I høydepunktet av Oscar-nominerte filmen Hidden Figures er matematiker Katherine Johnson kalt for å verifisere beregninger for landingskoordinatene til John Glenns romkapsel, Friendship 7. Technology har nettopp erstattet datamaskiner, de datakalkulerende menneskene som fullførte komplekse ligninger før datasystemets ankomst, men dataene fra maskinen hadde avvik som måtte løses av en person.
Det var datavitenskap i 1961. I disse dager er ting litt annerledes. Komplekse datainnsamlingssystemer gjør det mulig for selskaper i alle sektorer å lære mer om sine bedrifter, kunder og fremtidsutsikter. Men på samme måte som i skjulte figurer, er mennesker fortsatt nødvendig for å finne viktige sannheter innen dataene.
Her er oversikten over hvordan vi bruker datavitenskap hver dag og de essensielle ferdighetene du trenger for å være vellykket som dataforsker, ingeniør eller analytiker.
Datavitenskap er overalt
Potensialet for dataforskere langt utenfor finans- og teknologibransjer blomstrer. "Det er en økende erkjennelse i alle sektorer at ferdigheter i datavitenskap er blitt essensielle for å konkurrere og forbedre i dagens marked, " sier Michael Galvin, administrerende direktør i Data Science Corporate Training for Metis, et datavitenskapelig opplæringsfirma som jobber med enkeltpersoner og bedrifter .
Tenk på informasjonskapsler. Nei, ikke de du dypper i melk - de kraftige datainnsamlingsverktøyene som hjelper dataanalytikere, forskere og ingeniører å lære om forbrukerens nettvaner og informere algoritmene rundt de "hvordan de-vet-jeg-bare var-tenker -av det ?! ”-annonser vi blir vist på Facebook. Målet deres? For å vurdere forbrukernes interesser og atferd og bruke analysene til å ta viktige forretningsavgjørelser - for selskaper i alle sektorer.
”Det er en bredere bevissthet om datavitenskap i mainstream. Påvirker alt fra Amazon-kjøp til Netflix-binges, berører datavitenskap flere mennesker enn noen gang før, sier Galvin.
Hvordan du passer inn
Med veksten innen datavitenskapelige felt har det vært en økt overlapping mellom rollene som dataforsker, dataanalytiker og modellerer.
Men ifølge Dr. Flavio Villanustre, visepresident for teknologi og HPCC-systemer for LexisNexis Risk Solutions, er skillet mellom forskjellige stillinger faktisk ganske unikt - og gir muligheter for de begavede på spesifikke områder.
"Dataanalytikere har tradisjonelt spesialisert seg på datamanipuleringsteknikker, som krever opplæring i alt fra spørrespråk til grafiske datamodeller, " sier Villanustre. "Imens analyserer modellerere numeriske data for korrelasjoner og mønstre."
Når det gjelder datavitenskap, forklarer Villanustre at ideelle kandidater bør vise frem et supersett av disse to typene ferdigheter kombinert med domene- og forretningskunnskap. "Dataforskere besitter vanligvis dypere kunnskap enn dataanalytikeren om programmeringsteknikker og bredere kunnskap enn statistiske modellerere om dataanalytiske metoder ved bruk av mer sofistikerte teknikker."
Når du søker på disse stillingene, er det viktig å merke seg hvilke oppgaver et selskap virkelig ser ut til å ha utført.
"Surret rundt datavitenskap har ført til at mange selskaper ansetter dataforskere til å gjøre en dataanalytikerjobb, som ender opp med å rense og forberede data og bruke veldig lite tid på å gjøre faktisk datavitenskap, " forklarer Nick Kramer, Senior Director of Data and Analytics at SSA & Company, et ledelseskonsulentfirma som spesialiserer seg på å transformere big data analytics til operasjoner for selskaper.
Nye verktøy gjør det mulig å lage analysemodeller av de med lavere kompetansenivå, så diversifiserte, relaterte ferdigheter som forretningskunnskap og effektiv kommunikasjonsevne er viktig for å skille arbeidssøkere. Sørg for å stille spørsmål når du intervjuer, nøyaktig hva et selskap søker - og vis frem styrkene dine deretter.
Vårt kontor
Det du trenger for å lykkes
Det gamle ordtaket om å ikke se skogen for trærne er en viktig ting å huske på når du jobbet som dataforsker, analytiker eller ingeniør. Mens nøyaktigheten av kjernedata er viktig, er det også å erkjenne det overordnede bildet av problemene et selskap håper å løse.
"Det er en tendens blant dataforskere å overkomplisere ting og bli sugd inn i et svart hull med detaljer, " advarer Galvin. "I stedet bør de tenke på forretningsproblemet de prøver å løse, få noe til å fungere og deretter iterere."
Dessuten er interessen for det du gjør - som det gjelder enhver jobb - også viktig.
- Bedrifter jobber med forskjellige typer data (som bilder, tekst og økonomiske data) med forskjellige problemer. Du må være interessert i og forstå hva slags data du jobber med for å lykkes, sier Galvin. ”For eksempel er dataforskere som jobber med medisinske bilder, ikke vanligvis leger selv, men deres sluttbruker eller klient vil være lege. Kan du forstå hvilke problemer de prøver å løse? Er du interessert i å løse disse problemene? ”
Og så er det kommunikasjon. Det sies at dataforskere, analytikere og ingeniører snakker sitt eget språk, men for å lykkes på en arbeidsplass, må du være i stand til å kommunisere tydelig med de som vil utnytte og dra mest nytte av ferdighetene dine.
"Samarbeid med interessenter i virksomheten er stadig viktigere, " sa Kramer.
Datavitenskap og tilhørende karrierer har kommet langt fra 1960-tallet da NASA trengte menneskelige datamaskiner for å utnytte og verifisere arbeidet til nye datamaskiner. Men strålende sinn som er interessert i hvordan data kan forme hvordan vi lever, jobber og driver virksomhet, er fremdeles like viktige som alltid - uten en menneskelig ekspert til å tolke både innspillene og resultatene, kan datavitenskap misbrukes vilt eller bare forvirrende.
