En el clímax de la pel·lícula Hidden Figures, nominada a l'Acadèmia, la matemàtica Katherine Johnson està cridada a verificar els càlculs de les coordenades de destinació de la càpsula espacial de John Glenn, Friendship 7. Technology acaba de substituir els ordinadors humans, les persones que calculen dades que completaven equacions complexes. abans de l'arribada del sistema informàtic, però les dades de la màquina tenien discrepàncies que havia de resoldre una persona.
Això era la ciència de dades el 1961. Actualment, les coses són una mica diferents. Els complexos sistemes de recollida de dades permeten a les empreses de tots els sectors obtenir més informació sobre els seus negocis, clients i perspectives de futur. Però, de la mateixa manera que a les figures ocultes, encara es necessita gent per trobar veritats importants dins de les dades.
A continuació, detallem com utilitzem la ciència de dades cada dia i quines són les habilitats essencials per tenir èxit com a científic, enginyer o analista de dades.
La ciència de dades està a tot arreu
El potencial dels científics de dades molt més enllà de les indústries financeres i tecnològiques és floridor. "Hi ha una creixent constància a tots els sectors que les habilitats en ciències de dades s'han convertit en fonamentals per competir i millorar en el mercat actual", afirma Michael Galvin, director executiu de Data Science Corporate Training de Metis, una empresa de formació en habilitats en ciències de dades que treballa amb particulars i empreses. .
Penseu en les cookies. No, no els que submergiu la llet: les potents eines de recollida de dades que ajuden els analistes, científics i enginyers de dades a conèixer els hàbits web del consumidor i informar els algoritmes al voltant d’aquests “com ho sabien? anuncis que es mostren a Facebook. El seu objectiu? Avaluar els interessos i el comportament dels consumidors i utilitzar aquestes analítiques per ajudar a prendre decisions empresarials clau: per a empreses de tots els sectors.
“Hi ha una consciència més àmplia de la ciència de dades en el corrent principal. Afecta tot, des de les compres d’Amazon fins a les binges de Netflix, la ciència de dades toca més persones que mai ”, afirma Galvin.
Com encaixes
Amb el creixement dels camps de la ciència de dades, hi ha hagut una superposició més gran entre els rols del científic, de l’analista de dades i del modelador.
Però, segons el doctor Flavio Villanustre, vicepresident de Tecnologia i Sistemes HPCC per a solucions de risc LexisNexis, la distinció entre diverses posicions és realment única i presenta oportunitats per als dotats en àrees específiques.
"Els analistes de dades tradicionalment s'especialitzen en tècniques de manipulació de dades, que requereixen formació en tot, des de llenguatges de consulta fins a models gràfics de dades", afirma Villanustre. "Mentrestant, els modelistes analitzen dades numèriques per a correlacions i patrons."
Quan es tracta de ciències de dades, Villanustre explica que els candidats ideals haurien de mostrar un repertori d’aquests dos tipus d’habilitats combinades amb coneixements de domini i negocis. "Els científics de dades solen tenir coneixement més profund que l'analista de dades sobre tècniques de programació i coneixements més amplis que els modelistes estadístics sobre metodologies analítiques de dades mitjançant tècniques més sofisticades."
En aplicar aquestes posicions, és important tenir en compte quines tasques realment realitza una empresa.
"El repic de la ciència de dades ha donat com a resultat que moltes empreses contracten científics de dades per fer una tasca d'analista de dades, que acaba netejant i preparant dades i passant molt poc temps fent ciències de dades reals", explica Nick Kramer, director principal de dades i Analytics a SSA & Company, empresa de consultoria en gestió especialitzada en transformar analítica de dades en operacions per a empreses.
Les noves eines permeten crear models d’analítica per a aquells amb nivells d’expertesa inferiors, per la qual cosa són importants les habilitats relacionades amb diversificació, com ara el coneixement empresarial i les habilitats de comunicació efectives, per diferenciar els sol·licitants d’ocupació. Quan es faci una entrevista, assegureu-vos de fer preguntes per conèixer exactament el que busca una empresa. A continuació, mostreu els vostres punts forts en conseqüència.
La nostra oficina
El que necessita per tenir èxit
El vell adag de no veure el bosc pels arbres és una cosa important a recordar quan es treballa com a científic, analista o enginyer de dades. Si bé la precisió de les dades bàsiques és important, també ho és reconèixer la imatge general dels problemes que una empresa espera resoldre.
"Hi ha una tendència entre els científics de dades a complicar les coses i deixar-vos xuclar per un forat negre de detalls", adverteix Galvin. "En lloc d'això, haurien de pensar en el problema empresarial que intenten solucionar, fer que funcioni alguna cosa i, a continuació, iterar".
A més, també és imprescindible l’interès per allò que feu –com passa en qualsevol feina–.
“Les empreses treballen amb diferents tipus de dades (com imatges, text i dades financeres) sobre diferents problemes. Per tal de tenir èxit, us ha d’interessar i comprendre el tipus de dades amb què treballareu ”, va dir Galvin. "Per exemple, els científics de dades que treballen amb imatges mèdiques no solen ser ells mateixos metges, sinó que l'usuari final o client serà un metge. Pots entendre quins problemes intenten solucionar? T’interessa resoldre aquests problemes? ”
I després hi ha comunicació. Es diu que científics, analistes i enginyers de dades parlen el seu propi llenguatge, però per tenir èxit en un lloc de treball, heu de poder comunicar-vos clarament amb aquells que utilitzaran i es beneficiaran més de les vostres habilitats.
"Col·laborar amb els agents empresarials és cada cop més important", va dir Kramer.
La ciència de dades i les seves carreres relacionades han recorregut un llarg camí des de la dècada de 1960, quan la NASA necessitava que els ordinadors humans poguessin aprofitar i verificar el treball de les noves màquines informàtiques. Però les ments brillants interessades en com les dades poden donar forma a com vivim, treballem i fem negocis encara són essencials com sempre, sense que un expert humà interpreti tant els inputs com els resultats, la ciència de dades podria ser mal utilitzada o simplement confusa.
