Dalam klimaks dari film yang dinominasikan oleh Academy Angka Tersembunyi Angka, ahli matematika Katherine Johnson dipanggil untuk memverifikasi perhitungan untuk koordinat pendaratan kapsul ruang John Glenn, Persahabatan 7. Teknologi baru saja menggantikan komputer manusia, orang-orang yang menghitung data yang menyelesaikan persamaan kompleks sebelum munculnya sistem komputer, tetapi data dari mesin memiliki perbedaan yang perlu dipecahkan oleh seseorang.
Itu adalah ilmu data pada tahun 1961. Saat ini, segalanya sedikit berbeda. Sistem pengumpulan data yang kompleks memungkinkan perusahaan di setiap sektor untuk belajar lebih banyak tentang bisnis, klien, dan prospek masa depan mereka. Tetapi seperti halnya di Figur Tersembunyi, orang masih diperlukan untuk menemukan kebenaran penting dari dalam data.
Inilah petunjuk tentang bagaimana kami menggunakan ilmu data setiap hari dan keterampilan penting yang Anda butuhkan untuk menjadi ilmuwan, insinyur, atau analis data.
Ilmu Data Di Mana Saja
Potensi ilmuwan data jauh melampaui industri keuangan dan teknologi berkembang. "Ada kesadaran yang berkembang di semua sektor bahwa keterampilan ilmu data telah menjadi penting untuk bersaing dan meningkatkan di pasar saat ini, " kata Michael Galvin, direktur eksekutif Pelatihan Sains Data Perusahaan untuk Metis, sebuah perusahaan pelatihan keterampilan ilmu data yang bekerja dengan individu dan bisnis .
Pikirkan cookie. Tidak, bukan yang Anda celupkan ke dalam susu - alat pengumpulan data yang kuat yang membantu analis data, ilmuwan, dan insinyur mempelajari tentang kebiasaan web konsumen dan menginformasikan algoritme di sekitar "bagaimana mereka tahu saya hanya berpikir" -yaitu ?! ”iklan kami tunjukkan di Facebook. Tujuan mereka? Untuk menilai minat dan perilaku konsumen dan menggunakan analitik tersebut untuk membantu membuat keputusan bisnis utama - untuk perusahaan di semua sektor.
“Ada kesadaran yang lebih luas tentang ilmu data di arus utama. Mempengaruhi segalanya mulai dari pembelian Amazon hingga Netflix, sains data menyentuh lebih banyak orang daripada sebelumnya, ”kata Galvin.
Bagaimana Anda Cocok
Dengan pertumbuhan di bidang ilmu data, telah terjadi peningkatan tumpang tindih antara peran ilmuwan data, analis data, dan pemodel.
Tetapi menurut Dr. Flavio Villanustre, Wakil Presiden Teknologi dan Sistem HPCC untuk Solusi Risiko LexisNexis, perbedaan antara berbagai posisi sebenarnya cukup unik - dan menghadirkan peluang bagi mereka yang berbakat di bidang tertentu.
“Analis data secara tradisional berspesialisasi dalam teknik manipulasi data, yang membutuhkan pelatihan dalam segala hal mulai dari bahasa query hingga model data grafis, ” kata Villanustre. "Sementara itu pemodel menganalisis data numerik untuk korelasi dan pola."
Ketika datang ke ilmu data, Villanustre menjelaskan bahwa kandidat yang ideal harus menunjukkan superset dari dua jenis keterampilan ini ditambah dengan domain dan pengetahuan bisnis. "Ilmuwan data biasanya memiliki pengetahuan yang lebih dalam daripada analis data tentang teknik pemrograman dan pengetahuan yang lebih luas daripada pemodel statistik tentang metodologi analisis data menggunakan teknik yang lebih canggih."
Ketika melamar ke posisi-posisi ini, penting untuk mencatat tugas apa yang benar-benar ingin dilakukan oleh perusahaan.
"Dengung seputar sains data telah mengakibatkan banyak perusahaan mempekerjakan ilmuwan data untuk melakukan pekerjaan analis data, yang akhirnya membersihkan dan menyiapkan data dan menghabiskan sedikit waktu melakukan sains data aktual, " jelas Nick Kramer, Direktur Senior Data dan Analytics di SSA & Company, sebuah perusahaan konsultan manajemen yang berspesialisasi dalam mengubah analitik data besar menjadi operasi bagi perusahaan.
Alat-alat baru memungkinkan model analitik diciptakan oleh mereka yang memiliki tingkat keahlian lebih rendah, sehingga keterampilan yang beragam dan terkait seperti pengetahuan bisnis dan keterampilan komunikasi yang efektif adalah penting untuk membedakan pencari kerja. Saat mewawancarai, pastikan Anda mengajukan pertanyaan untuk mencari tahu persis apa yang dicari perusahaan - kemudian tunjukkan kekuatan Anda sesuai dengan itu.
Kantor kami
Apa yang Anda Butuhkan untuk Menjadi Sukses
Pepatah lama tentang tidak melihat hutan untuk pohon-pohon adalah hal penting untuk diingat ketika bekerja sebagai ilmuwan data, analis, atau insinyur. Sementara keakuratan data inti penting, demikian juga mengakui gambaran menyeluruh tentang masalah yang ingin dipecahkan perusahaan.
"Ada kecenderungan di antara para ilmuwan data untuk melakukan hal yang terlalu rumit dan terjebak ke dalam lubang hitam detail, " memperingatkan Galvin. "Sebagai gantinya, mereka harus memikirkan masalah bisnis yang mereka coba selesaikan, membuat sesuatu bekerja, dan kemudian beralih."
Selain itu, minat pada apa yang Anda lakukan - seperti halnya pekerjaan apa pun - juga penting.
“Perusahaan bekerja dengan berbagai jenis data (seperti gambar, teks, dan data keuangan) pada masalah yang berbeda. Anda harus tertarik dan memahami jenis data yang akan Anda tangani agar berhasil, ”kata Galvin. “Misalnya, para ilmuwan data yang bekerja dengan gambar medis biasanya bukan dokter sendiri, tetapi pengguna akhir atau klien mereka akan menjadi dokter. Bisakah Anda memahami masalah apa yang mereka coba selesaikan? Apakah Anda tertarik untuk menyelesaikan masalah itu? "
Lalu ada komunikasi. Dikatakan bahwa para ilmuwan, analis, dan insinyur data berbicara dalam bahasa mereka sendiri, tetapi untuk menjadi sukses di tempat kerja, Anda harus dapat berkomunikasi dengan jelas dengan mereka yang akan memanfaatkan dan mendapat manfaat paling banyak dari keterampilan Anda.
"Berkolaborasi dengan pemangku kepentingan bisnis semakin penting, " kata Kramer.
Ilmu data dan karir terkait telah datang jauh dari tahun 1960-an ketika NASA membutuhkan komputer manusia untuk memanfaatkan dan memverifikasi kerja mesin komputer baru. Tetapi pikiran-pikiran cemerlang yang tertarik pada bagaimana data dapat membentuk cara kita hidup, bekerja, dan melakukan bisnis masih sama pentingnya dengan sebelumnya - tanpa seorang ahli manusia untuk menafsirkan input dan hasilnya, ilmu data bisa disalahgunakan secara liar, atau hanya membingungkan.
