Data Scientists
Hvem de er, og hvorfor de er vigtige
Hvad er en data scientist?
Data scientists er folk, der bruger deres ekspertise inden for statistik, programmering og industrielle domæner til at omdanne data til indsigt. Sagt på en anden måde er data scientists delvist matematikere, delvist dataloger og delvist trendspottere. De bruger deres IT-ekspertise til at hjælpe virksomheder med at beregne risici og skabe positive resultater.
Udvikling af rollen som data scientist
På det mest grundlæggende niveau er en data scientist en ny type analytisk dataekspert, som har de tekniske færdigheder til at løse komplekse kendte problemer og nysgerrigheden til at udforske, hvilke uidentificerede problemer der måske skal løses næste gang.
Data scientists bruger data science til at få indsigt i uanede mængder af data, både strukturerede og ustrukturerede. I takt med at automatisering og maskinlæring bliver vigtigere komponenter i store organisationers IT-strategier, vokser dataanalyse i omfang. Hvad er årsagen? Den enorme værdi, som specialister kan tilføre ved at omsætte bjerge af data til indsigt, der hjælper virksomheder med at maksimere deres potentiale.
Rollen som data scientist og vigtigheden af selve datavidenskaben slog rod og voksede i takt med fremkomsten af big data. Da datavæksten steg eksponentielt, blev det tydeligt for mange virksomheder, at de sad på en guldmine, men de var ikke altid i stand til at høste fordelene og få forretningsværdi ud af deres data. Hvis data virkelig er informationsalderens guld, blev det data science-medarbejderne, der behændigt kunne skelne de ægte skatte fra det uægte guld.
Da COVID-19-pandemien fejede hen over kloden, fik den de eksisterende tendenser til digital transformation til at accelerere og fik et større antal mennesker end forventet til at arbejde, shoppe og lade sig underholde online. Dette gjorde kun rollen som data scientist mere fremtrædende og deres funktion mere indlysende relevant.
En McKinsey-undersøgelse fra oktober 2020 bekræftede, at COVID-krisen fremskyndede digitaliseringen af kundeinteraktioner med flere år. Det giver derfor mening, at en SAS-undersøgelse fra 2021 viste, at 91% af data scientists mente, at deres arbejde var lige så vigtigt eller vigtigere, end det var før pandemien.
I takt med at værktøjer som ChatGPT vinder frem som kodegeneratorer, spørger nogle eksperter, om generativ AI vil erstatte data scientists? Det enkle svar er nej. I stedet kan generative AI-teknologier automatisere rutinemæssige dataopgaver og hjælpe dataforskere med at bruge mere tid på at bruge deres domæneviden til at udforske data, opbygge modeller og levere resultater.
Med den afledte effekt af tilpasninger i processer, praksisser, driftsparametre og antagelser ser data scientistens rolle ud til at fortsætte sin vækstkurve i en overskuelig fremtid. Personalemangel, forstyrrelser i forsyningskæden og en stigning i e-handel og cloud-tjenester peger alle på den samme konklusion.
Kompetencer som data scientist
Lad os se nærmere på livet som data scientist - deres roller og ansvarsområder i organisationen og de færdigheder, der bidrager til, at de kan udmærke sig. Som tidligere nævnt er en data scientists' primære opgave at anvende software til at organisere og analysere data. De skal også være dygtige til at oversætte resultaterne af deres analyser til udtryk, der er lette at forstå for interessenter, som sandsynligvis vil være en blanding af teknikere og ikke-teknikere.
Hvad laver data scientists egentlig til daglig? Denne grafik fra vores SAS-undersøgelse giver ikke kun et indblik i, hvordan de bruger deres tid, den giver også et ret kronologisk billede af deres processer. Indsamling af data er et vigtigt første skridt her, men kun et af mange, der er afgørende for at omdanne data til brugbar indsigt.
I AI-æraen forbereder og udforsker data scientists data, udvikler, træner og implementerer modeller og bidrager til innovation og forskning. De er også eksperter i at præsentere komplekse analyser på en forenklet visuel måde.
En bemærkning: Sørg for ikke at forveksle en data scientist, som har en tendens til at arbejde langsigtet, med en dataanalytiker. Analytikere understøtter beslutningstagning i realtid og på kort sigt. Data scientists tager en virksomheds eller en afdelings mål og ser længere frem i tiden og skaber forudsigelsesmekanismer og optimeringsalgoritmer for at skabe effektivitet på lang sigt.
Hvad med færdigheder? De bedste data scientists besidder en blanding af bløde og hårde færdigheder inden for programmering, kvantitativ analyse, intuition, kommunikation og teamwork. Og teamwork bliver stadig vigtigere:
En SAS-undersøgelse fra 2022 viser, at der fortsat er mangel på avancerede data scientist- kompetencer. Hele 63% af beslutningstagerne har ikke nok medarbejdere med AI- og ML- kompetencer, selv om 54% allerede bruger disse teknologier, og 43%-44% planlægger at gøre det i løbet af de næste par år.
At diskutere data science-relateret arbejde
Data scientist Robert Blanchard siger, at han er en koder i hjertet, og han elsker at kode, men han ser også fordelene ved træk-og-slip-modeller. Find ud af, hvordan han arbejder sammen med kolleger om at kombinere SAS® og Python for at implementere en datasynsmodel på en drone.
Her finder du data scientists
Der er ingen tvivl om, at nutidens AI-teknologier har potentiale til at forandre hele industrier. Som følge heraf bliver data scientists i stigende grad bedt om at løse komplekse problemer og hjælpe virksomheder med at betjene deres kunder bedre.
Data scientists i ...
Banker hjælper folk med at visualisere porteføljernes bæredygtige resultater.
Landbruget hjælper med at modellere CO2-kompensationsdata for at fremme bæredygtig gødningsproduktion.
Akademisk forskning modellerer de vigtigste risikofaktorer, der påvirker koralrevenes sundhed, og deler dem med andre miljøforkæmpere.
Energisektoren hjælper med at forudsige vejret for at få mest muligt ud af vedvarende energikilder som vind- og solenergi.
Sundhedspleje og biovidenskab hjælper med at strømline processer for at levere mere effektiv pleje og forbinde datakilder for at forbedre patienternes liv sammen med effektiviteten hos udbydere og myndigheder.
Forsikringsbranchen hjælper udbydere med at vurdere risici, opdage svindel og forfine produkttilbud for at skabe mere omsætning og betjene kunderne bedre.
Produktionsvirksomheder anvender maskinlæring til at forudse vedligeholdelseshændelser eller fejl på maskiner og holde gang i produktionslinjen.
Detailhandlen bruger AI til at hjælpe kunderne med at finde den korteste kø i butikken.
Den offentlige sektor redder liv ved at hjælpe redningsfolk med at navigere gennem trafiklysene.
Telekommunikation og medier hjælper med at optimere deres netværk og skræddersy kundeoplevelser bedre.
Mød tre data scientists
Pradnya Pethkar
En videregående uddannelse, en praktikplads og en certificering førte denne data scientist til at lande sin drømmekarriere i New Zealand.
Jessica Rudd
Data scientist Jessica Rudd er drevet, passioneret og nysgerrig og har taget en ph.d., så hun kan få indflydelse på fremtidens teknologi.
Timothy Bowtell
Bowtells historie viser, at det aldrig er for sent at skifte karriere, hvis man har ambitioner nok. Find ud af, hvordan - og hvorfor - han skiftede fra ingeniørvidenskab til data science.
Hvordan bliver man data scientist
Ønsker du at skabe dig en karriere inden for data science? Du er ikke alene. Denne disciplin bliver fortsat mere og mere relevant. Den gode nyhed er, at markedet langt fra er mættet for data scientist-jobs. Her er et par tanker om den uddannelse og træning, der er nødvendig at gennemgå for at få en karriere inden for området.
Studerende, der ønsker at blive data scientists
Kommer du direkte fra skolebænken, bør du overveje en bachelorgrad i data science eller et beslægtet område som f.eks. statistik, datalogi, computerteknik eller informationssystemer. Sørg for at vælge et universitet, der tilbyder en uddannelse i data science eller i det mindste kurser i data science og analyse.
Eksempler på institutioner med data science-uddannelser er Københavns Universitet, Aarhus Universitet, Danmarks Tekniske Universitet, Universitetet i Syddanmark, Roskilde Universitet, Copenhagen Business School og It-Universitetet i København. I mange tilfælde er SAS-kompetencer en del af pensum i data science.
Fagpersoner i midten af karrieren, der ønsker at blive data scientists
Mange fagpersoner er interesserede i at gøre karriere inden for data science. Mens de fleste data scientists har en baggrund i dataanalyse eller statistik, er der også andre, der kommer fra ikke-tekniske områder inden for business eller økonomi.
Uanset din baggrund skal du overveje, om du har de grundlæggende kompetencer, der gør en data scientist fremragende - nemlig en evne til at løse problemer, en god kommunikationsevne og en umættelig nysgerrighed efter at vide, hvordan tingene fungerer.
Overvej at specialisere dig i underemner som kunstig intelligens, forskning, databasestyring eller maskinlæring. Vær forberedt på at have en solid forståelse af:
- Statistik og maskinlæring.
- Kodesprog som SAS, R eller Python.
- Databaser som MySQL og Postgres.
- Datavisualisering og rapporteringsteknologier.
- Hadoop og MapReduce.
Bemærk, at en række universiteter nu tilbyder en cand.merc. i data science.
Karriereveje for data scientists
Topjobbet som data scientist i en stor organisation er chief data officer eller CDO. CDO'en fører tilsyn med alle datarelaterede funktioner og er ansvarlig for at hjælpe ledere og chefer med at få forretningsværdi ud af alle disse data. For ambitiøse ildsjæle kan vejen fra junior data scientist til CDO ser nogenlunde sådan ud:
- Dataanalytiker.
- Data scientist på mellemniveau.
- Senior data scientist.
- Data science manager.
- Direktør med ansvar for data science.
- Chief data officer.
Du kan opnå de kompetencer, du skal bruge for at blive data scientist, på egen hånd, gennem et onlinekursus eller en bootcamp. Det hjælper også at netværke. Du kan kontakte andre data scientists eller finde et online fællesskab. Endelig giver SAS Academy for Data Science mulighed for aspirerende data scientists til at mestre nøglekompetencer med dybdegående træning og professionelle certificeringer i:
- Kuratering af data.
- Avanceret analyse.
- AI og maskinlæring.
Løsninger inden for data science
SAS® Viya®-funktioner og -tilbud omfatter solid datahåndtering, visualisering, avanceret analyse og modelstyring for at fremskynde data science i enhver organisation.
SAS Visual Data Mining og maskinlæring giver dig mulighed for at løse de mest komplekse analytiske problemer med en enkelt, integreret samarbejdsløsning - nu med sin egen automatiserede modellerings-API.
SAS Visual Analytics giver dig mulighed for hurtigt at udarbejde rapporter interaktivt, udforske dine data gennem visuelle displays og udføre dine analyser på selvbetjeningsbasis.
Disse løsninger og mange flere er drevet af SAS Viya, SAS' markedsledende datavidenskabelige platform, der kører på en moderne, skalerbar, cloud-aktiveret arkitektur.
