अकादमी पुरस्कार-नामांकित फिल्म हिडन फिगर के चरमोत्कर्ष में, गणितज्ञ कैथरीन जॉनसन को जॉन ग्लेन के अंतरिक्ष कैप्सूल के लैंडिंग निर्देशांक के लिए गणना को सत्यापित करने के लिए कहा जाता है, मैत्री 7. प्रौद्योगिकी ने मानव कंप्यूटरों को बदल दिया है, डेटा-गणना करने वाले लोग जो जटिल समीकरणों को पूरा करते हैं। कंप्यूटर सिस्टम के आगमन से पहले, लेकिन मशीन के डेटा में विसंगतियां थीं जिन्हें किसी व्यक्ति द्वारा हल करने की आवश्यकता थी।
यह 1961 में डेटा साइंस था। इन दिनों, चीजें थोड़ी अलग हैं। कॉम्प्लेक्स डेटा कलेक्शन सिस्टम हर क्षेत्र की कंपनियों को उनके व्यवसायों, ग्राहकों और भविष्य की संभावनाओं के बारे में अधिक जानने में सक्षम बनाता है। लेकिन हिडन फिगर्स की तरह, लोगों को डेटा के भीतर से महत्वपूर्ण सच्चाइयों को खोजने के लिए अभी भी आवश्यक है।
यहाँ पर स्कूप है कि हम प्रतिदिन डेटा साइंस का उपयोग कैसे करते हैं और आवश्यक कौशल जो आपको डेटा वैज्ञानिक, इंजीनियर या विश्लेषक के रूप में सफल होने के लिए आवश्यक हैं।
डाटा साइंस इज़ एवरीवेयर
वित्त और तकनीकी उद्योगों से कहीं आगे डेटा वैज्ञानिकों के लिए क्षमता पनप रही है। डेटा साइंस कॉरपोरेट ट्रेनिंग फॉर मेटिस, डेटा साइंस स्किल्स ट्रेनिंग कंपनी, जो व्यक्तियों और व्यवसायों के साथ काम करती है, के कार्यकारी निदेशक माइकल गाल्विन कहते हैं, "सभी क्षेत्रों में एक बढ़ता हुआ अहसास है जो आज के बाज़ार में प्रतिस्पर्धा और सुधार के लिए आवश्यक है।" ।
कुकीज़ के बारे में सोचो। नहीं, न कि आप दूध में डुबकी लगाते हैं - शक्तिशाली डेटा एकत्र करने वाले उपकरण जो डेटा विश्लेषकों, वैज्ञानिकों और इंजीनियरों को उपभोक्ता वेब आदतों के बारे में जानने में मदद करते हैं और उन एल्गोरिदमों के बारे में बताते हैं जो “कैसे-वे-मैं-मैं-सिर्फ-सोच रहा था -of-that ?! ”विज्ञापन हम फेसबुक पर दिखाए जाते हैं। उनके लक्ष्य? उपभोक्ता हितों और व्यवहार का आकलन करने के लिए और सभी क्षेत्रों की कंपनियों के लिए प्रमुख व्यापार निर्णय लेने में मदद करने के लिए उन विश्लेषिकी का उपयोग करें।
“मुख्यधारा में डेटा विज्ञान के बारे में व्यापक जागरूकता है। अमेजन की खरीदारी से लेकर नेटफ्लिक्स के बिंज तक सब कुछ प्रभावित करने के बाद डेटा साइंस पहले से ज्यादा लोगों को छू रहा है। '
हाउ यू फिट इन
डेटा विज्ञान क्षेत्रों में वृद्धि के साथ, डेटा वैज्ञानिक, डेटा विश्लेषक और मॉडलर की भूमिकाओं के बीच एक बढ़ी हुई ओवरलैप है।
लेकिन लेक्सिसनेक्सिस रिस्क सॉल्यूशंस के लिए प्रौद्योगिकी और एचपीसीसी सिस्टम के उपाध्यक्ष डॉ। फ्लेवियो विलानुसरे के अनुसार, विभिन्न पदों के बीच का अंतर वास्तव में काफी अनूठा है- और विशिष्ट क्षेत्रों में गिफ्ट किए गए लोगों के लिए अवसर प्रदान करता है।
"डेटा विश्लेषक परंपरागत रूप से डेटा हेरफेर तकनीकों के विशेषज्ञ होते हैं, जिन्हें क्वेरी भाषाओं से लेकर ग्राफ़िकल डेटा मॉडल तक सभी चीज़ों में प्रशिक्षण की आवश्यकता होती है, " विलनस्ट्रे कहते हैं। "इस बीच मॉडल सहसंबंध और पैटर्न के लिए संख्यात्मक डेटा का विश्लेषण करते हैं।"
जब यह डेटा विज्ञान की बात आती है, तो विलेनस्ट्रे बताते हैं कि आदर्श उम्मीदवारों को डोमेन और व्यावसायिक ज्ञान के साथ मिश्रित इन दो प्रकार के कौशल का सुपरसेट दिखाना चाहिए। "डेटा वैज्ञानिक आमतौर पर प्रोग्रामिंग तकनीकों के बारे में डेटा विश्लेषक की तुलना में अधिक गहन ज्ञान रखते हैं और अधिक परिष्कृत तकनीकों का उपयोग करके डेटा विश्लेषणात्मक तरीकों के बारे में सांख्यिकीय मॉडलर की तुलना में व्यापक ज्ञान रखते हैं।"
इन पदों पर आवेदन करते समय, यह ध्यान रखना महत्वपूर्ण है कि कंपनी वास्तव में क्या कार्य कर रही है।
डेटा और एनालिटिक्स के सीनियर डायरेक्टर निक क्रेमर बताते हैं, '' डेटा साइंस की चर्चा के कारण कई कंपनियों ने डेटा एनालिस्ट की जॉब करने के लिए डेटा साइंटिस्ट्स को हायर करने का काम किया है, जो डेटा क्लीयर करने और डेटा तैयार करने में बहुत कम समय लगाते हैं। एसएसए एंड कंपनी, एक प्रबंधन परामर्श फर्म जो कंपनियों के लिए बड़े डेटा एनालिटिक्स को संचालन में बदलने में माहिर है।
नए उपकरण एनालिटिक्स मॉडल को कम विशेषज्ञता स्तर वाले लोगों द्वारा बनाने की अनुमति दे रहे हैं, इसलिए विविध, संबंधित ज्ञान जैसे कि व्यावसायिक ज्ञान और प्रभावी संचार कौशल नौकरी चाहने वालों को अलग करना महत्वपूर्ण है। साक्षात्कार करते समय, किसी कंपनी से जो मांग रही है, उस पर हॉन करने के लिए सवाल पूछना सुनिश्चित करें - फिर उसी के अनुसार अपनी ताकत दिखाएं।
हमारा कार्यालय
सफल होने के लिए आपको क्या चाहिए
पेड़ों के लिए जंगल नहीं देखने के बारे में पुरानी कहावत एक महत्वपूर्ण बात है जब एक डेटा वैज्ञानिक, विश्लेषक, या इंजीनियर के रूप में काम करना याद रखें। जबकि कोर डेटा की सटीकता महत्वपूर्ण है, इसलिए कंपनी जिन समस्याओं को हल करने की उम्मीद करती है, उनकी ओवररचिंग तस्वीर को स्वीकार कर रही है।
गैल्विन ने चेतावनी दी है कि डेटा वैज्ञानिकों के बीच एक प्रवृत्ति है कि वे चीजों को उलझाएं और विवरण के एक ब्लैक होल में चूसे जाएं। "इसके बजाय, उन्हें उस व्यावसायिक समस्या के बारे में सोचना चाहिए जिसे वे हल करने की कोशिश कर रहे हैं, कुछ काम कर रहे हैं, और फिर पुनरावृति।"
इसके अलावा, आप जो भी कर रहे हैं उसमें रुचि है - जैसा कि किसी भी नौकरी के लिए सच है - आवश्यक भी है।
“कंपनियां विभिन्न प्रकार के डेटा (जैसे चित्र, पाठ और वित्तीय डेटा) के साथ विभिन्न समस्याओं पर काम करती हैं। गैल्विन ने कहा कि आपको सफल होने के लिए जिस तरह के डेटा के साथ काम करना होगा, उसके बारे में जानने और समझने की जरूरत है। "उदाहरण के लिए, डेटा वैज्ञानिक जो चिकित्सा छवियों के साथ काम करते हैं, वे आमतौर पर स्वयं डॉक्टर नहीं होते हैं, लेकिन उनके अंतिम उपयोगकर्ता या ग्राहक डॉक्टर होंगे। क्या आप समझ सकते हैं कि वे किन समस्याओं को हल करने की कोशिश कर रहे हैं? क्या आप उन समस्याओं को हल करने में रुचि रखते हैं? ”
और फिर संचार होता है। यह कहा जाता है कि डेटा वैज्ञानिक, विश्लेषक और इंजीनियर अपनी भाषा बोलते हैं, लेकिन एक कार्यस्थल में सफल होने के लिए, आपको उन लोगों के साथ स्पष्ट रूप से संवाद करने में सक्षम होने की आवश्यकता है जो आपके कौशल से सबसे अधिक उपयोग करेंगे और लाभान्वित होंगे।
"व्यापार हितधारकों के साथ सहयोग बढ़ाना महत्वपूर्ण है, " क्रेमर ने कहा।
डेटा विज्ञान और इससे संबंधित करियर 1960 के दशक से एक लंबा सफर तय कर चुके हैं, जब नासा को नए कंप्यूटर मशीनों के काम के दोहन और सत्यापन के लिए मानव कंप्यूटर की आवश्यकता थी। लेकिन शानदार दिमाग इस बात में रुचि रखते हैं कि डेटा कैसे आकार में रह सकता है, हम काम करते हैं, और व्यवसाय अभी भी उतना ही आवश्यक है, जितना कि मानव विशेषज्ञ के बिना, दोनों इनपुटों और परिणामों की व्याख्या करने के लिए, डेटा विज्ञान का बेतहाशा दुरुपयोग हो सकता है, या सिर्फ सादा भ्रम हो सकता है।
