Data scientists
Vilka de är och varför de är viktiga
Vad är en data scientist?
Data scientists är personer som använder sin expertis inom statistik, programmering och branschkunnande för att förvandla data till insikter. Med andra ord är data scientists dels matematiker, dels datavetare och dels trendupptäckare. De använder sina it-kompetenser för att hjälpa företag att beräkna risker och skapa positiva resultat.
Utveckling av data scientist-rollen
På den mest grundläggande nivån är en data scientist en ny slags analytisk dataexpert som har de tekniska kompetenser som krävs för att lösa kända, komplexa problem och den nyfikenhet som krävs för att utforska vilka hittills okända problem som behöver lösas härnäst.
Data scientists använder data science för att lyfta fram insikter från oerhörda mängder strukturerad eller ostrukturerad data. Allt eftersom automatisering och maskininlärning blir viktigare komponenter i stora organisationers it-strategi spelar också dataanalys en större roll. Orsaken? Det enorma värde som data scientists kan tillföra genom att omvandla stora mängder data till insikter som hjälper företag att maximera sin potential.
Data scientist-rollen och vikten av data science som område slog rot och växte tillsammans med uppsvinget av big data. Med den exponentiella tillväxten av datamängder blev det tydligt för många organisationer att de satt på en guldgruva, men att de saknade kompetensen som krävs för att dra nytta av fördelarna och förvandla sin data till framgångar. Om data är informationstidsålderns guld är data scientists experterna som kan skilja på kattguld och äkta skatter.
När covid-19-pandemin spred sig över världen accelererades de redan existerande trenderna mot en digital transformation och ledde till att fler människor än förväntat använde internet för arbete, shopping och underhållning. Detta underströk vikten av data scientists och fastställde det uppenbara behovet av dem.
En undersökning från McKinsey som genomfördes i oktober 2020 bekräftade att covid-19-pandemin påskyndade digitaliseringen av kundinteraktioner med flera år. Mot bakgrunden av detta är det inte förvånande att en enkätundersökning från SAS år 2021 visade att 91 % av tillfrågade data scientists nu ansåg att deras arbete var lika viktigt eller ännu viktigare än före pandemin.
Medan verktyg som ChatGPT vinner mark för kodgenerering undrar en del experter om generative AI kommer att ersätta data scientists. Det enkla svaret är nej. I stället kommer generativ AI kunna bidra till att automatisera rutinuppgifter som involverar data och hjälpa data scientists att ha mer tid att använda sin expertis för att utforska data, bygga modeller och leverera resultat.
Med dominoeffekter av anpassningar i processer, procedurer, parametrar och antaganden verkar det som att rollen som data scientists har kommer att fortsätta växa inom en överskådlig framtid. Personalbrist, störningar i försörjningskedjan och uppsvinget av e-handel och molntjänster pekar på samma slutsats.
En data scientists kompetenser
Vi ska titta närmare på hur data scientists vardagar ser ut – vilka roller och ansvarsområden de har i organisationen och vilka kompetenser som utmärker dem. Data scientists främsta uppgift är som sagt att använda mjukvara för att organisera och analysera data. De måste också vara skickliga på att förklara vad de hittar i analysen på ett enkelt sätt så att alla intressenter, oavsett deras teknikkunskaper, förstår.
Vad gör data scientists egentligen i arbetsvardagen? Den här grafiken från vår SAS-enkätundersökning ger inte bara insyn i vad de gör på jobbet utan visar också ett relativt kronologiskt perspektiv på deras arbetsprocesser. Att samla in data är ett viktigt första steg – men det är bara ett av många steg som alla är avgörande för att förvandla data till insikter som kan omsättas i praktiken.
I denna AI-era förbereder och utforskar data scientists data, de tar fram, tränar och driftsätter modeller och bidrar till forskning och innovation. De är också experter på att presentera komplexa analyser med förenklade visualiseringar.
Men tänk på att inte blanda ihop data scientists, som arbetar med ett långsiktigt perspektiv, med dataanalytiker. Analytiker arbetar med att ta fram underlag för kortsiktiga beslut och beslutsfattning i realtid. Data scientists tar ett företags eller en avdelnings mål och tittar långt fram i tiden för att ta fram prognosmotorer och optimeringsalgoritmer för att öka effektiviteten på lång sikt.
Vilka kompetenser behövs? De bästa data scientists besitter en kombination av mjuka och hårda kompetenser inom programmering, kvantitativ analys, intuition, kommunikation och teamwork. Och just teamwork blir allt viktigare:
En enkätundersökning SAS genomförde år 2022 visar en fortlöpande brist på data scientists avancerade kompetenser. Så många som 63 % av beslutsfattarna har inte tillräckligt många anställda med kompetenser inom AI och maskininlärning trots att 54 % redan använder dessa tekniker och 43–44 % planerar att använda dem inom ett par år.
Samtal om data scientists arbete
Robert Blanchard, data scientist, säger att han är programmerare i hjärtat och älskar att skriva kod men att han också ser fördelarna i dra-och-släpp-modeller. Få reda på mer om hur han arbetar med sina kollegor för att kombinera SAS® och Python för att driftsätta en modell för datorseende i drönare.
Här arbetar data scientists
Det är ingen fråga om att dagens AI-teknik har potentialen att förvandla hela branscher. Som ett resultat behöver data scientists lösa komplexa problem och hjälpa företag att betjäna sina kunder ännu bättre.
Data scientists inom ...
bankväsendet hjälper personer att visualisera sina portföljers hållbarhet
lantbruk modellerar klimatkompensationsmodeller för att främja en hållbar gödselproduktion
akademisk forskning modellerar stora riskfaktorer som påverkar korallrevens hälsa och delar resultaten med naturvårdare
energi hjälper till att prognosticera vädret för att maximera förnybara energikällor som vind- och solkraft
hälsovård och life science förenklar processer för att ge effektivare vård och sammankopplar datakällor för att förbättra patienters liv och samtidigt göra vårdgivare och myndigheter mer effektiva
försäkring hjälper försäkringsgivare att utvärdera risker, upptäcka bedrägerier och förfina produktutbudet för att vinna fler affärer och ge kunderna bättre tjänster
tillverkning använder sig av maskininlärning för att förutsäga när maskiner behöver servas och förekomma möjliga haverier för att hålla igång produktionslinjen
detaljhandel använder AI för att hjälpa kunder att välja den snabbaste kön i butiken
offentlig sektor räddar liv genom att koordinera trafikljus vid nödutryckningar
telekom och media hjälper till att optimera nätverk och bättre skräddarsy kundupplevelserna
Möt tre data scientists
Pradnya Pethkar
En högre examen, en praktikplats och en certifiering gjorde att denna data scientist fick sitt drömjobb i Nya Zeeland.
Jessica Rudd
Driven, passionerad och nyfiken – Jessica Rudd är en data scientist som doktorerade för att kunna påverka teknikens framtid.
Timothy Bowtell
Bowtells berättelse bevisar att det aldrig är för sent att byta karriär om du har rätt driv. Ta reda på hur – och varför – han gick från att arbeta som ingenjör till att bli data scientist.
Så blir du en data scientist
Funderar du på hur du kan göra karriär inom data science? Det är du inte ensam om. Detta är ett område som fortsätter att bli allt mer relevant. De goda nyheterna är att arbetsmarknaden för data scientists inte ens är i närheten av att bli mättad. Här är några insikter kring vilken utbildning som behövs för att arbeta inom yrket.
Studenter som vill bli data scientists
Om du kommer direkt från gymnasiet och vill arbeta inom data science kan du överväga att läsa ett kandidatprogram i data science eller en relaterad gren som statistik, datavetenskap, dataingenjör och informationssystem. Se till att du väljer ett universitet som erbjuder åtminstone kurser i data science och analys om det inte finns ett helt kandidatprogram inom ämnet.
Yrkesverksamma som vill bli data scientists
Många yrkesverksamma människor funderar på att byta karriär. Även om många data scientists har en bakgrund inom dataanalys eller statistik finns det andra som inte har arbetat med teknik tidigare utan som tar steget från en karriär inom till exempel finans eller företagande.
Oavsett vad du har för bakgrund är det klokt att fundera kring om du har de grundläggande kompetenser som hjälper data scientists att briljera i yrkesrollen – problemlösningsförmåga, kommunikationsförmåga och en bottenlös nyfikenhet kring hur saker fungerar.
Överväg att specialisera dig inom undergrenar som AI, forskning, databashantering eller maskininlärning. Var förberedd genom att ha en god förståelse för:
- statistik och maskininlärning
- programmeringsspråk som SAS, R och Python
- databaser som MySQL och Postgres
- datavisualiserings- och rapporteringsteknologier
- Hadoop och Mapreduce.
Idag erbjuder också flera universitet ett masterprogram i data science.
Karriärstegen för data scientists
Den högsta tjänsten en data scientist kan ha i stora organisationer är chief data officer, CDO. CDO:n styr alla datarelaterade funktioner och ansvarar för att hjälpa chefer och ledare att utvinna affärsnytta ur organisationens datamängder. För ambitiösa karriärister kan vägen från junior data scientist till CDO se ut ungefär såhär:
- dataanalytiker
- dataanalytiker på mellannivå
- senior dataanalytiker
- data science manager
- data science director
- chief data officer.
Det är möjligt att bli en självlärd data scientist men du kan behöva kunskapsintyg från kurser eller program. Det hjälper också att nätverka. Du kan till exempel knyta kontakter med andra data scientists eller bli del av en community online. Slutligen ger SAS Academy for Data Science blivande data scientists möjligheten att utveckla sina kunskaper och kompetenser genom djupgående utbildningar och certifieringar inom:
- data curation
- avancerad analys
- AI och maskininlärning.
Lösningar inom data science
SAS® Viya® möjligheter och funktioner ger dig robust datahantering, datavisualisering, avancerad analys och modellhantering för att accelerera data science på företaget.
SAS visuell datautvinning och maskininlärning låter dig lösa komplexa analytiska problem med en enda, integrerad, kollaborativ lösning – nu med ett API för automatiserad modellering.
SAS visuell analys ger dig verktygen för att snabbt skapa rapporter på ett interaktivt sätt, utforska dina data genom visualiseringar och genomföra analyser i ett självbetjäningskoncept.
Dessa lösningar, och fler därtill, drivs av SAS Viya som är SAS marknadsledande data science-plattform som bygger på en modern, skalbar och molnaktiverad arkitektur.