Μια βαθιά ματιά σε 13 ρόλους επιστημόνων δεδομένων και τις ευθύνες τους

 

Από όλους τους ρόλους στον κόσμο της τεχνολογίας, οι επιστήμονες δεδομένων έχουν πιθανώς την υψηλότερη ποικιλία σε τίτλους και ευθύνες εργασίας. Ένας επιστήμονας δεδομένων πρέπει να φοράει πολλά διαφορετικά καπέλα, και η καθημερινή εργασία του α επιστήμονας δεδομένων στο Amazon θα μπορούσε να φαίνεται σημαντικά διαφορετικό από αυτό του α επιστήμονας δεδομένων στη Microsoft. Από την εύρεση τομέων της επιχείρησης που θα μπορούσαν να επωφεληθούν από τη συλλογή, την ανάλυση και την κατανόηση δεδομένων μέχρι την απόφαση για τις στρατηγικές αποφάσεις που πρέπει να ληφθούν για τη βελτίωση της ικανοποίησης των πελατών ή τα ποσοστά ολοκλήρωσης αγορών, μια εταιρεία μπορεί να ζητήσει από πολλούς επιστήμονες δεδομένων.

Ένας επιστήμονας δεδομένων αναμένεται να έχει ειδικές στατιστικές, μηχανική μάθηση και συχνά οικονομικές δεξιότητες και γνώσεις. ΕΝΑ ο επιστήμονας δεδομένων πρέπει να έχει υψηλή εξειδίκευση στα μαθηματικά, τη στατιστική, τη μηχανική μάθηση, τις οπτικοποιήσεις, την επικοινωνία και την εφαρμογή αλγορίθμων. 

Επιπλέον, ένας επιστήμονας δεδομένων πρέπει να κατανοήσει διεξοδικά τις επιχειρηματικές εφαρμογές των δεδομένων του. Εάν αναλύετε δεδομένα ανάπτυξης δέντρων, θα πρέπει να κατανοήσετε τη διαφορά μεταξύ ύψος και ύψος μέχρι τη βάση της κορώνας. Αυτό το είδος γνώσεων σχετικά με τα συμφραζόμενα μπορεί να αναπτυχθεί στη δουλειά, αλλά μπορεί να είναι ένα μεγάλο πλεονέκτημα εάν έχετε ήδη εμπειρία εργασίας στον κλάδο, εάν θέλετε να γίνετε επιστήμονας δεδομένων. Εάν είστε τραπεζίτης για πέντε χρόνια, οι πιθανότητες σας να αποκτήσετε μια θέση επιστήμης δεδομένων στο fintech είναι πολύ καλύτερες από ό,τι στον τομέα της υγείας.

Τα ποικίλα καπέλα που φορά ένας επιστήμονας δεδομένων

 

 

Η επιστήμη των δεδομένων είναι ένας σχετικά νέος τομέας και μπορεί να είναι δύσκολο για άτομα που δεν είναι επιστήμονες δεδομένων να εξηγήσουν τι κάνουν οι επιστήμονες δεδομένων σε λαϊκούς. Αυτό οδηγεί στην ενίοτε κωμική ποικιλία ευθυνών και τίτλων που μπορούν να ισχύουν για έναν σύγχρονο επιστήμονα δεδομένων.

A επιστήμονας δεδομένων, ανάλογα με την εταιρεία και τη συγκεκριμένη εργασία, μπορεί να είναι υπεύθυνος για τη συλλογή δεδομένων και τον καθαρισμό. Θα μπορούσε επίσης να σας ζητηθεί να αναπτύξετε μοντέλα και αγωγούς μηχανικής εκμάθησης ή να υπηρετήσετε την εταιρεία σας ως γκουρού οπτικοποίησης. Ορισμένοι επιστήμονες δεδομένων είναι περισσότεροι εσωτερικά ενώ άλλα έχουν πολλά να κάνουν με εσωτερικές, μη τεχνικές ομάδες ή ακόμα και πελάτες. Εάν εργάζεστε με λιγότερο τεχνικούς ανθρώπους, θα πρέπει να έχετε αστρικές επικοινωνιακές δεξιότητες, τόσο για τη σύνταξη εκθέσεων για τη σύνοψη των αναλύσεών σας όσο και για την παρουσίαση των πορισμάτων σας και τη διατύπωση συστάσεων για μελλοντική δράση.

Η βασική ευθύνη για έναν επιστήμονα δεδομένων (ή όπως αποκαλεί η εταιρεία σας κάποιον που συλλέγει, αναλύει, οπτικοποιεί ή προβλέπει δεδομένα) είναι να πει στο ιστορία των δεδομένων. Από πού προήλθε, τι μπορούμε να μάθουμε από αυτό για το παρελθόν και πώς μπορεί να μας καθοδηγήσει στο μέλλον; Για να το κάνετε αυτό με επιτυχία, πρέπει να είστε ειδικός στον επιχειρηματικό τομέα ή να έχετε γνώσεις σχετικά με τα συμφραζόμενα για να εντάξετε τα κομμάτια του παζλ και να εξηγήσετε στους γύρω σας τη σημασία των δεδομένων και τις γνώσεις που έχετε αποκτήσει από αυτά. 

Οι ακριβείς ευθύνες στον τομέα της επιστήμης δεδομένων ποικίλλουν πολύ και υπάρχουν πολλοί διαφορετικοί ρόλοι στον τομέα της επιστήμης δεδομένων. Είτε θέλετε να μπείτε στον τομέα είτε θέλετε να αλλάξετε δουλειά, είναι πολύ σημαντικό να έχετε ανοιχτό μυαλό όσον αφορά τον τίτλο εργασίας και τον κλάδο. Θα σας δώσω μια ανάλυση των γενικών ευθυνών δεκατριών διαφορετικών ρόλων στον τομέα της επιστήμης δεδομένων. 

Οι εταιρείες γενικά δεν είναι καλές δίνοντας τίτλους σε ανθρώπους στην επιστήμη των δεδομένων, επομένως είναι σημαντικό να λάβετε αυτήν την ανάλυση ως εμπειρικό κανόνα και όχι ως ακριβή ορισμό. Εάν ένα από αυτά σας φαίνεται τέλειο, τότε μπορείτε να περιορίσετε την αναζήτησή σας σε αυτόν τον τίτλο, αλλά αν πολλά από αυτά ακούγονται καλά, τότε θα ήμουν πιο ευέλικτη με τον τίτλο που χρησιμοποιείτε κατά την αναζήτηση. (Και αν ο τίτλος έχει πραγματικά σημασία για εσάς, μπορείτε πάντα να κάνετε αυτό το μέρος της διαπραγμάτευσης όταν λάβετε την προσφορά εργασίας!)

Οποιαδήποτε σύγχρονη εταιρεία οποιουδήποτε σημαντικού μεγέθους σε όλο τον κόσμο διαθέτει τμήμα επιστήμης δεδομένων και ένας μηχανικός δεδομένων σε μια εταιρεία μπορεί να έχει τις ίδιες ευθύνες με έναν επιστήμονα μάρκετινγκ σε άλλη εταιρεία. Οι εργασίες της επιστήμης δεδομένων δεν έχουν καλή επισήμανση, επομένως φροντίστε να δημιουργήσετε ένα ευρύ δίχτυ.
 
 

Ανάλυση των ευθυνών του επιστήμονα δεδομένων ανά ρόλο

 

 

1 Αναλυτής δεδομένων

 
A αναλυτής δεδομένων εστιάζει περισσότερο στη συλλογή, τον καθαρισμό και τη συγκέντρωση δεδομένων. Πρέπει να μπορείτε να πλοηγείστε άνετα σε σύνθετα ερωτήματα SQL. Θα είστε υπεύθυνοι για το σχεδιασμό και την παράδοση αναφορών σε μη τεχνικά ενδιαφερόμενα μέρη. Θα έχετε επίσης την ευκαιρία να σχεδιάσετε μοντέλα δεδομένων, οπτικοποιήσεις και μοντέλα πρόβλεψης.

2. Διαχειριστής βάσης δεδομένων

 
Οι διαχειριστές βάσεων δεδομένων διαχειρίζονται παρουσίες βάσης δεδομένων, τόσο in-premise όσο και παρουσίες cloud. Σαν διαχειριστής βάσης δεδομένων, αναμένεται να δημιουργήσετε, να διαμορφώσετε και να διατηρήσετε περιβάλλοντα παραγωγής. Θα είστε επίσης υπεύθυνοι για την απόδοση, τη διαθεσιμότητα και την ασφάλεια των βάσεων δεδομένων που υπάγονται στην αρμοδιότητα σας. Ετοιμαστείτε να πρωτοστατήσετε στις λειτουργίες δεδομένων και παρέχετε κρίσιμη για την αποστολή υποστήριξη εφημερίας.

3. Data Modeler

 
Ένας μοντελιστής δεδομένων δημιουργεί εννοιολογικά, τεχνικά, λογικά και μερικές φορές φυσικά μοντέλα δεδομένων. Θα πρέπει να επιλέξετε και να διατηρήσετε αποφασιστικά πρότυπα μοντελοποίησης και σχεδίασης δεδομένων για να δημιουργήσετε ένα συνεκτικό όραμα για τα δεδομένα της εταιρείας σας.

Μοντελιστές δεδομένων πρέπει επίσης να αναπτύξει μοντέλα σχέσεων οντοτήτων και βάσεις δεδομένων σχεδιασμού. Ίσως χρειαστεί να βελτιώσετε τη συλλογή δεδομένων και την ανάλυση υποεκπροσωπούμενων κατηγοριών δεδομένων για την ομάδα ή την εταιρεία σας, προκειμένου να διασφαλίσετε ότι τα σύνολα δεδομένων σας είναι αντιπροσωπευτικά.

4. Μηχανικός λογισμικού

 
Μηχανικοί λογισμικού σχεδιασμό και συντήρηση συστήματα λογισμικού. Όταν είστε μηχανικός λογισμικού, ετοιμαστείτε να γράψετε επεκτάσιμο, αξιόπιστο και αποδοτικό κώδικα. Θα πρέπει να μεταφράσετε τις απαιτήσεις σχεδίασης σε καλά τεκμηριωμένο, καλά δοκιμασμένο κώδικα που ζωντανεύει τα οράματα των σχεδιαστών προϊόντων.

5. Μηχανικός Δεδομένων

 
Ο εντοπισμός και η επίλυση προκλήσεων ποιότητας δεδομένων θα είναι μια σημαντική εργασία για εσάς ως μηχανικό δεδομένων. Θα χρειαστεί επίσης να υποστηρίξετε την απορρόφηση πηγών δεδομένων σε λύσεις αποθήκευσης δεδομένων. Ένα συναρπαστικό μέρος του α εργασία μηχανικού δεδομένων έχει την ευκαιρία να αρχιτεκτονήσει και να σχεδιάσει λύσεις μηχανικής δεδομένων. Θα πρέπει επίσης να είστε έτοιμοι να δημιουργήσετε αγωγούς ETL για εξαγωγή, μετατροπή και φόρτωση δεδομένων σε αποθήκες δεδομένων για υποβολή αναφορών κατάντη. Οι μηχανικοί δεδομένων είναι επιπλέον υπεύθυνοι για την αναπαραγωγή, την εξαγωγή, τη φόρτωση, τον καθαρισμό και την επιμέλεια δεδομένων.

6. Αρχιτέκτονας Δεδομένων

 
Αρχιτέκτονες δεδομένων είναι κυρίως υπεύθυνοι για το σχεδιασμό και τη συντήρηση αγωγών δεδομένων. Ένα άλλο σημαντικό μέρος της δουλειάς ενός αρχιτέκτονα δεδομένων είναι η διαχείριση βάσεων δεδομένων. Ως αρχιτέκτονας δεδομένων, θα γράψετε αποτελεσματικά ερωτήματα και θα βελτιστοποιήσετε τα υπάρχοντα για να μεγιστοποιήσετε την επεκτασιμότητα και την αποδοτικότητα κόστους. Θα μετατρέψετε επίσης δεδομένα σε αναφορές, αυτοματισμούς και insights με δυνατότητα δράσης.

7. Στατιστικολόγος

 
Ένας στατιστικολόγος κατανοεί τις ανάγκες της επιχείρησης, αναπτύσσει υποθέσεις και κατασκευάζει στατιστικά ορθά πειράματα. Σαν στατιστικολόγος, θα επικυρώσετε τη στατιστική εγκυρότητα των πειραματικών σχεδίων άλλων επιχειρηματικών ομάδων. Θα πρέπει επίσης να καθοδηγήσετε και να εκπαιδεύσετε διευθυντές έργων ή μελετών για την ανάπτυξη στατιστικά εύλογων πειραμάτων και στρατηγικών ή μετρήσεων επικύρωσης.

Πέρα από τα πειράματα, ένας στατιστικολόγος αναπτύσσει και εκτελεί στρατηγικές αναλυτικής αναφοράς. Ίσως χρειαστεί να συμπεριφέρεστε σαν α στατιστική μαζορέτα γιατί μερικοί εταιρείες επιστήμης δεδομένων ζητούν από τους στατιστικολόγους τους να προωθούν ενεργά στατιστικές μεθόδους και να ανακαλύπτουν νέους επιχειρηματικούς τομείς που θα μπορούσαν να επωφεληθούν από στατιστικά ορθή ανάλυση.

8. Αναλυτής Business Intelligence

 
A αναλυτής επιχειρηματικής ευφυΐας είναι λίγο στην πιο ήπια πλευρά της επιστήμης δεδομένων. Ως αναλυτής επιχειρηματικής ευφυΐας, θα χρειαστεί να συλλέξετε επιχειρηματικές και λειτουργικές απαιτήσεις και να εργαστείτε για να ευθυγραμμίσετε τις τεχνικές λύσεις με τις επιχειρηματικές στρατηγικές. Θα εργαστείτε επίσης για τη δημιουργία ή την ανακάλυψη στρατηγικών προμήθειας και επεξεργασίας δεδομένων.

Θα είστε υπεύθυνοι για την εξαγωγή και τον χειρισμό μεγάλου όγκου δεδομένων για τη δημιουργία αναλυτικών αναφορών από αυτά. Οι αναλυτές επιχειρηματικής ευφυΐας επίσης αναφέρουν, παρουσιάζουν και κοινοποιούν αναλυτικά αποτελέσματα σε βασικά ενδιαφερόμενα μέρη.

9. Επιστήμονας Μάρκετινγκ

 
Επιστήμονες μάρκετινγκ παρουσιάζουν ιδέες και ευρήματα σε τρέχοντες και δυνητικούς πελάτες. Εφαρμόζουν επίσης στρατηγικές εξόρυξης δεδομένων και ανάλυσης σε δεδομένα, όπως δημογραφικά δεδομένα ή δεδομένα μάρκετινγκ. Σύμφωνα με Stone Alliance Group's περιγραφή ενός επιστήμονα μάρκετινγκ, πρέπει να «παρακολουθείτε και να αξιολογείτε τις προσπάθειες απόκτησης πελατών, τις τάσεις της αγοράς και τη συμπεριφορά των πελατών». Ένας επιστήμονας μάρκετινγκ είναι ένας επιστήμονας δεδομένων που εργάζεται ειδικά για τη διαφήμιση, το μάρκετινγκ ή τα δημογραφικά δεδομένα χρήστη/πελάτη.

10. Αναλυτής επιχειρήσεων

 
Ένας επιχειρησιακός αναλυτής "αναλύει τις ανάγκες των επιχειρήσεων και των χρηστών, τις απαιτήσεις τεκμηρίωσης και σχεδιάζει τις λειτουργικές προδιαγραφές για συστήματα και αναφορές", σύμφωνα με MaxisIT Inc απαιτήσεις. Εάν είστε α επιχειρηματικός αναλυτής ή θέλετε να γίνετε, πρέπει να κατανοήσετε τις απαιτήσεις των επιχειρήσεων και του κλάδου και να τις χρησιμοποιήσετε για να διαμορφώσετε το εύρος του συστήματος και τους τεχνικούς στόχους. Θα είστε επίσης υπεύθυνοι για τον καθορισμό της αλληλεπίδρασης δεδομένων μεταξύ διαφορετικών συστημάτων και βάσεων δεδομένων.

11. Ποσοτικός Αναλυτής

 
Ποσοτικοί αναλυτές αναπτύξτε πολύπλοκα μοντέλα χρησιμοποιώντας μεγάλα σύνολα δεδομένων για την τροφοδοσία εσωτερικών αναφορών και την παραγωγή επιχειρηματικών πληροφοριών. Συνεργάτες Ανάπτυξης Πόρων έχει τους ποσοτικούς αναλυτές τους «να αναπτύσσουν και να ηγούνται της υλοποίησης αναλυτικών σχεδίων, περιγράφοντας τη μεθοδολογία έρευνας, ερωτήσεις, δειγματοληψία και επαναλαμβανόμενα σχέδια». Οι ποσοτικοί αναλυτές αυτοματοποιούν επίσης τις ροές εργασίας και εργάζονται για την επικύρωση της ακεραιότητας των δεδομένων.

12. Επιστήμονας δεδομένων

 
Ως επιστήμονας δεδομένων, θα πρέπει να το κάνετε εκχύλισμα, συγκεντρώνει, καθαρίζει και μετατρέπει δεδομένα από πολλαπλές πηγές. Θα χρειαστεί να προσδιορίσετε σημαντικούς συναφείς παράγοντες για το πρόβλημα. Οι επιστήμονες δεδομένων αναλύουν δεδομένα για να παράγουν βασικές χρήσιμες πληροφορίες για την επιχείρηση για τη βελτίωση της απόδοσης. Ανάλογα με την εταιρεία, μπορεί να χρειαστεί να προβλέψετε τις τάσεις της αγοράς για να βοηθήσετε την εταιρεία να αναπτύξει στρατηγικά τα υποκαταστήματά της.

Η επιστήμη δεδομένων αφορά την εύρεση α εξισορρόπηση μεταξύ της βραχυπρόθεσμης αναλυτικής καθοδήγησης και της μακροπρόθεσμης πρόβλεψης και πειραμάτων. Πρέπει να επικοινωνήσετε τα σημαντικά πράγματα την κατάλληλη στιγμή, επομένως είναι σημαντικό να μπορείτε παρόν ευρήματα σε εύπεπτα μέσα – οπτικοποιήσεις δεδομένων και συναρπαστικές, στοχαστικές παρουσιάσεις.

Εσείς, ως επιστήμονας δεδομένων, θα προσφέρετε αξία και γνώσεις από τα δεδομένα σε μη τεχνικά ενδιαφερόμενα μέρη. Θα έχετε την ευκαιρία να βρείτε προληπτικά τομείς εντός της εταιρείας που θα μπορούσαν να ωφεληθούν από αποφάσεις που βασίζονται σε δεδομένα και να συνεργαστείτε με άλλες ομάδες για να το πετύχετε.

13. Μηχανικός μηχανικής μάθησης

 
Η δημιουργία μοντέλων μηχανικής μάθησης για παραγωγή είναι ο κύριος στόχος του α μηχανικός μηχανικής εκμάθησης. Σχεδιάζουν και υλοποιούν επεκτάσιμους, αξιόπιστους, αποδοτικούς αγωγούς και υπηρεσίες δεδομένων. Ανάλογα με την εταιρεία και τους τομείς εστίασής της, θα μπορούσατε να βελτιώσετε την εξατομίκευση των προϊόντων ή να προβλέψετε καλύτερα τις τάσεις της αγοράς στον κλάδο, εφαρμόζοντας μοντέλα μηχανικής εκμάθησης σε ιστορικά και ζωντανά δεδομένα.

Οι ρόλοι και οι ευθύνες των επιστημόνων δεδομένων διασχίζονται, αλλά οι διακρίσεις εξακολουθούν να έχουν σημασία

 
Υπάρχει πολλή διασταύρωση μεταξύ όλων αυτών των ρόλων. Ορισμένοι επικεντρώνονται περισσότερο στην καθαρή ανάλυση αριθμών, ενώ άλλοι εστιάζουν περισσότερο στην εφαρμογή των γνώσεων που παράγονται από την ανάλυση δεδομένων στις επιχειρηματικές αποφάσεις. Ανεξάρτητα από τον ακριβή τίτλο εργασίας σας, εάν είστε στον τομέα της επιστήμης δεδομένων, αναμένεται να συμμετάσχετε σε πολλά διαφορετικά στάδια στον κύκλο ανάπτυξης προϊόντων βάσει δεδομένων. Θα πρέπει να είστε έτοιμοι να ανακαλύψετε νέες περιοχές για βελτιστοποίηση, να υπολογίσετε τις μετρήσεις που έχουν σημασία, να βρείτε τα δεδομένα για να ενημερώσετε αυτές τις μετρήσεις, να σχεδιάσετε και να εκτελέσετε πειράματα και να παρουσιάσετε τα αποτελέσματα των πειραμάτων/μοντέλων με συνοπτικό, ακριβή και πειστικό τρόπο.

Ο τομέας της επιστήμης δεδομένων είναι νέος και χαλαρά καθορισμένος. Πολλές φορές, θα βρείτε περιγραφές θέσεων εργασίας κάτω από διαφορετικούς τίτλους εργασίας που ακούγονται εκπληκτικά παρόμοιοι στην ομπρέλα της επιστήμης δεδομένων. Οι εταιρείες συχνά συνειδητοποιούν ότι διαθέτουν δεδομένα ή ότι θα μπορούσαν να συλλέξουν δεδομένα και στη συνέχεια να τα χρησιμοποιήσουν για να βελτιώσουν το επιχειρηματικό τους μοντέλο. Ωστόσο, αυτές οι περιγραφές θέσεων εργασίας και ο τίτλος εργασίας που επιλέγουν να τους αναθέσουν συχνά γράφονται από μη τεχνικά άτομα, πράγμα που σημαίνει ότι υπάρχει μεγάλη επικάλυψη.

Ένας μηχανικός δεδομένων σε μια εταιρεία μπορεί να κάνει την ίδια δουλειά με έναν αναλυτή δεδομένων σε άλλη εταιρεία. Όλες αυτές οι θέσεις αφορούν τη συλλογή ή την επικύρωση δεδομένων, την εφαρμογή κάποιας μορφής ανάλυσης και, στη συνέχεια, την εξήγηση των αποτελεσμάτων σε μη τεχνικούς συναδέλφους, είτε μέσω αναφορών, προβλέψεων ή οπτικοποιήσεων.

Εάν μία από αυτές τις εργασίες σας φαίνεται τέλεια, τότε μπορείτε να περιορίσετε την αναζήτησή σας σε αυτόν τον τίτλο, αλλά αν αρκετές από αυτές ακούγονται καλά, τότε θα ήμουν πιο ευέλικτη με τον τίτλο που χρησιμοποιείτε κατά την αναζήτηση. Εάν ο τίτλος είναι κάτι που είναι πραγματικά σημαντικό για εσάς, μπορείτε πάντα να κάνετε αυτό το μέρος της διαπραγμάτευσης σας όταν λάβετε την προσφορά εργασίας. Μην αφήσετε αυτή τη λίστα ευθυνών να σας τρομάξει από μια δουλειά που ακούγεται ενδιαφέρουσα. Εάν θέλετε πραγματικά να γίνετε διαμορφωτής δεδομένων, αλλά δεν αισθάνεστε άνετα να οργανώσετε τις πληροφορίες γενεαλογίας, μπορείτε να δείτε θέσεις μοντελιστή δεδομένων σε διαφορετικές εταιρείες ή θέσεις αρχιτέκτονα δεδομένων.

Αφήστε αυτή την ανάλυση των δεκατριών πιο κοινών ρόλων της επιστήμης δεδομένων να αποτελέσει το εφαλτήριο της αναζήτησής σας για δουλειά στην επιστήμη δεδομένων.

 
 
Νέιτ Ροσίδη είναι επιστήμονας δεδομένων και στη στρατηγική προϊόντων. Είναι επίσης επίκουρος καθηγητής που διδάσκει αναλυτικά και είναι ο ιδρυτής του StrataScratch, μια πλατφόρμα που βοηθά τους επιστήμονες δεδομένων να προετοιμαστούν για τις συνεντεύξεις τους με πραγματικές ερωτήσεις συνεντεύξεων από κορυφαίες εταιρείες. Συνδεθείτε μαζί του Twitter: StrataScratch or LinkedIn.

Πηγή: https://www.kdnuggets.com/2022/01/deep-look-13-data-scientist-roles-responsibilities.html