Nel climax del film candidato all'Oscar Hidden Figures, il matematico Katherine Johnson è chiamato a verificare i calcoli per le coordinate di atterraggio della capsula spaziale di John Glenn, Friendship 7. La tecnologia ha appena sostituito i computer umani, le persone che calcolano i dati che hanno completato equazioni complesse prima dell'avvento del sistema informatico, ma i dati della macchina presentavano discrepanze che dovevano essere risolte da una persona.
Questa era la scienza dei dati nel 1961. Oggi le cose sono leggermente diverse. Complessi sistemi di raccolta dati consentono alle aziende di ogni settore di conoscere meglio le loro attività, i clienti e le prospettive future. Ma proprio come in Figure nascoste, le persone sono ancora necessarie per trovare importanti verità all'interno dei dati.
Ecco lo scoop su come utilizziamo la scienza dei dati ogni giorno e le competenze essenziali necessarie per avere successo come data scientist, ingegnere o analista.
La scienza dei dati è ovunque
Il potenziale per i data scientist molto al di là delle industrie finanziarie e tecnologiche è fiorente. "Vi è una crescente consapevolezza in tutti i settori che le competenze di data science sono diventate essenziali per competere e migliorare nel mercato di oggi", afferma Michael Galvin, direttore esecutivo di Data Science Corporate Training per Metis, una società di formazione di data science che lavora con privati e aziende .
Pensa ai biscotti. No, non quelli che immergi nel latte: i potenti strumenti di raccolta dati che aiutano analisti, scienziati e ingegneri dei dati a conoscere le abitudini del web dei consumatori e informano gli algoritmi intorno a quelli che "sapevano-sapevano-che-stavo solo pensando -di-quello ?! ”annunci che vengono mostrati su Facebook. Il loro obiettivo? Valutare gli interessi e il comportamento dei consumatori e utilizzare tali analisi per aiutare a prendere le decisioni aziendali chiave, per le aziende di tutti i settori.
"C'è una più ampia consapevolezza della scienza dei dati nel mainstream. Interessando tutto dagli acquisti di Amazon alle abbuffate di Netflix, la scienza dei dati sta toccando più persone che mai ”, afferma Galvin.
Come ti inserisci
Con la crescita nei campi della scienza dei dati, c'è stata una maggiore sovrapposizione tra i ruoli di scienziato di dati, analista di dati e modellatore.
Ma secondo il dott. Flavio Villanustre, vicepresidente della tecnologia e sistemi HPCC per LexisNexis Risk Solutions, la distinzione tra varie posizioni è in realtà piuttosto singolare e offre opportunità a coloro che hanno talento in aree specifiche.
"Gli analisti di dati sono tradizionalmente specializzati nelle tecniche di manipolazione dei dati, che richiedono una formazione in tutto, dai linguaggi di query ai modelli di dati grafici", afferma Villanustre. "Nel frattempo i modellisti analizzano i dati numerici per correlazioni e modelli".
Per quanto riguarda la scienza dei dati, Villanustre spiega che i candidati ideali dovrebbero mostrare un superset di questi due tipi di competenze combinate con la conoscenza del dominio e del business. "I data scientist di solito possiedono una conoscenza più profonda dell'analista di dati sulle tecniche di programmazione e una conoscenza più ampia rispetto ai modellisti statistici sulle metodologie analitiche dei dati che utilizzano tecniche più sofisticate."
Quando si applicano a queste posizioni, è importante notare quali attività un'azienda sta realmente cercando di svolgere.
"Il brusio della scienza dei dati ha portato molte aziende a assumere data scientist per svolgere il compito di un analista di dati, che finisce per pulire e preparare i dati e impiegare pochissimo tempo a fare scienza dei dati reali", spiega Nick Kramer, Senior Director of Data and Analytics presso SSA & Company, una società di consulenza gestionale specializzata nella trasformazione dell'analisi dei big data in operazioni per le aziende.
Nuovi strumenti stanno consentendo la creazione di modelli analitici da parte di persone con livelli di competenza inferiori, quindi competenze diversificate e correlate come la conoscenza del business e le capacità di comunicazione efficaci sono importanti per distinguere le persone in cerca di lavoro. Durante l'intervista, assicurati di porre domande per affinare esattamente ciò che un'azienda sta cercando, quindi mostra i tuoi punti di forza di conseguenza.
Il nostro ufficio
Cosa devi avere successo
Il vecchio adagio sul non vedere la foresta per gli alberi è una cosa importante da ricordare quando si lavora come data scientist, analista o ingegnere. Mentre l'accuratezza dei dati di base è importante, lo è anche riconoscere il quadro generale dei problemi che un'azienda spera di risolvere.
"C'è una tendenza tra i data scientist a complicare eccessivamente le cose e farsi risucchiare in un buco nero di dettagli", avverte Galvin. "Invece, dovrebbero pensare al problema aziendale che stanno cercando di risolvere, far funzionare qualcosa e quindi iterare."
Inoltre, è essenziale anche l'interesse per ciò che stai facendo, come è vero per qualsiasi lavoro.
“Le aziende lavorano con diversi tipi di dati (come immagini, testo e dati finanziari) su diversi problemi. Per avere successo, devi essere interessato e comprendere il tipo di dati con cui lavorerai ”, ha affermato Galvin. “Ad esempio, i data scientist che lavorano con immagini mediche non sono in genere medici stessi, ma il loro utente finale o cliente sarà un medico. Riesci a capire quali problemi stanno cercando di risolvere? Sei interessato a risolvere questi problemi? "
E poi c'è comunicazione. Si dice che data scientist, analisti e ingegneri parlino la propria lingua, ma per avere successo in un ambiente di lavoro, è necessario essere in grado di comunicare chiaramente con coloro che utilizzeranno e trarranno il massimo beneficio dalle tue capacità.
"La collaborazione con gli stakeholder aziendali è sempre più importante", ha affermato Kramer.
La scienza dei dati e le relative carriere hanno fatto molta strada dagli anni '60, quando la NASA aveva bisogno di computer umani per sfruttare e verificare il lavoro dei nuovi computer. Ma le menti brillanti interessate al modo in cui i dati possono modellare il modo in cui viviamo, lavoriamo e facciamo affari sono ancora essenziali come sempre: senza un esperto umano che interpreti sia gli input che i risultati, la scienza dei dati potrebbe essere selvaggiamente utilizzata in modo improprio o semplicemente confusa.
