Классическое столкновение названий в Data Science. Стоит ли оно того?

Отказ от ответственности: это сообщение не о том, что означает каждое из модных названий в индустрии вакансий в области науки о данных. Я думаю, что поисковая система Google неплохо справляется с этим. Это личный опыт, с которым я сталкиваюсь в своей повседневной жизни, работая на стыке аналитики и инженерии.

Я получил степень инженера в области компьютерных наук, а затем получил степень MBA в области принятия решений. На протяжении своей карьеры я работал в технологических компаниях, и большинство моих ролей были связаны с такими бизнес-подразделениями, как продажи, корпоративная стратегия, исследования продуктов и рынка. Хотя мои основные обязанности всегда были напрямую связаны с бизнес-функцией, частью которой я был, были времена, когда у меня были возможности разрабатывать и руководить процессами и механизмами на основе данных, которые использовались внутренними заинтересованными сторонами и / или внешними клиентами. Обладая академическим образованием, страстью и большим интересом к математике, статистике и кодированию, я часто заканчивал тем, что работал над некоторыми из интересных проектов, которые в основном можно отнести к категории «Data Science». Я никогда особо не заботился о том, какие «функции данных» я выполнял. Скорее, я больше сосредоточился на решении текущих проблем, и мои инженерные навыки и навыки работы с данными пригодились для их решения.

Еще десять лет назад не существовало множества официальных, причудливых терминов (например, инженер данных, инженер бизнес-аналитики, специалист по машинному обучению и т. Д.), Связанных с должностями, которые должны были что-то делать с данными. Но в последнее время я часто попадаю в ловушку названий, когда мой коллега спрашивает меня, что именно я делаю с «данными», каково мое название и чем я отличаюсь от своих фанатичных коллег из команд Data Science.

Коллега X: «Вы инженер по бизнес-аналитике? Или аналитик данных? Как вы определяете свою роль? »

Я (не знаком с официальной отраслевой терминологией и множеством запутанных названий должностей): «Умм, возможно, бизнес-аналитика, потому что я использую аналитические навыки для решения реальных бизнес-проблем, таких как доля рынка, тенденции, сегментация рынка, моделирование спроса и предложения, продажи. прогноз, сценарное планирование и т. д. »

Коллега X: «О, значит, вы в некотором роде специалист по машинному обучению».

Ну, если честно, не знаю. Я больше забочусь о решении проблем моей команды, о том, чтобы мой менеджер по найму выглядел хорошо и, в процессе, зарабатывал немного денег. «Просто сделай это» - вот девиз.

Исходя из моего опыта работы в сфере высоких технологий,

Команды бизнес-аналитики помогают выявлять важные тенденции и закономерности, используя исторические данные из хранилища данных, не вдаваясь в подробности о причинах и прогнозируя будущее.

Функция Business Analytics использует отчеты бизнес-аналитики в качестве входных данных для более сложного извлечения информации, чтобы выяснить причину, обратиться к рабочим приложениям и повысить продуктивность бизнес-групп для удовлетворения потребностей клиентов.

Кроме того, специалист по машинному обучению выполняет преобразования структурированных и неструктурированных данных, использует статистику и кодирование для реализации алгоритмов, которые используют существующие данные для «обучения» с целью «прогнозирования» будущих результатов.

В целом, я думаю, что если вы работаете в сфере высоких технологий и в связи с растущим спросом на процессы, управляемые данными в большинстве бизнес-единиц, если вы заинтересованы в кодировании, понимаете готовность данных, преобразования и хотите изучать и применять алгоритмы, у вас будет высока вероятность работы на пересечении трех упомянутых выше общих областей науки о данных.

Forbes опубликовал статью Почему к 2029 году не будет названий должностей в области науки о данных, в которой объясняется, что компании нанимают людей на должности в области науки о данных, потому что они признают наличие новых тенденций (облачные вычисления, большие данные, искусственный интеллект, машинное обучение), и есть бизнес-проблемы, которые нужно решить. Наука о данных как степень никуда не денется, но название должности не изменится. Фактически, ключевыми навыками, которые имеют практическое значение и будут идти в ногу с ветром перемен, будут:

  • Навыки коммуникации
  • Прикладная экспертиза в предметной области
  • Создание дохода и ценности для бизнеса

Не привязывайте свою самооценку к названию. Лучше подумайте о решении текущих проблем и, что более важно, о том, какое влияние это может оказать на крупный бизнес. Получение новых навыков также будет хорошим результатом, который поможет вам подготовиться к будущей карьере. Все дело в том, чтобы оставаться актуальным в настоящее время.

Я нахожусь на своем пути, где я часто оказываюсь на карьерных должностях, которые соответствуют критериям, помогающим получить ответ: Data Science + _______ = Страстная карьера (источник). Применение науки о данных безгранично. Я всегда ищу возможности и проблемы, которые меня волнуют. Так у меня будет больше желания сделать проект успешным.

Вот мой любимый совет: потратьте время на изучение новых технических (жесткие навыки) и нетехнических навыков (soft skills), попробуйте соединить точки, исследуйте и узнайте о предметной области, которая вас больше всего интересует, поговорите с экспертами в предметной области (и Найдите наставника, если можете!), узнайте, в чем ваш бизнес / команда больше всего нуждается, и окажите влияние. Деньги и титул последуют.

Будьте любопытными, целеустремленными и страстными в поисках ответов.

Следуйте за мной, если вы хотите больше узнать о том, что значит делать карьеру в сфере бизнеса, данных и инженерии.