanie
- Kreslenie konsenzu
- Uľahčenie stretnutí
- Vedenie
- Mentoring
- Prezentácia
- Projektový manažment
- Časové harmonogramy projektov
- Poskytovanie smerníc IT profesionálom
- Nahlasovanie
- Rozprávacie schopnosti
- Dozorné zručnosti
- Školenie
- Verbálna komunikácia
- Písomná komunikácia
Matematika
Zatiaľ čo mäkké zručnosti Rovnako ako analýza, kreativita a komunikácia sú dôležité, pre túto prácu sú rozhodujúce aj tvrdé zručnosti. Dátový vedec potrebuje silné matematické zručnosti, najmä v počte premenných a lineárnej algebre.
- Identifikačné algoritmy
- Vytváranie a udržiavanie algoritmov
- Súbory údajov získavania informácií
- Lineárna algebra
- Modely strojového učenia
- Techniky strojového učenia
- Multivariabilný počet
- Štatistiky
- Štatistické modely učenia
- Štatistické modelovanie
Programovanie a technické znalosti
Dátoví vedci vyžadujú základné počítačové zručnosti, ale obzvlášť dôležité sú programovacie zručnosti. Schopnosť kódovať je rozhodujúca pre takmer akúkoľvek pozíciu vedca údajov. Nevyhnutná je znalosť programovacích jazykov ako Java, R, Python, či SQL.
- AppEngine
- Amazon Web Services (AWS)
- AmCharts
- Apache Spark
- C++
- Počítačové zručnosti
- CouchDB
- js
- ECL
- Vzplanutie
- Google Visualization API
- Hadoop
- HBase
- Highcharts
- Java
- MATLAB
- Microsoft Excel
- balík Microsoft Office
- NoSQL
- Perl
- Python
- R
- Softvér na podávanie správ
- SaaS
- SAV
- Skriptovacie jazyky
- SQL
- Tabuľky a dotazy
- Tableau
- TensorFlow
Viac zručností pre vedcov údajov
- Ťažba údajov sociálnych médií
- Tabuľky a dotazy
- Projektový manažment
- Časové harmonogramy projektov
- Kultivovanie vzťahov s internými a externými zainteresovanými stranami
- Zákaznícky servis
- AppEngine
- Amazon Web Services (AWS)
- CouchDB
- js
- ECL
- Vzplanutie
- Google Visualization API
- Hadoop
- HBase
- R
- SAV
- Skriptovacie jazyky
- Mobilné zariadenia
- balík Microsoft Office
- SaaS
- Umelá inteligencia (AI)
- Apache Spark
- zvedavosť
- Business Intelligence
- Inovácia
Ako nechať vyniknúť svoje zručnosti
PRIDAJTE DO SVOJHO OBNOVU RELEVANTNÉ ZRUČNOSTI: Zahrňte svoje zručnosti do svojho životopisu – do úvodného súhrnu kvalifikácií, do sekcie histórie práce alebo do technickej tabuľky s popisom vašich hardvérových a softvérových zručností.
ZDÔRAZŇUJTE SCHOPNOSTI V PRÍPRAVNOM LISTE: V motivačnom liste by ste mali opísať aj svoje ovládanie najdôležitejších z týchto zručností.
POUŽÍVAJTE ZRUČNOSTNÉ SLOVÁ VO SVOJOM PRACOVNOM POHOVORE: V tvojom rozhovor, nezabudnite svoje odpovede vylepšiť príkladmi svojich schopností.
