डेटा साइंटिस्ट के जीवन में एक दिन

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 साइंटिस्ट काम पर अपने दिन कैसे बिताते हैं, इसके अवलोकन के लिए आगे 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 और जानें

शुक्रिया!

हम जल्दी ही संपर्क में होंगे।



डेटा साइंस बूटकैंप पेज देखें

डेटा साइंटिस्ट के जीवन में एक दिन

ब्रेनस्टेशन के डिजिटल कौशल सर्वेक्षण में जांचे गए सभी विषयों में से, डेटा विज्ञान अनुप्रयोगों की व्यापक श्रेणी को शामिल कर सकता है। लेकिन यद्यपि डेटा विज्ञान दशकों से अस्तित्व में है, यह हाल ही में पूर्ण रूप से विकसित हुआ है। जैसा कि डेटा की उपलब्धता का विस्तार हुआ है, कंपनियों ने महसूस किया है कि डेटा विज्ञान कितना महत्वपूर्ण हो सकता है, ब्रियाना ब्राउनेल, प्योर स्ट्रैटेजी के संस्थापक और सीईओ और 13 वर्षों से डेटा वैज्ञानिक कहते हैं। हर कंपनी को अब तकनीक पर आंशिक रूप से ध्यान देने की जरूरत है। उदाहरण के लिए, इसी हफ्ते, मैकडॉनल्ड्स ने अपनी बड़ी डेटा फर्म का अधिग्रहण करने के लिए अनुमानित $ 300 मिलियन अमरीकी डालर का भुगतान किया।

यह कोई आश्चर्य की बात नहीं है कि डेटा वैज्ञानिकों के लिए प्रतिस्पर्धा अविश्वसनीय रूप से उच्च है। केवल दो वर्षों में, मांग में 28 प्रतिशत की वृद्धि होने की उम्मीद है, जो लगभग 2.7 मिलियन नई नौकरियों के बराबर है। नए स्नातकों की तुलना में यह अधिक उद्घाटन है - जिसका अर्थ है कि अन्य क्षेत्रों में तकनीकी कर्मचारियों को इस मांग को पूरा करने के लिए अपने कौशल और डेटा में संक्रमण को ब्रश करना होगा।

वास्तव में, हमारे सर्वेक्षण से पता चलता है कि यह पहले से ही हो रहा है। मोटे तौर पर पाँच में से चार डेटा पेशेवरों ने अपना करियर कुछ और करते हुए शुरू किया, और सभी डेटा वैज्ञानिकों में से 65 प्रतिशत पाँच साल या उससे कम समय से इस क्षेत्र में काम कर रहे हैं। ब्राउनेल कहते हैं, नए दिमागों के इस विशाल प्रवाह का दोहरा प्रभाव पड़ता है; वह कहती हैं कि एक तरफ बहुत सारे नए विचार आ रहे हैं। जब मैं डेटा विज्ञान समुदाय से निकलने वाली कुछ सामग्री को देखता हूं, तो मुझे आश्चर्य होता है कि इसमें कितना नवीनता है। फ्लिपसाइड, हालांकि, पहिया को फिर से शुरू करने की प्रवृत्ति है।



यदि आप एक हैं (या बनने के बारे में सोच रहे हैं) तो डेटा वैज्ञानिकों की उच्च मांग बहुत अच्छी है, लेकिन नियोक्ताओं के लिए, भर्ती एक कठिन चुनौती हो सकती है। यहाँ, रीस्किलिंग एक स्पष्ट समाधान है; डेटा विज्ञान में एक मौजूदा कर्मचारी को फिर से प्रशिक्षित करने की तुलना में यह अधिक लागत प्रभावी हो सकता है।

लेकिन भले ही आप एक नई डेटा विज्ञान टीम को नियुक्त करने की योजना बना रहे हों, आपके संगठन को समग्र रूप से अपनी डेटा साक्षरता पर ब्रश करने की आवश्यकता हो सकती है, ब्राउनेल चेतावनी देते हैं। वह कहती हैं कि हर कोई किसी ऐसी चीज पर काम करना चाहता है जिसका उनके कार्यस्थल पर प्रभाव पड़े, जिससे लोगों का जीवन बेहतर हो। यदि आपकी कंपनी की संस्कृति ऐसी नहीं है कि [आपके डेटा वैज्ञानिक] प्रभाव डाल सकें, तो इसे काम पर रखना लगभग असंभव है। नेतृत्व न केवल संभावित कर्मचारियों से संवाद करने में सक्षम होना चाहिए कि वे कैसे योगदान करने में सक्षम होंगे - बल्कि उन प्रस्तावों को समझने के लिए जो उनकी डेटा विज्ञान टीम अंततः आगे भी रखती है।

दुर्भाग्य से, ब्राउनेल कहते हैं, असहज बहुमत वे कंपनियां हैं जिन्होंने चीजों का पता नहीं लगाया है। हमारा सर्वेक्षण इसका समर्थन करता है: अधिकांश उत्तरदाताओं (52 प्रतिशत) ने अपने संगठनों में डेटा साक्षरता के स्तर को बुनियादी बताया, मध्यवर्ती के साथ अगली सबसे आम प्रतिक्रिया (31 प्रतिशत)। इससे पता चलता है कि कुछ मूलभूत डेटा विज्ञान प्रशिक्षण बड़ी संख्या में कंपनियों के लिए उपयोगी हो सकता है-खासकर नेतृत्व में।



डेटा साक्षरता और संचार में सुधार की यह आवश्यकता अधिकांश डेटा विज्ञान टीमों के संरचित होने से बढ़ जाती है: एक असतत टीम के रूप में, आमतौर पर 10 लोगों या उससे कम (उत्तरदाताओं के 71 प्रतिशत के अनुसार), और अक्सर पांच या उससे कम (38 प्रतिशत) ) ये नज़दीकी टीमें अलग-थलग रहने का जोखिम नहीं उठा सकती हैं। बड़ी कंपनियों के भीतर काम करने वाले व्यक्ति आमतौर पर एक छोटे डेटा विज्ञान-विशिष्ट समूह के भीतर होते हैं, और उनके ग्राहक आंतरिक होते हैं - संगठन के अन्य हिस्से, ब्राउनेल बताते हैं, इसलिए यह एक टीम है जिसे संगठन के कई अलग-अलग क्षेत्रों में काम करना पड़ता है।

डेटा साइंस वास्तव में क्या है?

ब्राउनेल का कहना है कि आम धारणा (डेटा वैज्ञानिकों की कमी संख्या) निशान से बहुत दूर नहीं है। बहुत सारे डेटा सेट हैं जिनके लिए उनसे अंतर्दृष्टि प्रकट करने की आवश्यकता होती है, और इसमें मॉडल निर्माण और डेटा क्लीनअप जैसे कई कदम शामिल होते हैं, और यहां तक ​​​​कि केवल यह तय करना कि आपको कौन सा डेटा चाहिए। अंततः, हालांकि, यह प्रयास लक्ष्य-उन्मुख है: इसके मूल में, आपको डेटा के साथ कुछ करने की आवश्यकता है।

उस मामले के लिए, डेटा हमेशा संख्या नहीं होता है। जबकि अधिकांश उत्तरदाताओं (73 प्रतिशत) ने संकेत दिया कि वे संख्यात्मक डेटा के साथ काम करते हैं, 61 प्रतिशत ने कहा कि वे पाठ के साथ भी काम करते हैं, संरचित डेटा के साथ 44 प्रतिशत, छवियों के साथ 13 प्रतिशत और ग्राफिक्स के साथ 12 प्रतिशत (और छोटे अल्पसंख्यक भी वीडियो और ऑडियो के साथ काम करते हैं) -6 प्रतिशत और 4 प्रतिशत क्रमशः)। इन सर्वेक्षण परिणामों से संकेत मिलता है कि डेटा विज्ञान वित्तीय तालिकाओं से कहीं आगे बढ़ रहा है, लोगों को ऐसी परियोजनाओं के लिए सूचीबद्ध करता है जैसे ग्राहकों की संतुष्टि को अधिकतम करना या सोशल मीडिया की आग की नली से मूल्यवान अंतर्दृष्टि प्राप्त करना।

नतीजतन, डेटा विज्ञान के क्षेत्र में भारी विविधता है, ब्राउनेल कहते हैं। डेटा वैज्ञानिक किस प्रकार के डेटा पर काम करते हैं, वे किस प्रकार के परिणामों की अपेक्षा कर रहे हैं, और यह उनकी कंपनी के नेतृत्व ढांचे में कैसे फिट बैठता है, इस पर हर उद्योग का अपना अधिकार है। हालांकि, हर मामले में, कंपनी को बेहतर निर्णय लेने में मदद करने के लिए डेटा का लाभ उठाना लक्ष्य है। यह उत्पादों को बेहतर बनाना हो सकता है, उस बाजार को समझना जिसमें वे जाना चाहते हैं, अधिक ग्राहकों को बनाए रखना, उनके श्रम बल के उपयोग को समझना, यह समझना कि अच्छी तरह से कैसे काम करना है - सभी प्रकार की अलग-अलग चीजें।

डेटा विज्ञान नौकरियां

तकनीक के कुछ क्षेत्रों में, एक सामान्यवादी बनना दरवाजे में आपका सबसे अच्छा पैर हो सकता है-डेटा विज्ञान के साथ ऐसा नहीं है। नियोक्ता आमतौर पर अपने उद्योग के लिए विशिष्ट कौशल की तलाश करते हैं। क्योंकि डेटा विज्ञान कई अलग-अलग स्वादों में आता है, हमारे सर्वेक्षण ने पांच मुख्य कार्य श्रेणियों की जांच करते हुए गहराई से जांच की: डेटा विश्लेषक, शोधकर्ता, व्यवसाय विश्लेषक, डेटा और विश्लेषिकी प्रबंधक, और डेटा वैज्ञानिक उचित।

इन सभी नौकरी के शीर्षकों में, डेटा तकरार और सफाई किसी के समय का बड़ा हिस्सा लेती है-लेकिन किस अंत तक? अक्सर, लक्ष्य मौजूदा प्लेटफॉर्म, उत्पाद या सिस्टम (45 प्रतिशत) को अनुकूलित करना या नए (42 प्रतिशत) विकसित करना होता है। गहराई में जाने पर, हमने पाया कि मौजूदा समाधानों का अनुकूलन व्यापार विश्लेषकों और डेटा विश्लेषकों पर पड़ता है, जबकि नए समाधान विकसित करना अक्सर डेटा वैज्ञानिकों और शोधकर्ताओं पर पड़ता है।

डेटा वैज्ञानिक जिन तकनीकों का उपयोग करते हैं, वे विशेषज्ञताओं में भी भिन्न होती हैं। 54 प्रतिशत उत्तरदाताओं द्वारा उद्धृत सभी श्रेणियों में रैखिक प्रतिगमन एक सामान्य उपकरण था, लेकिन जब हमने लोगों द्वारा उपयोग किए जा रहे सॉफ़्टवेयर को देखा तो कुछ आश्चर्य हुआ।

एक्सेल- डेटा सेट हेरफेर का वर्कहॉर्स- वस्तुतः सर्वव्यापी है, सभी उत्तरदाताओं के 81 प्रतिशत द्वारा उद्धृत किया गया है, और डेटा वैज्ञानिकों को छोड़कर हर श्रेणी में सबसे लोकप्रिय उपकरण है (जो अक्सर पायथन पर भरोसा करते हैं- और अन्य श्रेणियों की तुलना में एक बड़े टूलकिट का भी हवाला देते हैं। ) क्या एक्सेल 2019 में भी इतना अपरिहार्य बनाता है?

एक्सेल के बारे में जो चीज मुझे पसंद है वह यह है कि यह आपको डेटा को देखने और इसके लिए एक सहज अनुभव प्राप्त करने की अनुमति देता है, ब्राउनेल ने समझाया। हम बहुत सारे पायथन का भी उपयोग करते हैं, और उस स्थिति में, जब आप डेटा फ़ाइल पर विश्लेषण कर रहे होते हैं, तो यह छिपा होता है; जब तक आप विशेष रूप से अपने कोड के हिस्से को उस कच्चे डेटा का कुछ विज़ुअलाइज़ेशन करने के लिए प्रोग्राम नहीं करते हैं जिसका आप विश्लेषण कर रहे हैं, तो आप इसे नहीं देख पाएंगे। जबकि एक्सेल के साथ, यह आपके सामने है। इसके बहुत फायदे हैं। कभी-कभी आप डेटा फ़ाइल के साथ समस्याओं का पता लगा सकते हैं। मैं एक्सेल को कभी भी विश्लेषण से गायब होते नहीं देखता।

उस ने कहा, अभी भी क्षेत्र में उपयोग किए जाने वाले अन्य कार्यक्रमों की एक लंबी सूची है - इसकी विविधता को देखते हुए आश्चर्यजनक। एसक्यूएल (43 प्रतिशत) और पायथन (26 प्रतिशत) लोकप्रियता में अग्रणी हैं, झांकी (23 प्रतिशत), आर (16 प्रतिशत), ज्यूपिटर नोटबुक्स (14 प्रतिशत), और कुछ अन्य लोगों ने महत्वपूर्ण संख्याएँ देखीं - भारी संख्या में उल्लेख नहीं करने के लिए अन्य साधनों का हवाला देने वाले 32 प्रतिशत उत्तरदाताओं ने भी इसे पहले से ही लंबी सूची दी है।

डेटा साइंस का भविष्य क्या है?

अंत में, हमने पूछा कि अगले पांच से 10 वर्षों में कौन से रुझान डिजिटल परिदृश्य को आकार देंगे। मशीन लर्निंग और एआई-जिनमें डेटा साइंस के भीतर अनुप्रयोग हैं- दोनों का विकास उत्तरदाताओं ने क्रमशः 80 प्रतिशत और 79 प्रतिशत पर सबसे बड़ा प्रभाव होने की उम्मीद की थी। यह इस तथ्य के बावजूद है कि उनमें से एक चौथाई (23 प्रतिशत) से भी कम वर्तमान में एआई के साथ काम करते हैं।

आर्टिफिशियल इंटेलिजेंस डेटा साइंस को पूरी तरह से बदल सकता है, ब्राउनेल की पुष्टि करता है, जिसकी कंपनी एआई उत्पादों को विकसित करती है। यह वास्तव में अनुपयोगी शिक्षण विधियों की महिमा है। इन डेटासेट को देखने के लिए हमारे पास इतना समय है, और विशेष रूप से बड़े डेटासेट के साथ, सब कुछ करना बहुत मुश्किल है। एआई उपकरण कुछ ऐसा प्रकट करने में मदद कर सकते हैं जिसे शायद आपने नहीं सोचा होगा। हमने निश्चित रूप से ऐसा किया है।

अन्य रुझान डेटा वैज्ञानिक निकट भविष्य में हावी होने की उम्मीद करते हैं: चीजों का इंटरनेट (51 प्रतिशत), ब्लॉकचेन (50 प्रतिशत) और ईकामर्स (36 प्रतिशत), संवर्धित वास्तविकता और आभासी वास्तविकता (38 प्रतिशत और 27 प्रतिशत), और यहां तक ​​कि आवाज- आधारित अनुभव (25 प्रतिशत) - सभी महत्वपूर्ण प्रदर्शन, और सभी क्षेत्र जहां डेटा विज्ञान का अच्छा उपयोग किया जा सकता है।

Kategori: समाचार