Anonim

Alle diese Straßen führen zum gleichen Ziel: Eine Aufgabe, bei der große Datenmengen zusammengestellt, analysiert und interpretiert werden, um nach Informationen von Interesse oder Wert zu suchen.

Data Science umfasst "Big Data", Datenanalyse, Business Intelligence und mehr. Data Science wird zu einer wichtigen Disziplin in der IT, da Unternehmen auf diese Weise Wert aus den vielen Arten und großen Mengen von Daten ziehen können, die sie bei der Erledigung ihrer Aufgaben sammeln. Wenn Sie mit Kunden Geschäfte machen, erfahren Sie mehr über diese Kunden.

Für diejenigen, die eine Lieferkette unterhalten, hilft es ihnen, mehr und bessere Möglichkeiten zur Anforderung, Beschaffung und Verwaltung von Lieferkomponenten zu verstehen. Für diejenigen, die den Märkten folgen (oder versuchen, diese zu antizipieren) - wie Finanzwerte, Rohstoffe, Beschäftigung usw. - hilft es ihnen, genauere und aufschlussreichere Modelle für solche Dinge zu konstruieren. Die Anwendungen für die Datenwissenschaft sind nur durch unsere Fähigkeit begrenzt, Verwendungen zu konzipieren, für die Daten verwendet werden können - mit anderen Worten, unbegrenzt.

Unabhängig davon, wo Sie nach Daten suchen, kann Data Science eine Rolle spielen, wenn regelmäßig große Mengen an Informationen gesammelt und gespeichert werden. Es kann wahrscheinlich nützlich oder interessant sein, etwas über solche Sammlungen zu sagen, wenn diejenigen, die sie untersuchen, die richtigen Arten von Abfragen anhand dieser Daten formulieren und verarbeiten können. Dies erklärt den steigenden und anhaltenden Wert von Data Science für die meisten Unternehmen und Organisationen, da alle von ihnen heutzutage routinemäßig verschiedene Arten von Daten sammeln und verwalten.

Die Grundvoraussetzung für eine langjährige IT-Karriere ist ein Bachelor-Abschluss in etwas Computerbezogenem. Dies bedeutet in der Regel einen Abschluss in Informatik, Management Information Systems (MIS), Informatik, Informatik oder Ähnlichem. Sicherlich kommen viele Leute aus anderen Bereichen, aber je mehr Mathematik und Naturwissenschaften sich bei diesem Übergang abzeichnen, desto einfacher wird die Anpassung. Angesichts des prognostizierten Mangels an IT-Mitarbeitern, insbesondere in Bereichen mit hoher Nachfrage, zu denen nicht nur Datenwissenschaften, sondern auch Netzwerke, Sicherheit, Softwareentwicklung, IT-Architektur und ihre verschiedenen Spezialbereiche, Virtualisierung und mehr gehören, ist es schwierig, Fehler zu machen Art von Berufseinstieg.

Für Datenwissenschaftler wird ein ausgeprägter mathematischer Hintergrund, insbesondere in den Bereichen Statistik und Analyse, dringend empfohlen, wenn nicht unbedingt erforderlich. Dies geht natürlich einher mit einer ebenso starken akademischen Grundlage in der Informatik. Diejenigen, die bereit sind, sich zu einem Master oder Ph.D. durchzuschleichen. Vor dem Eintritt in die Belegschaft könnte Data Science ein besonders attraktives und lohnendes Studienfeld finden, wenn dieser Slog zu Ende geht. In diesem Fall können sie auch direkt in die Karriereschritte auf mittlerer oder hoher Ebene springen.

Wenn Data Science ein langfristiges Ziel ist, ist es umso besser, je mehr Erfahrung man im Umgang mit Daten hat. Herkömmliche Wege in die Datenwissenschaft beginnen möglicherweise direkt in diesem Bereich, obwohl viele IT-Experten auch von Programmier-, Analysten- oder Datenbankpositionen abweichen.

Ein Großteil des Fokus in der Datenwissenschaft liegt auf der Arbeit mit sogenannten "unstrukturierten Daten" - ein Begriff, der zum Beschreiben von Sammlungen von Informationen verwendet wird, die normalerweise außerhalb einer Datenbank gespeichert sind, z. B. große Ansammlungen von Ereignis- oder Sicherheitsprotokollen, E-Mail-Nachrichten und Kundenfeedbackantworten, andere Textrepositorys und so weiter. Daher finden es viele IT-Experten nützlich, sich mit Technologien wie NoSQL und Datenplattformen wie Hadoop, Cloudera und MongoDB zu beschäftigen. Das liegt daran, dass die Arbeit mit unstrukturierten Daten einen immer größeren Anteil an dem hat, was Datenwissenschaftler tun. IT-Profis im Anfangsstadium konzentrieren sich in der Regel auf die Programmierung für Big-Data-Umgebungen oder arbeiten unter der Leitung von mehr leitenden Mitarbeitern, um Big-Data-Sets für die weitere Abfrage und Analyse vorzubereiten.

In dieser frühen Phase der Karriere ist es ein Muss, sich mit textorientierter Programmierung und grundlegendem Pattern-Matching oder Abfrageformulierung vertraut zu machen, zusammen mit einer starken und wachsenden Basis an Erfahrung in den Bereichen Codierung, Testen und Codewartung. Die Entwicklung grundlegender Soft Skills in der mündlichen und schriftlichen Kommunikation ist eine gute Idee, ebenso wie der Umgang mit grundlegenden Prinzipien und Praktiken der Business Intelligence und Analyse. Dies führt direkt zu den im nächsten Abschnitt erwähnten Zertifizierungen für Berufseinsteiger.

Grundlegende datenwissenschaftliche Schulungen sind jetzt online in Form von massively open online courses (MOOCs) verfügbar. Unter den zahlreichen derzeit verfügbaren Angeboten bietet der Quora-Artikel „Was ist das beste MOOC für den Einstieg in Data Science?“Im Januar 2017 eine Reihe von Antworten und listet Kurse aus Quellen wie Duke (Coursera), MIT, Caltech und dem Indisches Institut für Management und Business (edX), Stanford und mehr. MS hat seitdem ein Microsoft Professional Program in Data Science eingerichtet, das neun Kurse zu verschiedenen verwandten Themen und ein Abschlussprojekt umfasst, um einen einigermaßen vollständigen Einführungslehrplan zu diesem Thema vorzulegen. (Kurse sind nicht kostenlos, aber mit jeweils 99 US-Dollar recht günstig.)

Data Science ist ein großes Fachgebiet. Wenn Sie also drei bis fünf Jahre in der Belegschaft gearbeitet haben und sich auf einen Karriereweg eingeschlichen haben, werden Sie sich auch auf eine oder mehrere Data Science-Spezialgebiete beschränken und Plattformen. Dazu gehören Bereiche wie Big Data-Programmierung, Analyse, Business Intelligence und mehr. Jeder oder alle von ihnen können Sie in eine Art Front-Line-Data-Science-Job versetzen, selbst wenn Sie sich auf den Job konzentrieren.

Dies ist die Karrierestufe, in der Sie zunehmend technische Fähigkeiten und Kenntnisse erwerben, während Sie gleichzeitig unter Ihren Kollegen mehr Dienstalter und Verantwortung erlangen. Soft Skills werden auch in der Mitte der Karriere wichtiger, da Sie in dieser Karrierephase Ihre Fähigkeiten nutzen müssen, um mit anderen zu kommunizieren und sie zu führen oder zu leiten (hauptsächlich zu technischen Themen im Zusammenhang mit Datenwissenschaften und ihren Ergebnissen oder Ergebnissen).

Dies ist eine Zeit für berufliches Wachstum und Spezialisierung. Aus diesem Grund gibt es eine viel breitere Palette von Themen und Bereichen, die zu berücksichtigen sind, wenn man sich eingehender mit Datenwissenschaft befasst, um gezieltere und intensivere technische Fähigkeiten und Kenntnisse zu entwickeln. Data-Science-bezogene Zertifizierungen können dabei wirklich hilfreich sein, erfordern jedoch einige sorgfältige Recherchen und Überlegungen. So könnte sich beispielsweise eine Person für Zertifizierungen entscheiden, die sich auf eine bestimmte Big-Data-Plattform oder ein bestimmtes Toolset beziehen, z. B. Certified Analytics Professional, MongoDB, Dell / EMC, Microsoft, Oracle oder SAS.

Dies ist ein Punkt, an dem man sich möglicherweise eher auf die Big-Data-Programmierung für Hadoop, Cloudera oder MongoDB oder auf die Ausführung von Analysen und die Interpretation von Ergebnissen aus bestimmten Big-Data-Sets spezialisiert. Cloudera deckt die meisten dieser Datenbanken für sich ab, weshalb es sich lohnt, die Angebote zu prüfen: Neben vielen anderen Zertifizierungen verfügen sie über Data Scientist, Data Engineer, Spark und Hadoop Developer sowie Administrator für Apache Hadoop-Anmeldeinformationen. Heutzutage gibt es Dutzende von Big Data-Zertifizierungen, von denen immer mehr online gehen. Sie müssen also Ihren technischen Interessen und Neigungen folgen, um mehr darüber zu erfahren, welche für Sie richtig sind.

Nach 10 oder mehr Jahren in der Belegschaft ist es Zeit, sich ernsthaft mit Data Science / Big Data zu beschäftigen. Dies ist der Punkt, an dem die meisten IT-Profis nach höheren Positionen auf der Karriereleiter für Aufgaben und Zuständigkeiten greifen.

Jobs mit Titeln wie Senior Data Analyst, Senior Business Intelligence Analyst, Senior Data Scientist, Big-Data-Plattform-Spezialist (wo Sie bei der Suche nach Chancen den Namen Ihrer ausgewählten Plattform eingeben können), Senior Big-Data-Entwickler usw. sind vertreten Welche Positionen werden Data Science-Profis voraussichtlich an der Karriereleiter einnehmen? IT-Experten auf Experten- oder Senior-Ebene leiten häufig Projektteams unterschiedlicher Größe an diesem Punkt der Karriereleitung, auch wenn ihre Jobs keinen bestimmten Managementtitel tragen oder keine Verantwortlichkeiten für das offene Management haben. Dies bedeutet, dass Soft Skills mit einem zunehmenden Schwerpunkt auf Führung und Weitblick sowie auf Fähigkeiten im Bereich Personal- und Projektmanagement sowie auf mündlicher und schriftlicher Kommunikation eine noch wichtigere Rolle spielen.

Dies ist der Karriereschritt, bei dem man normalerweise in der Nähe der meisten technischen Zertifizierungsleitern oder an die Spitze klettert. Viele dieser Anmeldeinformationen - wie die SAS-Anmeldeinformationen "Advanced Analytics" (derzeit vier) - enthalten in ihren Zertifizierungsmonikern tatsächlich den Begriff "Advanced" oder "Expert".

Insbesondere das SAS Institute und Dell / EMC verfügen über umfangreiche und umfassende Zertifizierungsprogramme mit verschiedenen Möglichkeiten für interessierte Datenwissenschaftler oder Big-Data-Experten, ihre Fähigkeiten und Kenntnisse zu spezialisieren und weiterzuentwickeln. Anbieter von Datenbankplattformen wie Oracle, IBM und Microsoft erkennen zunehmend das Potenzial und die Bedeutung von Big Data und erweitern ihre Zertifizierungsprogramme ständig um verwandte Elemente. Da dieser Bereich noch relativ jung ist und immer noch neue Zertifizierungsprogramme online gehen, ist die Gestaltung des High-End-Bereichs der Zertifizierungslandschaft für Big Data noch in Arbeit.

Unabhängig davon, für welche Big-Data-Plattform oder Spezialisierung Sie sich entscheiden, müssen sich in dieser Karrierephase ein tiefgreifendes Verständnis der Prinzipien und Praktiken in diesem Bereich und ein Verständnis der Auswirkungen und des Werts auf das Geschäft verbinden. Hier müssen sich die Mitarbeiter auf höchster Ebene auf ihre Soft Skills konzentrieren, da erfahrene Datenwissenschaftler oder Big-Data-Experten in der Lage sein müssen, Teams von hochrangigen Personen in den Organisationen, in denen sie tätig sind, zu führen, einschließlich Top-Managern und hochrangigen Managern. und andere technische Experten und Berater. Wie zu erwarten ist, geht es bei dieser Art von Arbeit sowohl um soziale Kompetenz in Kommunikation und Führung als auch um fundiertes technisches Wissen und Können.

Je nachdem, wo Sie in Bezug auf Berufserfahrung, familiäre Situation und Finanzen stehen, kann es sich lohnen, einen Master-Abschluss mit Schwerpunkt auf Datenwissenschaft oder einen anderen Aspekt von Big Data als tiefgreifenden Entwicklungsschritt für die berufliche Entwicklung in Betracht zu ziehen. Für die meisten berufstätigen Erwachsenen bedeutet dies, dass sie ein Teilzeit- oder Online-Aufbaustudienprogramm absolvieren.

Es gibt viele solcher Programme, aber Sie sollten den Bekanntheitsgrad und die Kosten dieser Angebote berücksichtigen, wenn Sie sich für einen Studienplan entscheiden. Wenn sie später im Leben verfolgt werden (nach dem 20. Lebensjahr), muss ein Ph.D. ist wohl nur für jemanden mit starkem Interesse an Forschung oder Lehre erreichbar. Das heißt, ein Ph.D. ist für die meisten Leser keine Option, es sei denn, sie planen und budgetieren eine längere Unterbrechung ihres Arbeitslebens (die meisten Promotionsprogramme erfordern eine Vollzeitstelle auf dem Campus und dauern drei bis sechs Jahre).