Hvordan jeg tjener $3,500 online hver måned med datavitenskap

Publisert av Platon

Følgere: 0

Hvordan jeg tjener $3,500 online hver måned med datavitenskap
Photo by Vlada Karpovich

Jeg begynte å lære meg datavitenskap i januar 2020. Da var det eneste målet mitt å få en heltidsjobb i feltet.

Men selv om dataforskere får svært godt betalt, tar det lang tid å klatre på bedriftsstigen og bygge formue med en jobb på 9–5.

På grunn av dette begynte jeg å se etter forskjellige måter å bruke mine datavitenskapelige ferdigheter utenfor bedriftsjobben min. Siden min heltidsrolle er fleksibel og lar meg jobbe eksternt, har jeg rundt 3 til 4 timer fritid hver dag som jeg bruker til å generere en sideinntekt.

Jeg har nå bygd opp flere inntektsstrømmer utenfor heltidsjobben min som gir meg omtrent $3,000-$3,500 hver måned.

Mange av disse inntektsstrømmene er passive, noe som betyr at jeg tjener uten å aktivt investere min tid og krefter i dem.

I denne artikkelen vil jeg vise deg hvordan jeg gjorde det. Hvis du er en dataforsker eller ønsker å bli det, kan du bruke noen av disse ideene til å tjene penger på ferdighetene dine.

Jeg tjener en betydelig del av inntekten min på å skrive på nett. Dette inkluderer å lage datavitenskapelige opplæringsprogrammer, tips og råd. Jeg begynte å blogge på Medium i mai 2020.

Etter å ha bygget et publikum på plattformen, har jeg blitt kontaktet av arbeidsgivere for å skrive frilansartikler for deres merkevarer. I løpet av de siste to årene har jeg laget en rekke blogginnlegg, opplæringsprogrammer, whitepapers og SEO-innhold for seks forskjellige selskaper.

takeaways:

a) Bare begynn å skrive

Du trenger ikke å være fagekspert for å begynne å dele det du vet. Faktisk, ifølge Rachel Thomas, medgründeren av Fast.AI, er du best posisjonert til å hjelpe noen ett skritt bak deg.

Dette betyr at hvis du nettopp har lært et konsept, er det fortsatt friskt i minnet. Du kan enkelt forenkle dette og forklare det til en annen nybegynner i feltet - og ville være i stand til å gjøre dette bedre enn en ekspert som har glemt hvordan det var å være nybegynner.

b) Markedsfør deg selv

For å vokse som innholdsskaper, må du markedsføre deg selv. Lag en overbevisende LinkedIn-profil og del artiklene dine på plattformen. Post regelmessig, bli med i datavitenskapsgrupper og ta kontakt med andre fagfolk på feltet.

Å øke kontaktene dine i dataverdenen vil øke bloggvisningene dine og forbedre sjansene dine for å få en betalt skrivejobb.

Da jeg lærte meg selv datavitenskap, tok jeg mange nettkurs på Udemy, Coursera og Datacamp. Jeg vil anbefale disse kursene til medarbeidere og jevnaldrende som ville ha mine råd om hvordan man kan bli en dataforsker.

Etter en stund skjønte jeg at jeg kunne få betalt for å dele læringsveien min med andre. Tilknyttet markedsføring lar utgivere dele kurs med andre ved hjelp av en tilknyttet lenke. Hvis noen kjøper programmet ved å bruke lenken deres, får utgiveren en liten provisjon.

takeaways:

Få betalt for ting du allerede gjør

Selv før jeg inkluderte tilknyttede lenker til innholdet mitt, ville jeg dele læringsmateriell i nesten alle blogginnlegg jeg skrev. Den eneste forskjellen er at jeg nå får betalt for å gjøre det. Faktisk, ifølge en meningsmåling fra Affise, tjener over 25% av tilknyttede selskaper mellom $81,000 200,000 til $XNUMX XNUMX per år.

Selv om jeg bare tjener en brøkdel av dette fra tilknyttet markedsføring (rundt $100-$200 i måneden hver gang jeg publiserer), er det en enorm inntektsdriver for mange bloggere og er definitivt noe du bør vurdere å legge til innholdet ditt.

Men husk å være etisk og bare promotere produkter du har konsumert og dratt nytte av. Du må også være transparent og tydelig opplyse om bruken av tilknyttede lenker til leserne.

Dette høres kanskje ut som en ukonvensjonell måte å tjene penger på som dataforsker, men hør meg.

Min første heltidsjobb innen datavitenskap var innen markedsanalyse. I denne rollen lærte jeg å bruke datavitenskapelige teknikker for å lage personlig tilpassede kundemålrettingsstrategier og drive markedsføringssuksess.

Jeg skrev en artikkel om bruk av datavitenskapelige teknikker innen markedsføring, som fanget oppmerksomheten til en arbeidsgiver som ønsket å ansette en frilanser med samme sett med ferdigheter som jeg hadde. Han kontaktet meg på LinkedIn, og jeg jobber nå med selskapet på kontraktsbasis.

takeaways:

a) Velg en nisje

Siden jeg har jobbet i feltet markedsanalyse en stund, er jeg kjent med noen av de største utfordringene i bransjen. Jeg vet også hvordan jeg bruker data for å løse dem.

Dette er min nisje. Det er vanskelig å finne noen med samme kombinasjon av ferdigheter som jeg har, noe som gjorde meg til en sterk kandidat for denne frilansjobben.

Hvis du er en aspirerende dataforsker, foreslår jeg at du velger et spesialiseringsområde når du starter opp. Dette kan være økonomi, markedsføring, helsetjenester, forsikring eller noe annet du liker å gjøre.

Verdien av dataforskere ligger i deres evne til å løse problemer. Hvis du kan gjøre dette i en spesifikk bransje, har du et konkurransefortrinn i forhold til andre dataforskere.

Jeg kan med sikkerhet si at jobben jeg fikk, ikke ville ha passet for noen uten domeneerfaring, selv om de hadde en mastergrad eller Ph.D. i datavitenskap.

b) Bygg en online tilstedeværelse

Jeg fikk denne rollen bare fordi arbeidsgiveren fant min Medium-profil mens jeg surfet gjennom plattformen. Jeg har jobbet med andre markedsføringsdataforskere, mange av dem er mer erfarne og kjenner feltet bedre enn meg.

Uansett fikk jeg jobben fordi arbeidsgiveren fant meg først – takket være blogginnleggene mine og tilstedeværelsen på sosiale medier.

Hvis du ikke har tid til å skrive artikler om arbeidet ditt, foreslår jeg at du i det minste lager et porteføljenettsted som inneholder et sammendrag av ferdighetene dine. Inkluder en lenke til nettstedet på LinkedIn og andre sosiale medieplattformer, slik at potensielle arbeidsgivere enkelt kan finne deg når de ansetter for ledige stillinger.

Hvis du ikke allerede har en, les denne veiledningen for tips om hvordan du oppretter et porteføljenettsted.

Jeg har gjennomført workshops om emner som datainnsamling og analyser for å lære ikke-tekniske studenter å jobbe med data. Dette innebar timer med forberedelser, siden jeg måtte sette meg inn i hvert konsept jeg underviste i og sørge for at jeg ikke gjorde noen feil.

Det beste med å bli instruktør var at undervisning styrket min forståelse av emnet og dramatisk forbedret min evne til å bryte ned komplekse konsepter til nybegynnere i feltet.

takeaways:

Lær det du kan

Jeg begynte å lære datavitenskap for rundt to til tre år siden og er knapt noen ekspert på området. Jeg har imidlertid lært mye i løpet av denne tiden og kan lære det til en gruppe mennesker som vil ha nytte av å lære ferdighetene mine.

For eksempel, som en som har jobbet innen datavitenskap og markedsføring, er jeg godt posisjonert for å lære ut datakompetanse til markedsførere. Jeg kan også lære datavitere om markedsanalyse slik at de kan få domenekunnskap og potensielt få en jobb i bransjen.

Selv om du er en aspirerende dataforsker som er i lærestadiet, kan du tjene en sideinntekt på å dele det du vet med andre. Ofte fungerer dette best når du kombinerer et unikt sett med ferdigheter som ikke mange har.

For eksempel kan det hende at et "Introduksjon til Python"-kurs ikke vekker studentenes interesse siden lignende programmer er rikelig på Internett. Imidlertid er et "Introduksjon til Python for Finance"-kurs mer spesialisert og vil sannsynligvis tiltrekke seg en gruppe seere som er interessert i å forutsi aksjemarkedet.

YouTube, Udemy, Pluralsight og Thinkific er noen plattformer du kan bruke til å bygge og dele nettkurs.

I tillegg har jeg jobbet med freelance datavitenskapelige oppgaver som datainnsamling, modellbygging og dashbordoppretting for klienter. Mens de fleste frilansere sverger til plattformer som Upwork og Fiverr, fikk jeg de fleste jobbmulighetene mine fra Medium, LinkedIn og nettstedet mitt.

Her er noen artikler som har gitt meg frilansjobber:

Kundesegmentering med Python: Jeg endte opp med å bygge en K-Means-klyngemodell for klienten og presenterte resultatene mine i et lysbildekort.
Slik samler du Twitter-data med Python: Jeg veiledet klienten til å samle Twitter-data ved hjelp av et Python API.
Et komplett dataanalyseprosjekt med Python: Jeg utførte en lignende konkurranseanalyse for kundens produkt.

takeaways:

Bygge prosjekter: Når en arbeidsgiver ønsker å ansette en frilanser, leter de ofte rundt på Internett for å finne folk som jobber med lignende prosjekter. Å bygge prosjekter og legge ut innlegg om dem ofte vil forbedre sjansene dine for å bli lagt merke til og få jobb.

Uansett hvor du er i datavitenskapsreisen din, kan du begynne å bygge flere strømmer av nettinntekter i dag.

Begynn med å skrive på nett og lære det du kan. Dette kan gjøres på publiseringsplattformer som Medium. Du kan til og med lage din egen bloggside ved å bruke webutviklingstjenester som Wix og WordPress.

Velg deretter et spesialiseringsområde innen datavitenskap. Jeg foreslår å få en heltidsjobb i feltet, siden dette vil gi deg bransjespesifikk erfaring som ikke kan læres andre steder.

Til slutt, bruk domeneerfaringen og datavitenskapelige ferdigheter til å forgrene seg til frilansing og kursoppretting. Du kan også tilby konsultasjonssesjoner og gjennomføre datavitenskapelige workshops i ditt område.