如何定义数据科学家演化作用

中最近发布26美最佳作业2016Glassdoor数据科学家名列一生-但并不只是技术名列前茅遍及所有行业报表引用了1 736田间空缺数、中位基本工资115 840美元和总工作分4.75,这些都是快速增长职业轨迹最有希望的统计数快速增长数据科学作业 严重缺少合格人选企业使用数据科学家常不知道如何有效利用他们的技能.

事实上麦金赛全球学院大数据几乎遍及所有行业 发现截至2009年 几乎每家公司平均200TB存储数据-六年前自2009年以来数据挖掘大幅增加,截至2016年每一技术公司收集大量数据上用户研究还显示到2018年 美国人才差14万至19万合格数据科学工作者

Tye Rattenbury数据科学主管三法特观察数据科学家角色演化 公司想出如何正确使用这些员工Rattenbury表示, 企业需要进入数据策略,

定义作业描述

数据科学家期望不仅管理数据,还解释数据并有效传递给他人多数数据科学家都困在维护模式中-整理数据,而不是花时间分析数据,据Rattenbury表示。和所有新事物和令人兴奋的事情一样, 关于什么是可能的和什么是最佳实践实有许多模棱两可大获奖者(包括个人数据科学家和雇用他们的公司)将接受学科透视并精通那些能并确实增加值的活动,

Aaron Beach数据科学家SendGrid表示, 建立数据科学角色或部门的最佳方法不是使科学家沉浸于信息超载中,战略应该定义过程 原始数据化为决策人可操作信息 而不是原始数据有用或无用

企业从数据科学家中获取更多数据的另一个方式是集中建设部门,不只反映对数据的高期望,而且基于企业的实际需求。企业在招聘过程开始前应该知道 需要多少数据科学家

数据科学不成熟 多样性 定义模糊正因如此 无法判断公司需要多少或哪种数据科学家SendGrid系统定义数据科学作业及其职业路径与产品工程过程相关-这帮助解答需要多少数据科学家的问题并直接定义员工技能集,

相关故事数据科学如何改变能源产业万事通

协调方法

数据科学新领域,据Rattenbury称,多数数据科学家都拥有包含统计分析、域域和商业知识或编码等背景但他也指出,仅仅因为他们能做所有这些事, 并不一定表示他们应该做Rattenbury表示:「在多数企业中,数据种类繁多和数据潜在应用种类多需要多人努力,

他说有2个地方 数据科学家可以在商业中发光 和他们应该集中 大部分时间和能量首位数据据Rattenbury称,环绕原始数据摄取或数据生成即表示数据科学家应集中技能寻找最有用方法使用数据并最佳存储管理数据并使用数据“驱动公司内部自动化过程”, Rattenbury表示 。

不贪心

企业也应避免数据贪婪-因为太多好事物的想法当然可以应用到数据上。收集的数据可能比他们探索和评估值的能力多解决问题的一个方法-即更有选择地分析数据-Rattenbury表示 。

Rattenbury建议灵活处理数据策略-即考虑随新数据创举变化时应改变之事-企业可以用这种方式去思考什么有效,什么无效 关键角色是谁 和值绑定特定数据点然而,以这种方式优先数据并不仅仅是数据科学家的任务, 他说,这是一项需要把公司内每一个人都包括进来的任务。数据科学家无法预测或知道每个部门需要哪些数据, 所以执行有效数据策略需要全公司性任务, 而不是单项努力

企业表示哪些可以改变, 并请求所有员工假设如何评估各种组合变化的相对值时, 有效提高企业数据分析能力Rattenbury表示:「这是构建真正数据驱动文化的柱石,

相关故事不寻找独角兽 建数据科学队万事通

现实方法

建立协调方法固然大有裨益, 但也需要现实化-然而,正如Rattenbury指出的, 多数企业没有为所雇用的数据科学家制定计划。企业建设数据驱动策略时, 不应该试图割角或省钱, 因为数据不仅仅是另一个商业创举-这是企业的未来

举例说,如果你业务重数据,你可能需要雇用专人管理数据, 和其他人负责分析数据, 而不是期望一两位科学家自己做所有事归根结底你可能需要雇用比预期多的人, 因为数据无法由一两个人管理分析想要从数据中获取最大值,需要预算、人力和资源支持

这可能意味着数据科学与IT分离,据Rattenbury称并不表示应该完全分离, 代之以协调团队工作, 而不是同队工作泛泛地说,IT和专用数据组织最好不相互报告同侪组织滚动到中心组织协调工作,

企业需要理解数据不简单概念需要大量规划、献身和资源才能兴旺数据是加深理解的关键自然会有一些落后公司最终会发现自己急忙赶上同龄人关键平衡点是投入多少资源进化并改进数据使用量与保持竞争力需要量之比 rattenbury说 。