Ein Tag im Leben eines Datenwissenschaftlers

Der Data Scientist-Karriereleitfaden von BrainStation kann Ihnen dabei helfen, die ersten Schritte in Richtung einer lukrativen Karriere in der Datenwissenschaft zu unternehmen. Lesen Sie weiter, um einen Überblick darüber zu erhalten, wie Data Scientists ihren Arbeitstag verbringen.

Werden Sie Data Scientist

Sprechen Sie mit einem Lernberater, um mehr darüber zu erfahren, wie unsere Bootcamps und Kurse Ihnen helfen können, Data Scientist zu werden.

Indem Sie auf Senden klicken, akzeptieren Sie unsere Bedingungen .

Einreichen

Senden nicht möglich! Seite aktualisieren und erneut versuchen?

Erfahren Sie mehr über unser Data Science Bootcamp

Danke!

Wir werden bald in Kontakt treten.

Siehe Data Science Bootcamp-Seite

Ein Tag im Leben eines Datenwissenschaftlers

Von allen Disziplinen, die in Brainstations Digital Skills Survey untersucht wurden, kann Data Science das breiteste Anwendungsspektrum umfassen. Doch obwohl Data Science schon seit Jahrzehnten existiert, ist sie erst seit Kurzem in voller Blüte. Mit der zunehmenden Verfügbarkeit von Daten haben Unternehmen erkannt, wie wichtig Data Science sein kann, sagt Briana Brownell, Gründerin und CEO von Pure Strategy und seit 13 Jahren Data Scientist. Jedes Unternehmen muss sich jetzt teilweise auf Technologie konzentrieren. Erst diese Woche zahlte McDonald’s beispielsweise schätzungsweise 300 Millionen US-Dollar für die Übernahme seiner eigenen Big-Data-Firma.

Kein Wunder also, dass die Konkurrenz um Data Scientists unglaublich groß ist. In nur zwei Jahren soll die Nachfrage um 28 Prozent wachsen, was etwa 2,7 Millionen neuen Arbeitsplätzen entspricht. Das sind mehr offene Stellen, als neue Absolventen besetzen können – was bedeutet, dass Techniker in anderen Bereichen ihre Fähigkeiten auffrischen und auf Daten umsteigen müssen, um diese Nachfrage zu befriedigen.

Tatsächlich deutet unsere Umfrage darauf hin, dass dies bereits geschieht. Ungefähr vier von fünf Datenprofis haben ihre Karriere mit einem anderen Beruf begonnen, und 65 Prozent aller Datenwissenschaftler arbeiten seit fünf Jahren oder weniger in diesem Bereich. Dieser riesige Zustrom neuer Köpfe hat einen zweischneidigen Effekt, sagt Brownell; Einerseits kommen viele neue Ideen herein, sagt sie. Wenn ich mir einige der Inhalte aus der Data-Science-Community ansehe, bin ich überrascht, wie viel Innovation es gibt. Die Kehrseite ist jedoch die Tendenz, das Rad neu zu erfinden.

Die hohe Nachfrage nach Data Scientists ist groß, wenn Sie einer sind (oder darüber nachdenken, einer zu werden), aber für Arbeitgeber kann die Rekrutierung eine entmutigende Herausforderung sein. Umschulung ist hier eine offensichtliche Lösung; Es kann kostengünstiger sein, einen aktuellen Mitarbeiter in Data Science umzuschulen, als einen neuen abzuwerben.

Aber selbst wenn Sie planen, ein neues Data-Science-Team einzustellen, muss Ihre Organisation als Ganzes möglicherweise ihre Datenkompetenz auffrischen, warnt Brownell. Jeder möchte an etwas arbeiten, das sich auf seinen Arbeitsplatz auswirkt und das Leben der Menschen besser macht, sagt sie. Wenn Ihre Unternehmenskultur nicht so ist, dass [Ihre Data Scientists] etwas bewirken können, ist es fast unmöglich, sie einzustellen. Führungskräfte müssen nicht nur in der Lage sein, potenziellen Mitarbeitern mitzuteilen, wie sie einen Beitrag leisten können, sondern auch die Vorschläge verstehen, die ihr Data-Science-Team schließlich unterbreitet.

Leider, sagt Brownell, sind die unbequeme Mehrheit die Unternehmen, die die Dinge nicht herausgefunden haben. Unsere Umfrage bestätigt dies: Die meisten Befragten (52 Prozent) bezeichneten das Niveau der Datenkompetenz in ihren Organisationen als einfach, gefolgt von einer mittleren Antwort (31 Prozent). Dies deutet darauf hin, dass eine grundlegende Data-Science-Schulung für die große Mehrheit der Unternehmen nützlich sein könnte – insbesondere für Führungskräfte.

Dieser Bedarf an verbesserter Datenkompetenz – und Kommunikation – wird durch die Art und Weise verstärkt, wie die meisten Data-Science-Teams strukturiert sind: als eigenständiges Team, normalerweise mit 10 Personen oder weniger (laut 71 Prozent der Befragten) und oft mit fünf oder weniger Personen (38 Prozent). ). Diese eng verbundenen Teams können es sich nicht leisten, isoliert zu sein. Einzelpersonen, die in größeren Unternehmen arbeiten, gehören normalerweise zu einer kleinen Data-Science-spezifischen Gruppe, und ihre Kunden sind interne – andere Teile der Organisation, erklärt Brownell, also ist es ein Team, das in vielen verschiedenen Bereichen der Organisation tätig sein muss.

Was genau ist Data Science?

Die allgemeine Wahrnehmung (dass Data Scientists mit Zahlen rechnen) ist nicht allzu weit daneben, sagt Brownell. Es gibt viele Datensätze, aus denen Erkenntnisse gewonnen werden müssen, und das erfordert viele Schritte wie Modellerstellung und Datenbereinigung und sogar nur die Entscheidung, welche Daten Sie benötigen. Letztendlich ist dieser Aufwand jedoch zielgerichtet: Im Kern muss man etwas mit den Daten machen.

Daten sind übrigens nicht immer Zahlen. Während die Mehrheit der Befragten (73 Prozent) angab, mit numerischen Daten zu arbeiten, gaben 61 Prozent an, auch mit Text, 44 Prozent mit strukturierten Daten, 13 Prozent mit Bildern und 12 Prozent mit Grafiken zu arbeiten (und kleine Minderheiten arbeiten sogar mit Video und Audio —6 Prozent bzw. 4 Prozent). Diese Umfrageergebnisse deuten darauf hin, wie sich die Datenwissenschaft weit über Finanztabellen hinaus ausdehnt und Menschen für Projekte wie die Maximierung der Kundenzufriedenheit oder das Sammeln wertvoller Erkenntnisse aus dem Feuerwehrschlauch der sozialen Medien rekrutiert.

Infolgedessen gibt es im Bereich Data Science eine enorme Vielfalt, sagt Brownell. Jede Branche hat ihre eigene Vorstellung davon, an welchen Arten von Daten die Data Scientists arbeiten, welche Arten von Ergebnissen sie erwarten und wie dies in die Führungsstruktur ihres Unternehmens passt. In jedem Fall besteht das Ziel jedoch darin, Daten zu nutzen, um einem Unternehmen zu helfen, bessere Entscheidungen zu treffen. Das könnte bedeuten, Produkte besser zu machen, den Markt zu verstehen, in den sie vordringen wollen, mehr Kunden zu halten, ihren Arbeitskräfteeinsatz zu verstehen, zu verstehen, wie man gute Mitarbeiter einstellt – alle möglichen Dinge.

Data Science-Jobs

In manchen Bereichen der Technologie kann es Ihr bester Fuß in der Tür sein, ein Generalist zu werden – nicht so bei der Datenwissenschaft. Arbeitgeber suchen in der Regel nach Fähigkeiten, die auf ihre Branche spezialisiert sind. Da es so viele verschiedene Arten von Data Science gibt, ging unsere Umfrage tiefer und untersuchte fünf Hauptberufskategorien: Data Analyst, Researcher, Business Analyst, Data and Analytics Manager und Data Scientist im eigentlichen Sinne.

Bei all diesen Berufsbezeichnungen nimmt das Datenringen und -bereinigen einen Großteil der Zeit in Anspruch – aber zu welchem ​​Zweck? Am häufigsten geht es darum, eine bestehende Plattform, ein Produkt oder ein System zu optimieren (45 Prozent) oder neue zu entwickeln (42 Prozent). Als wir tiefer gruben, stellten wir fest, dass die Optimierung bestehender Lösungen eher Business-Analysten und Datenanalysten obliegt, während die Entwicklung neuer Lösungen häufiger Data Scientists und Forschern obliegt.

Auch die Techniken, die Data Scientists verwenden, variieren je nach Spezialisierung. Die lineare Regression war ein gängiges Werkzeug in allen Kategorien und wurde von 54 Prozent der Befragten genannt, aber es gab ein paar Überraschungen, als wir uns die Software ansahen, die die Leute verwenden.

Excel – das Arbeitspferd der Datensatzmanipulation – ist praktisch allgegenwärtig, wird von 81 Prozent aller Befragten genannt und ist das beliebteste Tool in jeder Kategorie, mit Ausnahme der eigentlichen Data Scientists (die sich am häufigsten auf Python verlassen – und auch ein größeres Toolkit als andere Kategorien angeben). ). Was macht Excel auch im Jahr 2019 so unausweichlich?

Das, was ich an Excel liebe, ist, wie es Ihnen ermöglicht, die Daten zu sehen und ein intuitives Gefühl dafür zu bekommen, erklärte Brownell. Wir verwenden auch viel Python, und in diesem Fall ist es ausgeblendet, wenn Sie Analysen für eine Datendatei durchführen. Wenn Sie einen Teil Ihres Codes nicht speziell programmieren, um die Rohdaten, die Sie analysieren, zu visualisieren, sehen Sie sie nicht. Während es bei Excel direkt vor Ihnen liegt. Das hat viele Vorteile. Manchmal können Sie Probleme mit der Datendatei erkennen. Ich sehe nicht, dass Excel jemals aus der Analyse verschwindet.

Allerdings gibt es noch eine lange Liste anderer Programme, die in diesem Bereich verwendet werden – was angesichts seiner Vielfalt nicht überraschend ist. SQL (43 Prozent) und Python (26 Prozent) sind in der Beliebtheitsskala führend, wobei Tableau (23 Prozent), R (16 Prozent), Jupyter Notebooks (14 Prozent) und eine Handvoll anderer eine beachtliche Zahl erreichen – ganz zu schweigen von den satten Zahlen 32 Prozent der Befragten, die andere Tools nannten, auch angesichts dieser bereits langen Liste.

Was ist die Zukunft der Datenwissenschaft?

Abschließend haben wir gefragt, welche Trends die digitale Landschaft in den nächsten fünf bis zehn Jahren prägen werden. Maschinelles Lernen und KI – beide haben Anwendungen in der Datenwissenschaft – waren mit überwältigender Mehrheit die Entwicklungen, von denen die Befragten mit 80 Prozent bzw. 79 Prozent die größten Auswirkungen erwarten. Und das, obwohl derzeit weniger als ein Viertel (23 Prozent) von ihnen mit KI arbeitet.

Künstliche Intelligenz kann die Datenwissenschaft absolut verändern, bestätigt Brownell, dessen Unternehmen KI-Produkte entwickelt. Das ist wirklich der Ruhm von unüberwachten Lernmethoden. Wir haben nur so viel Zeit, um uns diese Datensätze anzusehen, und besonders bei großen ist es sehr schwierig, alles zu tun. KI-Tools können dabei helfen, etwas aufzudecken, nach dem Sie vielleicht nicht gedacht hätten, danach zu suchen. Das ist uns definitiv passiert.

Weitere Trends, von denen Data Scientists erwarten, dass sie in naher Zukunft dominieren werden: das Internet der Dinge (51 Prozent), Blockchain (50 Prozent) und E-Commerce (36 Prozent), Augmented Reality und Virtual Reality (38 Prozent und 27 Prozent) und sogar Sprach- basierende Erfahrungen (25 Prozent) – alles wichtige Vorführungen und alle Bereiche, in denen Data Science sinnvoll eingesetzt werden kann.