10 مهر 1402
تهران، خیابان آزادی، تقاطع قریب
یادگیری ماشین

Data Science یا علم داده چیست؟

Data Science یا علم داده چیست؟

Data Science یا علم داده به عنوان یکی از امیدوارکننده‌ترین و پرتقاضاترین مسیرهای شغلی برای متخصصان ماهر تکنولوژی مطرح شده است. امروزه، متخصصان موفق داده می‌دانند که باید علاوه بر مهارت‌های سنتی تجزیه و تحلیل داده‌های بزرگ، داده‌کاوی و مهارت‌های برنامه‌نویسی را هم یاد بگیرند. مدیران ارشد داده باید بر سیر کامل چرخه حیات Data Science تسلط داشته باشند و برای به حداکثر رساندن بازده کار در هر مرحله از این فرآیند، دارای سطحی از درک و انعطاف‌پذیری باشند.

چرخه حیات Data Science

چرخه حیات Data Science

تصویر فوق نشان‌دهنده پنج مرحله از چرخه حیات Data Science است: ضبط داده‌ها (اکتساب داده، ورود داده، دریافت سیگنال، استخراج داده)، نگهداری (ذخیره‌سازی داده‌ها، پاکسازی داده‌ها، مرحله‌بندی داده‌ها، پردازش داده‌ها، معماری داده‌ها)، پردازش (داده‌کاوی، خوشه‌بندی/طبقه‌بندی، مدل‌سازی داده‌ها، خلاصه‌سازی داده‌ها)، تجزیه و تحلیل (اکتشافی/تأییدی، تحلیل پیشگویانه، رگرسیون، متن‌کاوی، تحلیل کیفی)، برقراری ارتباط (گزارش‌سازی داده‌ها، تجسم داده‌ها، هوش تجاری، تصمیم‌گیری).

اصطلاح Data Scientist یا مدیر ارشد داده، در سال 2008 ابداع شد، زمانی که شرکت‌ها به متخصصان داده‌ای نیاز داشتند که در سازماندهی و تجزیه و تحلیل داده‌های بزرگ مهارت داشته باشند. در مقاله McKinsey&Company که هال واریان، اقتصاددان ارشد گوگل و استاد دانشگاه UC Berkeley در زمینه علوم اطلاعات، تجارت و اقتصاد در سال 2009 نوشت، اهمیت انطباق با نفوذ فناوری و پیکربندی مجدد صنایع مختلف پیش‌بینی شده بود.

«توانایی دریافت داده‌ها، درک، پردازش، استخراج ارزش، تجسم و برقراری ارتباط با آن‌ها، یک مهارت بسیار مهم در دهه‌های آینده خواهد بود».

–       هال واریان، اقتصاددان ارشد در گوگل و دانشگاه برکلی، استاد علوم اطلاعات، تجارت و اقتصاد

مدیران ارشد داده قادر به شناسایی سؤالات مرتبط، جمع‌آوری داده‌ها از منابع داده‌های مختلف، سازماندهی اطلاعات، تبدیل نتایج به راه حل و انتقال یافته‌های خود به گونه‌ای هستند که بر تصمیمات تجاری تأثیر مثبت بگذارد. این مهارت‌ها تقریباً در همه صنایع مورد نیاز است و باعث می‌شود مدیران ارشد داده با مهارت بالا، برای شرکت‌ها ارزش زیادی داشته باشند.

یک مدیر ارشد داده چه می‌کند؟

در دهه گذشته، مدیران ارشد داده به دارایی‌های ضروری سازمان‌ها تبدیل شده‌اند. این متخصصان در کار با داده‌ها بسیار ماهر بوده و قادر به ایجاد الگوریتم‌های پیچیده برای سازماندهی و ترکیب داده‌های بزرگ، برای پاسخ به سؤالات و هدایت استراتژی در سازمان خود هستند. این کار برای ارائه نتایج ملموس به سهامداران مختلف در یک سازمان یا تجارت انجام می‌شود.

مدیران ارشد داده باید کنجکاو و نتیجه‌گرا باشند و دانش‌ها و مهارت‌های ارتباطی استثنائی در حوزه Data Science داشته باشند. این مهارت‌ها به آن‌ها امکان می‌دهد نتایج بسیار تخصصی را برای افراد غیر فنی توضیح دهند. آن‌ها دارای رزومه کمی قدرتمند در آمار و جبر خطی و همچنین دانش برنامه نویسی با تمرکز بر انبار کردن داده، داده‌کاوی و مدل‌سازی برای ساخت و تجزیه و تحلیل الگوریتم‌ها هستند.

آن‌ها باید همچنین بتوانند از ابزارها و مهارت‌های فنی کلیدی مانند موارد زیر برخوردار شوند:

TableauCloud computingMapReduceR
iPython notebooksD3Apache SparkPython
GitHubApache PigNoSQL databasesApache Hadoop

چرا Data Scientist شویم؟

Glassdoor شغل مدیریت ارشد داده را از سال 2016 در میان سه شغل برتر در آمریکا جای داد. به دلیل کمبود افراد واجد شرایط در این شغل، پر کردن موقعیت‌های خالی در این حوزه تبدیل به یک چالش شده است.

نیاز به مدیران ارشد Data Science ، نشانه‌ای بر کاهش سرعت رشد این حوزه در سال‌های آینده نیست. LinkedIn این شغل را به عنوان یکی از آینده‌‌دارترین  مشاغل در سال 2022 معرفی کرد.

آمارهای در زیر، بیانگر تقاضای قابل توجه و رو به رشد برای مدیران ارشد داده است:

28% افزایش تقاضا برای این موقعیت شغلی5971 فرصت شغلی
میانگین حقوق پایه در سال: 127.500 دلاررتبه دوم برترین شغل در آمریکا در سال 2021
منابع آماری: Glassdoor و Forbes

در دنیای Data Science ، کجا قرار گرفته‌اید؟

داده‌ها همه جا هستند و بسیار گسترده شده‌اند. انواع اصطلاحات این حوزه مانند استخراج (Mining) ، پاکسازی، تجزیه و تحلیل و تفسیر داده‌ها، اغلب به جای یکدیگر استفاده می‌شوند، اما در واقع می‌توانند مجموعه مهارت‌های مختلف و پیچیدگی داده‌ها را شامل شوند.

مدیر ارشد داده (Data Scientist)

مدیران ارشد داده بررسی می‌کنند که به کدام سؤالات باید پاسخ داده شود و داده‌های مرتبط با آنان را کجا می‌توان پیدا کرد. آن‌ها دارای هوش تجاری، مهارت‌های تحلیلی و همچنین توانایی استخراج، پاکسازی و ارائه داده‌ها هستند. کسب و کارها از مدیران ارشد داده برای استخراج از منابع، مدیریت و تجزیه و تحلیل داده‌های بزرگ و بدون ساختار استفاده می‌کنند. سپس نتایج حاصل از این ترکیبات، برای هدایت تصمیم‌گیری‌های استراتژیک در سازمان، به صاحبان این کسب و کارها ارائه می‌شود.

مهارت‌های مورد نیاز: مهارت‌های برنامه نویسی (SAS, R, Python) ، مهارت‌های آماری و ریاضی، داستان‌گویی و تجسم داده‌ها، Hadoop ، SQL ، یادگیری ماشین.

تحلیلگر داده (Data Analyst)

تحلیلگران داده در حد فاصل بین مدیران ارشد داده و تحلیلگران کسب و کار قرار دارند. سؤالاتی که نیاز به پاسخ از سوی یک سازمان دارند، به آن‌ها ارائه می‌شود و سپس داده‌ها را تجزیه و تحلیل می‌کنند، تا نتایجی را پیدا کنند که با استراتژی کسب و کارهای سطح بالا همسو باشد. مدیران ارشد داده مسئول ترجمه تحلیل‌های تکنیکال به موارد اقدام کیفی هستند و یافته‌های خود را به صاحبان پروژه‌ها انتقال می‌دهند.

مهارت‌های مورد نیاز: مهارت‌های برنامه نویسی (SAS, R, Python) ، مهارت‌های آماری و ریاضی، آماده‌سازی داده‌ها (data wrangling) ، تجسم داده‌ها (data visualization).

مهندس داده (Data Engineer)

مهندسان داده، مقادیر تصاعدی داده‌هایی را که به سرعت در حال تغییر هستند، مدیریت می‌کنند. آن‌ها بر توسعه، استقرار، مدیریت و بهینه‌سازی pipeline های داده و زیرساخت‌های آن برای تبدیل و انتقال داده به مدیران ارشد داده برای querying تمرکز می‌کنند.

مهارت‌های مورد نیاز: زبان‌های برنامه نویسی (Java, Scala)، دیتابیس‌های NoSQL (MongoDB, Cassandra DB)، فریم‌ورک‌ها (Apache Hadoop)

چشم‌انداز شغلی Data Science و دستمزد این شغل

متخصصان Data Science که مهارت‌های فنی بالایی داشته باشند، با حقوق‌های رقابتی و فرصت‌های شغلی عالی در شرکت‌های بزرگ و کوچک صنایع مختلف، پاداش می‌گیرند. در Glassdoor ، تقریباً 6000 موقعیت شغلی برای متخصصان باتجربه و تحصیل‌کرده Data Science وجود دارد. بسیاری از این فرصت‌های شغلی، در بهترین و آینده‌نگرترین شرکت‌های جهان هستند.

میانگین حقوق پایه برای مشاغل این حوزه در زیر آمده است:

تحلیلگر داده : 69.517 دلار در سالمدیر ارشد داده: 117.212 دلار در سال
مدیر ارشد داده (سینیور): 142.258 دلار در سالمهندس داده: 112.493 دلار در سال

کسب مهارت‌های تخصصی در زمینه Data Science می‌تواند مدیران ارشد داده را حتی متمایزتر کند. به عنوان مثال، کارشناسان یادگیری ماشین از مهارت‌های برنامه نویسی سطح بالا برای ایجاد الگوریتم‌هایی استفاده می‌کنند که به طور مداوم داده‌ها را جمع‌آوری می‌کنند و به طور خودکار، عملکرد خود را تنظیم می‌کنند تا مؤثرتر باشند.

منبع ترجمه: ischoolonline.berkeley.edu

Leave feedback about this

  • کیفیت
  • قیمت
  • خدمات

PROS

+
Add Field

CONS

+
Add Field
Choose Image
Choose Video
X