아카데미 상 후보 영화 숨겨진 인물의 절정에서 수학자 캐서린 존슨은 존 글렌의 우주 캡슐, 우정 7의 착륙 좌표에 대한 계산을 확인하기 위해 부름 받았습니다. 기술은 복잡한 방정식을 완성한 데이터 계산 사람인 인간의 컴퓨터를 막 대체했습니다. 컴퓨터 시스템이 출현하기 전에 기계의 데이터에는 사람이 해결해야 할 불일치가있었습니다.
그것은 1961 년의 데이터 과학이었습니다. 요즘에는 상황이 조금 다릅니다. 복잡한 데이터 수집 시스템을 통해 모든 부문의 회사는 비즈니스, 고객 및 향후 전망에 대해 더 많이 배울 수 있습니다. 그러나 숨겨진 인물과 마찬가지로 사람들은 여전히 데이터 내에서 중요한 진실을 찾아야합니다.
다음은 우리가 매일 데이터 과학을 사용하는 방법과 데이터 과학자, 엔지니어 또는 분석가로서 성공하는 데 필요한 필수 기술에 대한 정보입니다.
어디에나 데이터 과학
금융 및 기술 산업을 넘어서는 데이터 과학자의 잠재력은 점점 커지고 있습니다. 개인 및 비즈니스와 협력하는 데이터 과학 기술 교육 회사 인 Metis의 데이터 과학 기업 교육 담당 이사 인 Michael Galvin은“현재 모든 시장에서 데이터 과학 기술이 오늘날의 시장에서 경쟁하고 개선하는 데 필수적이되었다는 인식이 커지고 있습니다. .
쿠키에 대해 생각하십시오. 데이터 분석가, 과학자 및 엔지니어가 소비자 웹 습관에 대해 배우고“알고있는 지식은 어떻습니까?”라는 알고리즘에 대한 정보를 제공하는 데 도움이되는 강력한 데이터 수집 도구 페이스 북에 게재되는 광고입니다. 그들의 목표는? 소비자 관심사 및 행동을 평가하고 해당 분석을 사용하여 모든 부문의 회사를위한 주요 비즈니스 결정을 내릴 수 있습니다.
“주류에는 데이터 과학에 대한 폭 넓은 인식이 있습니다. 아마존 구매에서 넷플릭스 빙빙에 이르기까지 모든 것에 영향을 미치는 데이터 과학은 그 어느 때보 다 많은 사람들과 접촉하고 있습니다.”라고 Galvin은 말합니다.
당신이 맞는 방법
데이터 과학 분야의 성장에 따라 데이터 과학자, 데이터 분석가 및 모델러의 역할 사이에 겹치는 부분이 증가했습니다.
그러나 LexisNexis Risk Solutions의 기술 담당 부사장이자 HPCC 시스템 인 Flavio Villanustre 박사에 따르면 다양한 직책의 차이는 실제로 매우 독특하며 특정 분야에 재능이있는 사람들에게 기회를 제공합니다.
Villanustre는“데이터 분석가는 전통적으로 쿼리 조작 언어에서 그래픽 데이터 모델에 이르기까지 모든 교육이 필요한 데이터 조작 기술을 전문으로합니다. "그 동안 모델러는 상관 관계와 패턴에 대한 수치 데이터를 분석합니다."
데이터 과학과 관련하여 Villanustre는 이상적인 후보자들이 영역과 비즈니스 지식이 복합 된이 두 가지 유형의 기술의 상위 집합을 보여 주어야한다고 설명합니다. "데이터 과학자들은 일반적으로 프로그래밍 기술에 대한 데이터 분석가보다 더 깊은 지식을 보유하고 있으며보다 정교한 기술을 사용하는 데이터 분석 방법에 대한 통계 모델러보다 더 광범위한 지식을 보유하고 있습니다."
이러한 직책에 지원할 때 회사가 실제로 수행하고있는 작업을 기록하는 것이 중요합니다.
"데이터 과학에 대한 화제가되면서 많은 기업들이 데이터 과학자를 고용하여 데이터 분석가의 직무를 수행하게되었으며, 이로 인해 데이터 분석 및 데이터 준비를 마치고 실제 데이터 과학을 수행하는 데 거의 시간을 소비하지 않습니다." SSA & Company는 빅 데이터 분석을 회사 운영으로 전환하는 전문 컨설팅 회사입니다.
새로운 도구를 사용하면 전문 지식 수준이 낮은 사람들이 분석 모델을 만들 수 있으므로 구직자를 구별하기 위해서는 비즈니스 지식 및 효과적인 의사 소통 기술과 같은 다양한 관련 기술이 중요합니다. 인터뷰를 할 때 회사가 원하는 것을 정확하게 연마 할 수있는 질문을해야합니다.
우리 사무실
성공하기 위해 필요한 것
나무의 숲을 보지 못하는 것에 대한 오래된 격언은 데이터 과학자, 분석가 또는 엔지니어로 일할 때 기억해야 할 중요한 것입니다. 핵심 데이터의 정확성이 중요하지만 회사가 해결하고자하는 문제에 대한 전반적인 그림을 인정하고 있습니다.
Galvin은“데이터 과학자들 사이에 지나치게 복잡 해져서 블랙홀에 빠지는 경향이있다”고 경고했다. "대신 해결하려는 비즈니스 문제에 대해 생각하고 무언가를 얻은 다음 반복해야합니다."
더욱이, 당신이하고있는 일에 대한 관심은 모든 일에서 사실과 마찬가지로 필수적입니다.
“기업은 다양한 문제에 대해 다양한 종류의 데이터 (예 : 이미지, 텍스트 및 재무 데이터)로 작업합니다. 성공하려면 작업 할 데이터 종류에 관심을 갖고 이해해야합니다.”라고 Galvin은 말했습니다. 예를 들어 의료 이미지를 다루는 데이터 과학자는 일반적으로 의사가 아니지만 최종 사용자 나 고객이 의사가됩니다. 그들이 해결하려는 문제를 이해할 수 있습니까? 이러한 문제를 해결하고 싶습니까?”
그리고 의사 소통이 있습니다. 데이터 과학자, 분석가 및 엔지니어는 자신의 언어를 사용하지만 직장에서 성공하려면 자신의 기술을 최대한 활용하고 혜택을 볼 수있는 사람들과 명확하게 의사 소통 할 수 있어야합니다.
Kramer는“비즈니스 이해 관계자와의 협업이 점차 중요 해지고 있습니다.
NASA가 새로운 컴퓨터 기계의 작업을 활용하고 검증하기 위해 휴먼 컴퓨터가 필요했던 1960 년대부터 데이터 과학 및 관련 경력은 먼 길을 왔습니다. 그러나 데이터가 어떻게 우리의 생활, 업무 및 비즈니스 방식을 형성 할 수 있는지에 대한 훌륭한 생각은 입력과 결과를 모두 해석하는 인간 전문가없이 데이터 과학이 심각하게 잘못 사용되거나 혼란 스러울 수 있습니다.
