डेटा वैज्ञानिक

ब्रेनस्टेशन का डेटा साइंटिस्ट करियर गाइड आपको डेटा साइंस में एक आकर्षक करियर की दिशा में पहला कदम उठाने में मदद कर सकता है। डेटा विज्ञान क्षेत्र के अवलोकन के साथ-साथ डेटा वैज्ञानिक की नौकरी की भूमिका के लिए पढ़ें।

डेटा साइंटिस्ट बनें

हमारे बूटकैंप और पाठ्यक्रम किस प्रकार डेटा वैज्ञानिक बनने में आपकी मदद कर सकते हैं, इस बारे में अधिक जानने के लिए किसी शिक्षण सलाहकार से बात करें।



सबमिट पर क्लिक करके, आप हमारी स्वीकार करते हैं शर्तें .



प्रस्तुत

सबमिट नहीं किया जा सका! पृष्ठ रीफ़्रेश करें और पुन: प्रयास करें?

हमारे डेटा साइंस बूटकैंप के बारे में अधिक जानें

शुक्रिया!

हम जल्दी ही संपर्क में होंगे।



डेटा साइंस बूटकैंप पेज देखें

डेटा साइंटिस्ट क्या है?

डेटा वैज्ञानिक कंपनियों और अन्य संगठनों के लिए कार्रवाई योग्य डेटा-संचालित व्यावसायिक समाधान और योजनाएं बनाने के लिए बड़े डेटा के बड़े सेट - संरचित और असंरचित डेटा को इकट्ठा, व्यवस्थित और विश्लेषण करते हैं। गणित, कंप्यूटर विज्ञान और व्यवसाय के लिए एक समझ को मिलाकर, डेटा वैज्ञानिकों को बड़े डेटा को संसाधित करने और विश्लेषण करने के लिए तकनीकी कौशल और उस डेटा में छिपी कार्रवाई योग्य अंतर्दृष्टि का पता लगाने के लिए व्यावसायिक कौशल दोनों की आवश्यकता होती है।

डेटा साइंस बनाम डेटा माइनिंग

डेटा साइंस और डेटा माइनिंग के बीच कुछ अंतर हैं। आओ हम इसे नज़दीक से देखें:

डेटा साइंस

  • एक व्यापक क्षेत्र है जिसमें मशीन लर्निंग, आर्टिफिशियल इंटेलिजेंस, प्रेडिक्टिव कारण एनालिटिक्स और प्रिस्क्रिप्टिव एनालिटिक्स शामिल हैं
  • संरचित और असंरचित डेटा दोनों सहित सभी प्रकार के डेटा से संबंधित है
  • डेटा-केंद्रित उत्पाद बनाने और डेटा-संचालित निर्णय लेने का लक्ष्य
  • डेटा और पैटर्न के वैज्ञानिक अध्ययन पर ध्यान केंद्रित करता है

डेटा माइनिंग

  • डेटा विज्ञान का एक सबसेट है जिसमें डेटा की सफाई, सांख्यिकीय विश्लेषण और पैटर्न पहचान शामिल है, और कभी-कभी डेटा विज़ुअलाइज़ेशन, मशीन लर्निंग और डेटा परिवर्तन शामिल है
  • मुख्य रूप से संरचित डेटा से संबंधित है, असंरचित डेटा से नहीं
  • विभिन्न स्रोतों से डेटा लेने और इसे प्रयोग करने योग्य बनाने का लक्ष्य
  • व्यापार प्रथाओं पर ध्यान केंद्रित

एक डेटा वैज्ञानिक क्या करता है?

एक डेटा साइंटिस्ट बड़े डेटा सेट का विश्लेषण उन पैटर्न और रुझानों का पता लगाने के लिए करता है जो कार्रवाई योग्य व्यावसायिक अंतर्दृष्टि की ओर ले जाते हैं और संगठनों को जटिल समस्याओं को हल करने या राजस्व और विकास के अवसरों की पहचान करने में मदद करते हैं। एक डेटा वैज्ञानिक लगभग हर क्षेत्र में काम कर सकता है और उसे संरचित और असंरचित डेटा सेट को संभालने में माहिर होना चाहिए। यह एक बहु-विषयक कार्य है और डेटा वैज्ञानिक बनने के लिए, आपको अपना कार्य प्रभावी ढंग से करने के लिए गणित, कंप्यूटर विज्ञान, व्यवसाय और संचार की समझ होनी चाहिए।



हालांकि डेटा वैज्ञानिक के विशिष्ट कार्य कर्तव्य और जिम्मेदारियां उद्योग, स्थिति और संगठन के आधार पर बहुत भिन्न होंगी, अधिकांश डेटा वैज्ञानिक भूमिकाओं में जिम्मेदारी के निम्नलिखित क्षेत्र शामिल होंगे:

शोध करना

एक डेटा वैज्ञानिक को एक उद्योग और एक व्यक्तिगत कंपनी दोनों के लिए विशिष्ट अवसरों और दर्द बिंदुओं को समझने की आवश्यकता होती है।

डेटा तैयार करना

इससे पहले कि कोई मूल्यवान अंतर्दृष्टि मिल सके, एक डेटा वैज्ञानिक को यह परिभाषित करना चाहिए कि विभिन्न स्रोतों से संरचित और असंरचित डेटा एकत्र करने, निकालने, साफ करने और लागू करने से पहले कौन से डेटा सेट उपयोगी और प्रासंगिक हैं।



मॉडल और एल्गोरिदम बनाना

मशीन लर्निंग और आर्टिफिशियल इंटेलिजेंस सिद्धांतों का उपयोग करते हुए, एक डेटा साइंटिस्ट को ऑटोमेशन के टूल्स को लागू करने के लिए आवश्यक एल्गोरिदम बनाने और लागू करने में सक्षम होना चाहिए।

डेटा विश्लेषण

डेटा वैज्ञानिक के लिए यह महत्वपूर्ण है कि वह पैटर्न, प्रवृत्तियों और अवसरों की पहचान करने के लिए अपने डेटा का त्वरित विश्लेषण करने में सक्षम हो।

विज़ुअलाइज़ेशन और संचार

एक डेटा वैज्ञानिक को डेटा के माध्यम से खोजी गई कहानियों को सौंदर्य की दृष्टि से आकर्षक डैशबोर्ड और विज़ुअलाइज़ेशन बनाने और व्यवस्थित करने में सक्षम होना चाहिए, जबकि हितधारकों और टीम के अन्य सदस्यों को यह समझाने के लिए संचार कौशल भी होना चाहिए कि डेटा में निष्कर्ष कार्रवाई के लायक हैं।

सबसे हालिया ब्रेनस्टेशन के डिजिटल कौशल सर्वेक्षण में पाया गया कि डेटा पेशेवरों ने अपना अधिकांश समय डेटा तक पहुंचने और सफाई पर बिताया। उत्तरदाताओं ने यह भी निष्कर्ष निकाला कि उनके कार्य का उद्देश्य अक्सर किसी मौजूदा प्लेटफ़ॉर्म, उत्पाद, या सिस्टम (45 प्रतिशत) का अनुकूलन, या नए लोगों का विकास (42 प्रतिशत) होता है।

डेटा विज्ञान के प्रकार

डेटा साइंस के व्यापक क्षेत्र में कई अलग-अलग विषय शामिल हैं, जिनमें शामिल हैं:

डेटा इंजीनियरिंग

पूरे संगठन में डेटा के साथ-साथ डेटा के प्रवाह का समर्थन करने वाले बुनियादी ढांचे का डिजाइन, निर्माण, अनुकूलन, रखरखाव और प्रबंधन करना।

डेटा तैयारी

डेटा की सफाई और परिवर्तन।

डेटा माइनिंग

एक बड़े डेटा सेट से प्रयोग करने योग्य डेटा निकालना (और कभी-कभी सफाई करना और बदलना)।

भविष्यिक विश्लेषण

डेटा विश्लेषण के आधार पर भविष्य के विभिन्न संभावित परिणामों की संभावना का विश्लेषण करने के लिए डेटा, एल्गोरिदम और मशीन लर्निंग तकनीकों का उपयोग करना।

यंत्र अधिगम

डेटा से सीखने के लिए डेटा विश्लेषण प्रक्रिया में विश्लेषणात्मक मॉडल निर्माण को स्वचालित करना, पैटर्न की खोज करना और अधिक मानवीय हस्तक्षेप के बिना निर्णय लेने के लिए सिस्टम को सशक्त बनाना।

डेटा विज़ुअलाइज़ेशन

डेटा में पाई गई अंतर्दृष्टि को सुलभ तरीके से चित्रित करने के लिए दृश्य तत्वों (ग्राफ़, मानचित्र और चार्ट सहित) का उपयोग करना ताकि ऑडियंस डेटा में पाए जाने वाले रुझानों, आउटलेयर और पैटर्न को समझ सकें।

डेटा विज्ञान के लाभ

दुनिया के सभी हिस्सों में सभी उद्योगों में कंपनियां डेटा विज्ञान पर अधिक से अधिक पैसा, समय और ध्यान दे रही हैं और अपनी टीम में डेटा वैज्ञानिक को जोड़ना चाहती हैं। अनुसंधान से पता चलता है कि जो कंपनियां वास्तव में डेटा-संचालित निर्णय लेने को अपनाती हैं, वे प्रतिस्पर्धा की तुलना में अधिक उत्पादक, लाभदायक और कुशल हैं।

डेटा विज्ञान ग्राहकों और ग्राहक व्यवहार और जरूरतों, कर्मचारी और उत्पाद प्रदर्शन, और संभावित भविष्य के मुद्दों की स्पष्ट तस्वीर बनाने में मदद करते हुए संगठनों को सही समस्याओं और अवसरों की पहचान करने में मदद करने के लिए महत्वपूर्ण है।

डेटा साइंस कंपनियों की मदद कर सकता है:

  • बेहतर निर्णय लें
  • ग्राहकों और ग्राहकों के बारे में अधिक जानें
  • रुझानों को भुनाएं
  • भविष्य की आशा करें

डेटा साइंस किसी कंपनी के लिए मूल्य कैसे सुधार सकता है?

डेटा साइंस व्यवसायों के लिए इतना तेजी से लोकप्रिय निवेश है क्योंकि बड़े डेटा के मूल्य को अनलॉक करने पर संभावित आरओआई बहुत बड़ा है। डेटा विज्ञान एक योग्य निवेश है क्योंकि:

    यह अनुमान को हटा देता है और कार्रवाई योग्य अंतर्दृष्टि प्रदान करता है।कंपनियां डेटा और मात्रात्मक साक्ष्य द्वारा संचालित बेहतर निर्णय लेती हैं।कंपनियां बाजार में अपनी जगह को बेहतर ढंग से समझती हैं।डेटा साइंस कंपनियों को प्रतिस्पर्धा का विश्लेषण करने, ऐतिहासिक उदाहरणों का पता लगाने और संख्या-आधारित सिफारिशें करने में मदद करेगा।शीर्ष प्रतिभाओं की पहचान करने के लिए इसका लाभ उठाया जा सकता है।बड़े डेटा में छिपे रहना उत्पादकता, कर्मचारी दक्षता और समग्र प्रदर्शन के बारे में बहुत सारी अंतर्दृष्टि है। डेटा का उपयोग प्रतिभा को भर्ती और प्रशिक्षित करने के लिए भी किया जा सकता है।आपको अपने लक्षित दर्शकों, ग्राहक या उपभोक्ता के बारे में सब कुछ पता चल जाएगा।हर कोई अब डेटा उत्पन्न कर रहा है और एकत्र कर रहा है, और जो कंपनियां डेटा विज्ञान में ठीक से निवेश नहीं करती हैं, वे बस इतना अधिक डेटा एकत्र करती हैं कि उन्हें पता है कि क्या करना है। पिछले या संभावित ग्राहकों या ग्राहकों के व्यवहार, प्राथमिकताओं और प्राथमिकताओं में अंतर्दृष्टि अमूल्य है, और वे बस एक योग्य डेटा वैज्ञानिक की खोज की प्रतीक्षा कर रहे हैं।

डेटा वैज्ञानिकों के लिए वेतन

जबकि डेटा वैज्ञानिकों के लिए वेतन क्षेत्र और उद्योग द्वारा बहुत भिन्न होता है, यू.एस. में डेटा वैज्ञानिक के लिए औसत वेतन स्रोत के आधार पर $ 96, 000 से $ 113,000 तक कहीं भी होने की सूचना दी जाती है। एक वरिष्ठ डेटा वैज्ञानिक औसतन लगभग 130,000 डॉलर ला सकता है।

डेटा वैज्ञानिकों की मांग

लगभग सभी उद्योगों में डेटा वैज्ञानिक उच्च मांग और कम आपूर्ति में हैं। डेलॉइट एक्सेस इकोनॉमिक्स की एक रिपोर्ट में पाया गया कि 76 प्रतिशत व्यवसायों ने डेटा विश्लेषणात्मक क्षमताओं पर अगले वर्षों में खर्च बढ़ाने की योजना बनाई, जबकि आईबीएम ने दशक की शुरुआत में डेटा विज्ञान की मांग में 28 प्रतिशत की वृद्धि की भविष्यवाणी की।

यूएस ब्यूरो ऑफ लेबर स्टैटिस्टिक्स ने अगले 10 वर्षों में डेटा साइंस में 31 प्रतिशत की वृद्धि का अनुमान लगाया है। इस बीच, एक मार्केट्स एंड मार्केट्स रिपोर्ट में पाया गया कि बड़े डेटा के लिए वैश्विक बाजार 2025 तक 229.4 बिलियन डॉलर तक बढ़ने का अनुमान है, जिसमें डेटा साइंस प्लेटफॉर्म 2024 तक 30 प्रतिशत बढ़ रहा है।

ऐसा लगता है कि दुनिया में हर जगह, डेटा विज्ञान में निवेश बढ़ने की उम्मीद है और इसके साथ ही, डेटा वैज्ञानिकों की मांग भी।

डेटा वैज्ञानिक किन उपकरणों का उपयोग करते हैं?

डेटा वैज्ञानिक डेटा विश्लेषण, डेटा की सफाई और विज़ुअलाइज़ेशन बनाने सहित गतिविधियों के लिए विभिन्न प्रकार के विभिन्न उपकरणों और कार्यक्रमों का उपयोग करते हैं।

ब्रेनस्टेशन डिजिटल स्किल्स सर्वे में सर्वेक्षण किए गए डेटा वैज्ञानिकों के लिए पायथन शीर्ष प्रोग्रामिंग भाषा है। एक सामान्य प्रयोजन की प्रोग्रामिंग भाषा, पायथन राष्ट्रीय भाषा प्रसंस्करण अनुप्रयोगों और डेटा विश्लेषण के लिए उपयोगी है। R का उपयोग अक्सर डेटा विश्लेषण और डेटा माइनिंग के लिए भी किया जाता है। भारी संख्या-क्रंचिंग के लिए, हाइव जैसे हडूप-आधारित टूल लोकप्रिय हैं। मशीन लर्निंग के लिए, डेटा वैज्ञानिक h2o.ai, TensorFlow, Apache Mahout और Accord.Net सहित कई तरह के टूल में से चुन सकते हैं। विज़ुअलाइज़ेशन टूल भी डेटा साइंटिस्ट के शस्त्रागार का एक महत्वपूर्ण हिस्सा हैं। झांकी, पॉवरबीआई, बोकेह, प्लॉटली और इंफोग्राम जैसे कार्यक्रम डेटा वैज्ञानिकों को आकर्षक डायग्राम, हीट मैप, ग्राफिक्स, स्कैटर प्लॉट और बहुत कुछ बनाने में मदद करते हैं।

डेटा वैज्ञानिकों को भी SQL (MySQL, Microsoft SQL, और Oracle सहित कई प्लेटफार्मों में उपयोग किया जाता है) और स्प्रेडशीट प्रोग्राम (आमतौर पर एक्सेल) दोनों के साथ बेहद सहज होना चाहिए।

डेटा वैज्ञानिकों को क्या कौशल चाहिए?

ऐसे कई कौशल हैं जो सभी इच्छुक डेटा वैज्ञानिकों को विकसित करना चाहिए, जिनमें शामिल हैं:

    एक्सेल।ब्रेनस्टेशन डिजिटल स्किल्स सर्वे में सर्वेक्षण किए गए 66 प्रतिशत डेटा पेशेवरों के लिए सबसे अधिक उपयोग किया जाने वाला टूल, एक्सेल डेटा वैज्ञानिकों के लिए अभी भी महत्वपूर्ण है।एसक्यूएल।यह क्वेरी करने वाली भाषा डेटाबेस प्रबंधन में अपरिहार्य है और इसका उपयोग लगभग आधे डेटा उत्तरदाताओं द्वारा किया जाता है।सांख्यिकीय प्रोग्रामिंग।डेटा वैज्ञानिक आमतौर पर परीक्षण चलाने, मॉडल बनाने और बड़े डेटा सेट का विश्लेषण करने के लिए पायथन और आर का उपयोग करते हैं।डेटा विज़ुअलाइज़ेशन।झांकी, प्लॉटली, बोकेह, पॉवरब्ल और मैटप्लोटलिब जैसे उपकरण डेटा वैज्ञानिकों को अपने निष्कर्षों के सम्मोहक और सुलभ दृश्य प्रतिनिधित्व बनाने में मदद करते हैं।

डेटा वैज्ञानिक कैरियर पथ

अपेक्षाकृत नए पेशे के रूप में, डेटा वैज्ञानिक कैरियर पथ पत्थर में नहीं लिखे गए हैं, और बहुत से लोग कंप्यूटर विज्ञान, आईटी, गणित और व्यवसाय में पृष्ठभूमि से डेटा विज्ञान के लिए अपना रास्ता खोजते हैं। लेकिन डेटा साइंटिस्ट के करियर पथ के लिए चार मुख्य अक्ष आम तौर पर डेटा, इंजीनियरिंग, व्यवसाय और उत्पाद हैं। डेटा विज्ञान में कई बहु-विषयक भूमिकाओं के लिए उन कई या सभी क्षेत्रों में महारत की आवश्यकता होती है।

डेटा साइंस में काम करने वाले लोग तकनीकी परिवर्तनों में सबसे आगे हैं जो भविष्य को सबसे ज्यादा प्रभावित करेंगे। क्योंकि डेटा विज्ञान लगभग हर दूसरे क्षेत्र में प्रगति में योगदान कर सकता है, डेटा वैज्ञानिक वित्त और वाणिज्य से लेकर बीमांकिक सांख्यिकी, हरित ऊर्जा, महामारी विज्ञान, चिकित्सा और फार्मास्यूटिकल्स, दूरसंचार तक हर चीज में आगे अनुसंधान करने की स्थिति में हैं - सूची वस्तुतः अंतहीन है। प्रत्येक उद्योग अपने अलग-अलग प्रकार के डेटा में ट्रैफ़िक करता है, विभिन्न लक्ष्यों तक पहुँचने के लिए इसका अलग-अलग तरीकों से लाभ उठाता है। जहां कहीं भी ऐसा होता है, डेटा वैज्ञानिक बेहतर निर्णय लेने में मार्गदर्शन कर सकते हैं, चाहे वह उत्पाद विकास, बाजार विश्लेषण, ग्राहक संबंध प्रबंधन, मानव संसाधन, या पूरी तरह से कुछ और हो।

न केवल डेटा विज्ञान के लिए आवेदन व्यापक हैं, कई अलग-अलग क्षेत्रों को छू रहे हैं, बल्कि विभिन्न प्रकार के डेटा विज्ञान भी हैं। इन सभी गतिविधियों में जो समानता है वह यह है कि ये सभी डेटा को ज्ञान में बदलने का प्रयास करते हैं। अधिक सटीक रूप से, डेटा वैज्ञानिक ऐसे पैटर्न की पहचान करने के लिए कच्चे डेटा को व्यवस्थित और विश्लेषण करने के लिए एक व्यवस्थित दृष्टिकोण का उपयोग करते हैं जिससे उपयोगी जानकारी की पहचान या अनुमान लगाया जा सकता है।

उनके प्रभाव के दायरे को देखते हुए, इसमें कोई आश्चर्य की बात नहीं है कि डेटा वैज्ञानिक अत्यधिक प्रभावशाली - और अत्यधिक मांग वाले पदों पर काबिज हैं। जबकि डेटा साइंटिस्ट बनने की राह की मांग हो सकती है, अब इच्छुक डेटा वैज्ञानिकों के लिए पहले से कहीं अधिक संसाधन हैं, और उनके लिए उस तरह का करियर बनाने के अधिक अवसर हैं जो वे चाहते हैं।

लेकिन सभी तरीकों के लिए डेटा वैज्ञानिक विभिन्न उद्योगों में योगदान कर सकते हैं, और डेटा वैज्ञानिक जिन विभिन्न करियर पथों का अनुसरण कर सकते हैं, वे जिस प्रकार के काम करते हैं, उन्हें कुछ मुख्य श्रेणियों में विभाजित किया जा सकता है। सभी डेटा विज्ञान इन समूहों में अच्छी तरह से फिट नहीं होते हैं, विशेष रूप से कंप्यूटर विज्ञान में सबसे आगे, जहां नई जमीन लगातार टूट रही है - लेकिन वे आपको कुछ विचार देंगे कि डेटा वैज्ञानिक डेटा को अंतर्दृष्टि में कैसे बदलते हैं।

आंकड़े

डेटा विज्ञान के केंद्र में, सांख्यिकी गणित का क्षेत्र है जो डेटा सेट की विभिन्न विशेषताओं का वर्णन करता है, चाहे वह संख्याएं, शब्द, चित्र, या किसी अन्य प्रकार की मापनीय जानकारी हो। अधिकांश आँकड़े केवल यह पहचानने और वर्णन करने पर केंद्रित हैं कि वहाँ क्या है - विशेष रूप से बहुत बड़े डेटा सेट के साथ, केवल यह जानना कि जानकारी क्या करती है और क्या शामिल नहीं है, यह अपने आप में एक कार्य है। डेटा विज्ञान के क्षेत्र में, इसे अक्सर वर्णनात्मक विश्लेषण कहा जाता है। लेकिन आंकड़े और भी आगे बढ़ सकते हैं, यह देखने के लिए परीक्षण किया जा सकता है कि डेटा में क्या है, इसके बारे में आपकी धारणाएं सही हैं, या, यदि यह सही है, तो यह महत्वपूर्ण है या उपयोगी है। इसमें न केवल डेटा की जांच करना शामिल है, बल्कि इसकी मुख्य विशेषताओं को निकालने के लिए इसमें हेरफेर भी करना शामिल है। ऐसा करने के कई अलग-अलग तरीके हैं - रेखीय प्रतिगमन, लॉजिस्टिक प्रतिगमन और विभेदक विश्लेषण, नमूने के विभिन्न तरीके, और इसी तरह - लेकिन अंततः, इनमें से प्रत्येक तकनीक डेटा के एक सेट की विशेषताओं को समझने के बारे में है, और ये विशेषताएं कितनी सटीक हैं वे जिस दुनिया से मेल खाते हैं, उसके बारे में कुछ सार्थक सच्चाई को दर्शाते हैं।

डेटा विश्लेषण

जबकि यह आंकड़ों की नींव पर बनाया गया है, डेटा विश्लेषण थोड़ा आगे जाता है, कार्य-कारण को समझने, विज़ुअलाइज़ेशन और दूसरों को निष्कर्षों को संप्रेषित करने के संदर्भ में। यदि आँकड़े यह परिभाषित करने के लिए निर्धारित होते हैं कि डेटा सेट क्या और कब है, तो डेटा विश्लेषण क्यों और कैसे की पहचान करने का प्रयास करता है। डेटा विश्लेषक डेटा को साफ करके, उसका सारांश करके, उसे रूपांतरित करके, उसे मॉडलिंग करके और उसका परीक्षण करके ऐसा करते हैं। जैसा कि ऊपर उल्लेख किया गया है, यह विश्लेषण केवल संख्याओं तक ही सीमित नहीं है। जबकि अधिक डेटा विश्लेषण संख्यात्मक डेटा का उपयोग करता है, अन्य प्रकार के डेटा पर भी विश्लेषण करना संभव है - लिखित ग्राहक प्रतिक्रिया, उदाहरण के लिए, या सोशल मीडिया पोस्ट, या यहां तक ​​​​कि छवियां, ऑडियो और वीडियो।

डेटा विश्लेषकों के मुख्य लक्ष्यों में से एक कार्य-कारण को समझना है, जिसका उपयोग तब अनुप्रयोगों की एक विस्तृत श्रृंखला में रुझानों को समझने और भविष्यवाणी करने के लिए किया जा सकता है। नैदानिक ​​विश्लेषण में, डेटा विश्लेषक उन सहसंबंधों की तलाश करते हैं जो एक कारण और प्रभाव का सुझाव देते हैं, जो अंतर्दृष्टि का उपयोग परिणामों को संशोधित करने में मदद के लिए किया जा सकता है। भविष्य कहनेवाला विश्लेषण समान रूप से पैटर्न की तलाश करता है, लेकिन फिर उन्हें आगे बढ़ाता है, उनके प्रक्षेपवक्र को ज्ञात डेटा से परे एक्सट्रपलेशन करने में मदद करता है ताकि यह अनुमान लगाने में मदद मिल सके कि भविष्य की घटनाओं सहित - बिना मापी गई या काल्पनिक घटनाएं - कैसे खेल सकती हैं। कार्रवाई के सबसे उपयुक्त पाठ्यक्रम की पहचान करने के लिए मॉडलिंग और विभिन्न विकल्पों के परिणामों की भविष्यवाणी करके विशिष्ट निर्णयों पर मार्गदर्शन प्रदान करने के लिए डेटा विश्लेषण के सबसे उन्नत रूप निर्धारित किए गए हैं।

आर्टिफिशियल इंटेलिजेंस और मशीन लर्निंग

डेटा विज्ञान में वर्तमान में हो रही महान प्रगति में से एक - और एक जो भविष्य में बहुत अधिक प्रभाव डालने की ओर अग्रसर है - कृत्रिम बुद्धिमत्ता है, और अधिक विशेष रूप से, मशीन लर्निंग। संक्षेप में, मशीन लर्निंग में कंप्यूटर को उन कार्यों को करने के लिए प्रशिक्षण देना शामिल है जिन्हें हम आमतौर पर किसी प्रकार की बुद्धिमत्ता या निर्णय की आवश्यकता के रूप में सोचते हैं, जैसे कि किसी फ़ोटो में वस्तुओं की पहचान करने में सक्षम होना। यह आमतौर पर उस प्रकार के दृढ़ संकल्प के प्रचुर उदाहरण प्रदान करके प्राप्त किया जाता है जिसे आप नेटवर्क को बनाने के लिए प्रशिक्षण दे रहे हैं। जैसा कि आप कल्पना करते हैं, इसके लिए डेटा (आमतौर पर संरचित) डेटा और उस डेटा को समझने के लिए कंप्यूटर प्राप्त करने की क्षमता दोनों की आवश्यकता होती है। मजबूत सांख्यिकी कौशल और प्रोग्रामिंग कौशल बहुत जरूरी हैं।

मशीन लर्निंग के लाभकारी प्रभाव वस्तुतः असीमित हैं, लेकिन सबसे पहले और सबसे महत्वपूर्ण है किसी भी इंसान की तुलना में जटिल या लंबे समय तक काम करने की क्षमता, जैसे कि लाखों छवियों के भंडार के भीतर से एक विशिष्ट फिंगरप्रिंट की पहचान करना, या क्रॉस-रेफरेंसिंग हजारों मेडिकल फाइलों में दर्जनों चर ऐसे संघों की पहचान करने के लिए जो बीमारी के कारणों का सुराग दे सकते हैं। पर्याप्त डेटा के साथ, मशीन लर्निंग विशेषज्ञ मूल छवियों का निर्माण करने के लिए तंत्रिका नेटवर्क को प्रशिक्षित कर सकते हैं, लिखित पाठ के विशाल निकायों से सार्थक अंतर्दृष्टि निकाल सकते हैं, भविष्य के खर्च के रुझान या अन्य बाजार की घटनाओं के बारे में भविष्यवाणी कर सकते हैं, और संसाधनों को आवंटित कर सकते हैं जो अत्यधिक जटिल वितरण पर निर्भर करते हैं, जैसे ऊर्जा , अधिकतम दक्षता के साथ। स्वचालन के अन्य रूपों के विपरीत, इन कार्यों को करने के लिए मशीन लर्निंग का उपयोग करने का लाभ यह है कि एक अनुपयोगी ए.आई. सिस्टम स्वचालित रूप से समय के साथ सीख सकता है और सुधार सकता है - यहां तक ​​कि नई प्रोग्रामिंग के बिना भी।

व्यापारिक सूचना

जैसा कि आपने बाजार की घटनाओं के पहले के संदर्भ से अनुमान लगाया होगा, व्यापार और वित्त की दुनिया उन जगहों में से एक है जहां मशीन लर्निंग ने अपने शुरुआती और सबसे गहन प्रभावों में से एक बना दिया है। उपलब्ध संख्यात्मक डेटा की भारी मात्रा के लिए धन्यवाद - विपणन डेटाबेस, सर्वेक्षण, बैंकिंग जानकारी, बिक्री के आंकड़े, और इसी तरह, जिनमें से अधिकांश अत्यधिक संगठित और काम करने के लिए अपेक्षाकृत आसान है - डेटा वैज्ञानिक आंकड़ों, डेटा विश्लेषण और का उपयोग करने में सक्षम हैं। व्यापार जगत के असंख्य पहलुओं के बारे में अंतर्दृष्टि निकालने के लिए मशीन लर्निंग, निर्णय लेने और परिणामों का अनुकूलन करने के लिए मार्गदर्शन करना, इस बिंदु तक कि व्यावसायिक खुफिया अपने आप में डेटा विज्ञान का क्षेत्र बन गया है।

अक्सर, व्यवसाय इंटेलिजेंस डेवलपर्स केवल यह देखने के लिए उपलब्ध होने वाले डेटा को नहीं देख रहे हैं कि वे क्या खोज सकते हैं; वे विशिष्ट प्रश्नों के उत्तर देने और विशिष्ट लक्ष्यों तक पहुँचने के लिए डेटा संग्रह और विकासशील तकनीकों और उत्पादों का सक्रिय रूप से अनुसरण कर रहे हैं। उस अर्थ में, बिजनेस इंटेलिजेंस डेवलपर्स और विश्लेषक व्यापार और वित्त की दुनिया में रणनीतिक विकास के लिए महत्वपूर्ण हैं - नेतृत्व को बेहतर निर्णय लेने और उन्हें तेजी से बनाने में मदद करते हैं, व्यापार के अवसरों और चुनौतियों की पहचान करने के लिए बाज़ार को समझते हैं, और समग्र दक्षता में सुधार करते हैं। एक व्यवसाय के सिस्टम और संचालन, सभी एक प्रतिस्पर्धात्मक लाभ प्राप्त करने और लाभ बढ़ाने के व्यापक लक्ष्य के साथ।

डेटा इंजीनियरिंग

अध्ययन का अंतिम प्रमुख क्षेत्र जिसमें डेटा वैज्ञानिक अक्सर काम करते हैं, उनमें विभिन्न नौकरी शीर्षकों की एक पूरी श्रृंखला शामिल होती है - डेटा इंजीनियर, सिस्टम आर्किटेक्ट, एप्लिकेशन आर्किटेक्ट, डेटा आर्किटेक्ट, एंटरप्राइज आर्किटेक्ट, या इंफ्रास्ट्रक्चर आर्किटेक्ट, बस कुछ ही नाम रखने के लिए। इनमें से प्रत्येक भूमिका की जिम्मेदारियों का अपना सेट होता है, कुछ विकासशील सॉफ़्टवेयर, अन्य आईटी सिस्टम डिजाइन करते हैं, और फिर भी अन्य कंपनी की आंतरिक संरचना और प्रक्रियाओं को उस तकनीक के साथ संरेखित करते हैं जिसका उपयोग वह अपनी व्यावसायिक रणनीतियों को आगे बढ़ाने के लिए करता है। उन सभी को जो जोड़ता है वह यह है कि इस क्षेत्र में काम कर रहे डेटा वैज्ञानिक डेटा और सूचना प्रौद्योगिकी को एक विशिष्ट कार्य के साथ सिस्टम बनाने या सुधारने के लिए लागू कर रहे हैं।

एक एप्लिकेशन आर्किटेक्ट, उदाहरण के लिए, यह देखता है कि कैसे एक व्यवसाय या अन्य उद्यम विशिष्ट तकनीकी समाधानों का उपयोग करता है, फिर बेहतर प्रदर्शन के लिए एप्लिकेशन (सॉफ्टवेयर या आईटी इन्फ्रास्ट्रक्चर सहित) को डिजाइन और विकसित करता है। एक डेटा आर्किटेक्ट इसी तरह अनुप्रयोगों को विकसित करता है - इस मामले में, डेटा भंडारण, प्रशासन और विश्लेषण के लिए समाधान। एक इन्फ्रास्ट्रक्चर आर्किटेक्ट एक कंपनी द्वारा दैनिक व्यवसाय करने के लिए उपयोग किए जाने वाले व्यापक समाधान विकसित कर सकता है ताकि यह सुनिश्चित किया जा सके कि वे समाधान कंपनी की सिस्टम आवश्यकताओं को पूरा करते हैं, चाहे वह ऑफ़लाइन हो या क्लाउड में। डेटा इंजीनियर, अपने हिस्से के लिए, डेटा प्रोसेसिंग पर ध्यान केंद्रित करते हैं, डेटा पाइपलाइनों की कल्पना और कार्यान्वयन करते हैं जो किसी संगठन के डेटा को एकत्रित, व्यवस्थित, स्टोर, पुनर्प्राप्त और संसाधित करते हैं। दूसरे शब्दों में, डेटा विज्ञान की इस व्यापक श्रेणी की परिभाषित विशेषता यह है कि इसमें चीजों को डिजाइन और निर्माण करना शामिल है: सिस्टम, संरचनाएं और प्रक्रियाएं जिसके द्वारा डेटा विज्ञान किया जाता है।

सर्वाधिक मांग वाले डेटा विज्ञान नौकरियां क्या हैं?

सामान्य रूप से डेटा विज्ञान एक अत्यधिक मांग वाला कौशल है, इसलिए हर क्षेत्र और क्षेत्र की विशेषता में बहुत सारे अवसर मिलते हैं। वास्तव में, 2019 में, लिंक्डइन ने डेटा साइंटिस्ट को वर्ष की सबसे आशाजनक नौकरी के रूप में सूचीबद्ध किया, और क्वांटहब ने आने वाले वर्ष में योग्य डेटा वैज्ञानिकों की भारी कमी की भविष्यवाणी की।

यहाँ मुख्य शब्द योग्य है। अक्सर, एक डेटा वैज्ञानिक को जिन तकनीकी आवश्यकताओं को पूरा करना चाहिए, वे इतनी विशिष्ट होती हैं कि उद्योग में काम करने के लिए कुछ वर्षों का अनुभव आवश्यक दक्षताओं का निर्माण करने में लग सकता है, एक सामान्यवादी के रूप में शुरुआत करते हुए, फिर धीरे-धीरे अधिक से अधिक योग्यता और क्षमताओं को जोड़ते हुए उनका कौशल सेट।

ये कुछ सबसे सामान्य तरीके हैं जो डेटा वैज्ञानिक ऐसा कर सकते हैं - जितने संभावित करियर पथ हैं उतने ही डेटा वैज्ञानिक हैं, लेकिन हर मामले में, कैरियर की उन्नति समय के साथ नए कौशल और अनुभव प्राप्त करने पर निर्भर करती है।

डेटा विश्लेषक

जैसा कि नाम से पता चलता है, डेटा विश्लेषक डेटा का विश्लेषण करते हैं - लेकिन वह संक्षिप्त शीर्षक केवल उस छोटे से हिस्से को कैप्चर करता है जो डेटा विश्लेषक वास्तव में प्राप्त कर सकते हैं। एक बात के लिए, डेटा शायद ही कभी उपयोग में आसान रूप में शुरू होता है, और यह आमतौर पर डेटा विश्लेषक होते हैं जो आवश्यक डेटा की पहचान करने, उसे इकट्ठा करने और इकट्ठा करने और फिर उसे साफ करने और व्यवस्थित करने के लिए जिम्मेदार होते हैं - इसे और अधिक में परिवर्तित करना उपयोग करने योग्य प्रपत्र, यह निर्धारित करना कि डेटा सेट में वास्तव में क्या है, दूषित डेटा को हटाना और इसकी सटीकता का मूल्यांकन करना। फिर विश्लेषण ही है - डेटा की जांच और मॉडल करने के लिए विभिन्न तकनीकों का उपयोग करना, पैटर्न की तलाश करना, उन पैटर्न से अर्थ निकालना, और उन्हें एक्सट्रपलेशन या मॉडल करना। अंत में, डेटा विश्लेषक एक डैशबोर्ड या डेटाबेस में डेटा प्रस्तुत करके दूसरों के लिए अपनी अंतर्दृष्टि उपलब्ध कराते हैं, जो अन्य लोग एक्सेस कर सकते हैं, और प्रस्तुतियों, लिखित दस्तावेज़ों और चार्ट, ग्राफ़ और अन्य विज़ुअलाइज़ेशन के माध्यम से अपने निष्कर्षों को दूसरों तक पहुंचा सकते हैं।

डेटा विश्लेषक कैरियर पथ

डेटा विश्लेषक डेटा विज्ञान की दुनिया में एक उत्कृष्ट प्रवेश बिंदु है; यह आवश्यक विशेषज्ञता के स्तर के आधार पर प्रवेश स्तर की स्थिति हो सकती है। नए डेटा विश्लेषक आमतौर पर स्कूल से सीधे क्षेत्र में प्रवेश करते हैं - सांख्यिकी, गणित, कंप्यूटर विज्ञान, या इसी तरह की डिग्री के साथ - या व्यापार, अर्थशास्त्र, या यहां तक ​​​​कि सामाजिक विज्ञान जैसे संबंधित क्षेत्र से डेटा विश्लेषण में संक्रमण, आमतौर पर उनके उन्नयन के द्वारा डेटा विश्लेषण बूटकैंप या इसी तरह के प्रमाणन कार्यक्रम के माध्यम से कौशल मध्य-कैरियर।

लेकिन चाहे वे हाल ही में स्नातक हों या करियर के मध्य में बदलाव करने वाले अनुभवी पेशेवर हों, नए डेटा वैज्ञानिक आमतौर पर आर या एसक्यूएल जैसी भाषा के साथ डेटा प्राप्त करने और उसमें हेरफेर करने, डेटाबेस बनाने, बुनियादी विश्लेषण करने और जनरेट करने जैसे नियमित कार्यों को शुरू करते हैं। झांकी जैसे कार्यक्रमों का उपयोग करके दृश्यावलोकन। प्रत्येक डेटा विश्लेषक को यह जानने की आवश्यकता नहीं होगी कि इन सभी चीजों को कैसे करना है - एक जूनियर स्थिति में भी विशेषज्ञता हो सकती है - लेकिन यदि आप अपने करियर में प्रगति की उम्मीद करते हैं तो आपको इन सभी कार्यों को करने में सक्षम होना चाहिए। इस शुरुआती चरण में लचीलापन एक बड़ी संपत्ति है।

डेटा विश्लेषक के रूप में आप कैसे आगे बढ़ते हैं, यह कुछ हद तक उस उद्योग पर निर्भर करता है जिसमें आप काम कर रहे हैं - उदाहरण के लिए, मार्केटिंग, या वित्त। आप जिस क्षेत्र और काम के प्रकार के आधार पर काम कर रहे हैं, उसके आधार पर आप पायथन या आर में प्रोग्रामिंग में विशेषज्ञता का चयन कर सकते हैं, डेटा सफाई में एक समर्थक बन सकते हैं, या केवल जटिल सांख्यिकीय मॉडल बनाने या सुंदर दृश्य उत्पन्न करने पर ध्यान केंद्रित कर सकते हैं; दूसरी ओर, जब आप वरिष्ठ डेटा विश्लेषक का पद ग्रहण करते हैं, तो आप सब कुछ थोड़ा-बहुत सीखना चुन सकते हैं, जिससे आपको नेतृत्व की स्थिति लेने के लिए तैयार किया जा सकता है। व्यापक और गहरे पर्याप्त अनुभव के साथ, एक वरिष्ठ डेटा विश्लेषक अन्य डेटा विश्लेषकों की एक टीम की देखरेख में नेतृत्व की भूमिका निभाने के लिए तैयार है, अंततः एक विभाग प्रबंधक या निदेशक बन जाता है। अतिरिक्त कौशल प्रशिक्षण के साथ, डेटा विश्लेषक भी डेटा वैज्ञानिक की अधिक उन्नत स्थिति में जाने के लिए एक मजबूत स्थिति में हैं।

डेटा वैज्ञानिक

डेटा वैज्ञानिक आमतौर पर वे सभी काम कर सकते हैं जो डेटा विश्लेषक कर सकते हैं, साथ ही कुछ और चीजें - वास्तव में, सही प्रशिक्षण और अनुभव के साथ, एक डेटा विश्लेषक अंततः डेटा वैज्ञानिक की स्थिति में आगे बढ़ सकता है। तो हाँ, डेटा वैज्ञानिकों को डेटा प्राप्त करने, साफ करने, हेरफेर करने, स्टोर करने और विश्लेषण करने में सक्षम होना चाहिए - लेकिन मशीन सीखने के विभिन्न तरीकों को समझने और काम करने में सक्षम होना चाहिए, और पायथन, आर, या इसी तरह की सांख्यिकीय प्रोग्रामिंग भाषा में प्रोग्राम करने में सक्षम होना चाहिए। अधिक उन्नत मॉडल बनाएं और उनका मूल्यांकन करें।

डेटा वैज्ञानिक कैरियर पथ

बहुत से लोग अनुभव प्राप्त करने से पहले डेटा विश्लेषक के रूप में क्षेत्र में प्रवेश करते हैं और खुद को डेटा वैज्ञानिक कहने के लिए आवश्यक कौशल जोड़ते हैं। फिर, जूनियर डेटा साइंटिस्ट से, अगला कदम आमतौर पर वरिष्ठ डेटा वैज्ञानिक होता है - हालांकि शीर्षक में यह साधारण परिवर्तन उस परिवर्तन को करने के लिए किए गए कार्य को विफल कर देता है; एक वरिष्ठ डेटा वैज्ञानिक या तो डेटा विज्ञान के लगभग सभी पहलुओं की बेहतर समझ का आदेश देगा - एआई, डेटा वेयरहाउसिंग, डेटामाइनिंग, क्लाउड कंप्यूटिंग, और इसी तरह - एक उद्योग-विशिष्ट क्षेत्र जैसे व्यवसाय रणनीति या स्वास्थ्य देखभाल विश्लेषण के साथ उनकी परिचितता के अलावा , या वे गुरु-स्तरीय विशेषज्ञता के साथ इनमें से किसी एक क्षेत्र में विशेषज्ञ होंगे।

यह उल्लेखनीय है कि जहां कुछ डेटा वैज्ञानिक एनालिटिक्स में अपना करियर शुरू करते हैं और मनोविज्ञान, विपणन, अर्थशास्त्र आदि जैसे विशेष क्षेत्रों में अधिक वरिष्ठ पदों पर काम करते हैं, वहीं अन्य डेटा में संक्रमण से पहले उन विभिन्न क्षेत्रों में से एक में पेशेवरों के रूप में शुरू करते हैं। विज्ञान भूमिका।

कई लोगों के लिए, वरिष्ठ डेटा वैज्ञानिक अंतिम कैरियर लक्ष्य है; यह पहले से ही इतनी उन्नत भूमिका है कि, कम से कम डेटा विज्ञान के क्षेत्र में, यह अक्सर सबसे वरिष्ठ पद होता है जिसे प्राप्त किया जा सकता है - आप बस विशेषज्ञता के अधिक क्षेत्रों के साथ एक बेहतर, अधिक सक्षम वरिष्ठ डेटा वैज्ञानिक बन जाते हैं। कुछ के लिए, हालांकि, विशेष रूप से जो अधिक सामान्यवादी दृष्टिकोण अपनाते हैं, एक प्रबंधकीय स्थिति में आगे बढ़ना संभव है जैसे लीड डेटा साइंटिस्ट, एक टीम या विभाग चलाना, या यहां तक ​​कि मुख्य डेटा अधिकारी, जो उच्चतम स्तर पर किसी संस्थान की डेटा रणनीति का नेतृत्व करते हैं। और केवल सीईओ को जवाब देना।

डाटा इंजीनियर

डेटा क्षेत्र में काम करने वाले अन्य पेशेवरों से डेटा इंजीनियरों को जो अलग करता है, वह यह है कि वे संपूर्ण सिस्टम का डिज़ाइन और निर्माण करते हैं - जिसमें उस डेटा का अधिकतम उपयोग करने के लिए कंपनी द्वारा उपयोग की जाने वाली बुनियादी ढाँचा और प्रक्रियाएँ शामिल हैं। अर्थात्, डेटा इंजीनियर वे लोग होते हैं जो यह निर्धारित करते हैं कि अन्य डेटा वैज्ञानिक अपना काम कैसे कर सकते हैं। कंपनी का सिस्टम किस प्रकार के डेटा को समायोजित कर सकता है? बिक्री और विपणन, या स्वास्थ्य देखभाल सर्वेक्षण के परिणामों से डेटा एकत्र करने और विश्लेषण के लिए उपलब्ध कराने के लिए किन विधियों का उपयोग किया जाता है? ऐसा करने के लिए, डेटा इंजीनियरों को अन्य डेटा विज्ञान पेशेवरों द्वारा किए जाने वाले काम के प्रकारों से बहुत परिचित होना चाहिए - डेटाबेस प्रशासक, डेटा विश्लेषक, डेटा आर्किटेक्ट्स, और इसी तरह - इस बिंदु पर कि डेटा इंजीनियर अक्सर इनमें से प्रत्येक भूमिका को निभा सकते हैं कुंआ। लेकिन क्योंकि वे निर्माता हैं, डेटा इंजीनियर आमतौर पर अन्य डेटा विज्ञान पेशेवरों की तुलना में विकास पर काम करने में अधिक समय व्यतीत करते हैं - सॉफ्टवेयर प्रोग्राम लिखना, रिलेशनल डेटाबेस बनाना, या ऐसे उपकरण विकसित करना जो कंपनियों को विभागों के बीच डेटा साझा करने देते हैं।

डाटा इंजीनियर करियर पथ

डेटा में काम करने वाली अन्य नौकरियों की तरह, डेटा इंजीनियर बनने का पहला कदम अक्सर एक विश्वविद्यालय की डिग्री (आमतौर पर इंजीनियरिंग, कंप्यूटर विज्ञान, या गणित में स्नातक या परास्नातक) होता है - लेकिन हमेशा नहीं। आईटी या सॉफ्टवेयर विकास में काम करने का बहुत अनुभव रखने वाला कोई व्यक्ति डेटा कौशल को छोड़कर डेटा इंजीनियर बनने के लिए पहले से ही सभी आवश्यक कौशल पा सकता है, इस मामले में कुछ कौशल पुनर्प्रशिक्षण, जैसे डेटा बूटकैंप, उन्हें लाने में मदद कर सकता है। गति पर। एक डेटा इंजीनियर के लिए आवश्यक कई कौशल (जैसे SQL, UNIX और Linux, ETL विकास, या IT सिस्टम को कॉन्फ़िगर करना) एक आसन्न क्षेत्र में काम करके विकसित किए जा सकते हैं; अन्य (जैसे मशीन लर्निंग या डेटा पाइपलाइन बनाना) को अधिक केंद्रित सीखने की आवश्यकता होगी।

कहा जा रहा है कि, अधिकांश डेटा इंजीनियर एक जूनियर डेटा इंजीनियर बनने के लिए आवश्यक सभी कौशल प्राप्त करने से पहले कंप्यूटर विज्ञान के कुछ उपक्षेत्र में काम करना शुरू करते हैं - वास्तव में, जूनियर डेटा इंजीनियर्स के लिए अधिकांश नौकरी पोस्टिंग के लिए एक से पांच साल के कार्य अनुभव की आवश्यकता होती है। वहां से, अगला तार्किक कदम वरिष्ठ डेटा इंजीनियर और लीड डेटा इंजीनियर का है। लेकिन, आईटी, सॉफ्टवेयर इंजीनियरिंग और डेटा साइंस के इतने सारे पहलुओं की उनकी कमान के साथ, डेटा इंजीनियर्स के लिए भी कई अन्य पद खुले हैं - जिसमें डेटा आर्किटेक्ट, सॉल्यूशंस आर्किटेक्ट या एप्लिकेशन आर्किटेक्ट शामिल हैं। कम व्यावहारिक काम और अधिक कर्मचारी प्रबंधन करने की चाहत रखने वाले किसी व्यक्ति के लिए, अन्य विकल्पों में उत्पाद विकास प्रबंधक शामिल हैं - या, अंततः, सही लोगों के कौशल को देखते हुए, यहां तक ​​कि मुख्य डेटा अधिकारी या मुख्य सूचना अधिकारी भी।

क्या डेटा वैज्ञानिक घर से काम कर सकते हैं?

प्रौद्योगिकी के क्षेत्र में कई नौकरियों की तरह, डेटा साइंटिस्ट की भूमिकाएँ अक्सर दूर से की जा सकती हैं - लेकिन यह अंततः उस कंपनी पर निर्भर करती है जिसके लिए आप काम करते हैं और आप किस तरह का काम करते हैं।

डेटा वैज्ञानिक कब दूर से काम कर सकते हैं?

डेटा विज्ञान की स्थिति जो अत्यधिक संवेदनशील या गोपनीय डेटा और जानकारी के साथ काम करती है (जिसमें उनमें से बड़ी संख्या शामिल है, यहां तक ​​कि बैंकिंग और स्वास्थ्य देखभाल जैसे गोपनीयता-भारी क्षेत्रों के बाहर भी, क्योंकि मालिकाना डेटा एक बड़ी कंपनी की सबसे मूल्यवान संपत्ति में से एक हो सकता है) वे पाएंगे दूरस्थ कार्य के संबंध में कई और प्रतिबंधों का सामना करना पड़ता है। इन मामलों में, यह संभावना है कि आपको काम के घंटों के दौरान कार्यालय में काम करना होगा।

विचार करने के लिए कुछ अन्य कारक:

  • आपकी कंपनी कितनी पारंपरिक है। बड़ी, पुरानी कंपनियां आमतौर पर रिमोट-फ्रेंडली नहीं होती हैं- हालांकि COVID इस क्षेत्र में बड़े बदलाव ला सकता है।
  • आप कितनी आसानी से टीम के अन्य साथियों और विभागों के साथ दूर से काम कर सकते हैं। यदि आपका काम अत्यधिक सहयोगी है, तो इस बात की अधिक संभावना है कि आपको व्यक्तिगत रूप से दिखाने की आवश्यकता होगी।
  • अनुबंध पर या यहां तक ​​कि परामर्श के आधार पर काम करने वाले डेटा वैज्ञानिकों के पास अपना स्थान चुनने के लिए अधिक लचीलापन भी हो सकता है।

Kategori: समाचार