The biggest misconception about data scientists

डेटाच्या डोंगराळ खजिन्यावर बसून, बहुतेक सर्व व्यवसाय अशा लोकांसाठी तहानलेले असतात जे डेटाचा एक विशाल संच घेऊ शकतात आणि त्यास फायदेशीर गोष्टींमध्ये रूपांतरित करतात. ते कमाईच्या नवीन स्रोतांकडे लक्ष वेधत असेल किंवा पुढील, सर्वोत्कृष्ट उत्पादन वैशिष्ट्याबद्दल भविष्यवाणी करीत असेल, व्यवसाय मौल्यवान आणि संभाव्य आकर्षक अंतर्दृष्टी मिळविण्यासाठी डेटा वैज्ञानिकांवर अवलंबून आहेत. दुसर्‍या शब्दांत, मोठा डेटा म्हणजे मोठा पैसा! किमान हे एकमत आहे.

प्रत्यक्षात, काचेच्या वैज्ञानिकांच्या म्हणण्यानुसार, डेटा वैज्ञानिकांचे पगार सध्या टेकमध्ये सर्वाधिक आहेत,

जे राष्ट्रीय पातळीवर सुमारे ,000 100,000 आहे. आणि जर आपण सिएटलमध्ये राहत असाल तर स्नायूंच्या अहवालानुसार त्या मूळ पगाराची किंमत १,000०,००० पर्यंत आहे. प्लस, २०१ G च्या गार्टनर अभ्यासानुसार असे म्हटले आहे की the 73% नियोक्ते पुढील दोन वर्षांत डेटा वैज्ञानिकांवर अधिक पैसे खर्च करण्याची योजना आखत आहेत.

आकडेवारी आणि यंत्र शिकवणीचा वापर करून अस्तित्त्वात असलेल्या डेटामधील नमुन्यांचे विश्लेषण, विश्लेषण आणि शोधण्यासाठी डेटा शास्त्रज्ञ खरोखर मूल्यवान आहेत. परंतु अपेक्षांमध्ये आणि डेटा सायन्स व्यवसायासाठी काय करू शकते या वास्तविकतेमध्ये बरेचदा फरक असतो. काही सर्वाधिक मागणी असलेल्या वैज्ञानिकांशी बोलल्यानंतर आम्हाला आढळले:

कोणीही नाही, जादू सूत्र डेटा शास्त्रज्ञ कोणत्याही मोठ्या प्रमाणात डेटासेटमधून अचूक नमुना शोधण्यासाठी वापरतात. बिग डेटाचा फायदा घेण्याची गुरुकिल्ली म्हणजे प्रत्येक व्यवसायातील मॉडेलसाठी खास प्रश्न विचारण्यासाठी आवश्यक सर्जनशीलता आणि अंतर्दृष्टी. बिग सोशल मोबाइलचे लेखक डेव्हिड जिएनेटो नमूद करतात, “डेटा वैज्ञानिकांमध्ये डेटामधील साम्यतांचे विश्लेषण आणि शोधण्याची प्रक्रिया समजली जाते, परंतु व्यवसायाशी कोणती समानता किंवा विसंगती खरोखर संबंधित आहेत हे ठरवण्यासाठी आवश्यक व्यवसाय संदर्भ त्यांच्याकडे नाही. “किमान ते सर्व नाही. कोणताही सामान्य डेटा खाण तज्ञ डेटा खेचू शकतो, परंतु व्यवसायातील मॉडेल्सला चालना देण्यासाठी उच्च-स्तरीय डेटा वैज्ञानिकांना ट्रेंड शोधण्याची क्षमता असणे आवश्यक आहे.

व्यवसाय पुढे नेण्यासाठी एकटा डेटा पुरेसा नाही. हे शेवट करण्यासाठी एक साधन आहे.

“अशी अपेक्षा आहे की मोठ्या प्रमाणावर डेटा संकलित केल्याने एखादी संस्था चतुर होईल,” स्क्वायर रूट येथील डेटा सायन्सचे व्हीपी मार्क श्वार्ज म्हणतात.

डेटाकॅस्को ticsनालिटिक्सचे डेटा वैज्ञानिक ब्रायन लैंग सहमत असतील आणि म्हणतील की बहुतेक प्रकरणांमध्ये, त्यांच्या विल्हेवाट लावण्यापूर्वीच्यापेक्षा अधिक डेटासह चांगले भविष्यवाणी करू शकतात परंतु डेटा वैज्ञानिक अंतर्निहित भविष्यवाण्यांपासून मुक्त नाहीत. समस्येवर, “तो म्हणतो.

                                                 मग त्याऐवजी कंपन्यांनी काय करावे? 

सरासरी डेटा विशेषज्ञ त्यांना नियुक्त केलेल्या अनेक घटकांच्या आधारे डेटा खेचू शकतात, परंतु खरोखर मौल्यवान डेटा वैज्ञानिकांनी सतत डेटावर लक्ष केंद्रित करण्यासाठी मजबूत व्यावसायिक कौशल्य असते जे वास्तविकतेने वर्तन बदलेल.

शीर्ष डेटा वैज्ञानिक उत्साही होऊ शकतात?

प्रत्येक डेटा वैज्ञानिक वेगळा असताना, लाँग म्हणतात की बहुतेक डेटा वैज्ञानिक फॅन्सी, महागड्या एंटरप्राइझ सॉफ्टवेअरद्वारे सहजपणे फेकले जात नाहीत. ते पूर्णपणे विनामूल्य आहेत, जसे पायथन, आर, पोस्टग्रासक्यूएल आणि लवचिक शोध, ”लँग म्हणतात.

डेटा साइंटिस्ट वि डेटा इंजिनियर वि बिझिनेस अ‍ॅनालिलिस्ट
बिग डेटा मध्ये अनेक भूमिकांमध्ये आच्छादित गुण आहेत, परंतु डेटा वैज्ञानिक, डेटा अभियंता आणि व्यवसाय किंवा व्यवसाय विश्लेषक यांच्यात फरक करणे महत्वाचे आहे. प्रत्येकाची मूल्ये वेगळी आहेत आणि एक मजबूत बिग डेटा टीम तयार करीत एकमेकांची प्रशंसा करीत आहेत.
येथे एक उच्च-स्तरीय देखावा आहे जो केव्हिन स्मिडबिजच्या उत्कृष्ट पोस्टद्वारे प्रेरित झालेल्या त्याच्या काही प्रमुख कामांमधील भूमिकेपेक्षा वेगळा आहे.

डेटा विज्ञान क्षतिपूर्त करीत आहे

व्यवसाय विश्लेषकांचे सामर्थ्य त्यांच्या व्यवसायात असते. ते डेटा-आधारित निर्णय द्रुतपणे चालविण्यास मदत करण्यासाठी डेटा वैज्ञानिक आणि सी-सूट या दोहोंसह चांगले संवाद साधू शकतात. ते डेटा-आधारित निर्णय घेण्यासाठी विक्री आणि विपणन कार्यसंघामध्ये सहसा कार्य करतात. मागील व्यवहारापासून मनोरंजक अंतर्दृष्टी मिळविण्यास उत्कृष्ट व्यवसाय विश्लेषकांकडे आकडेवारीची कौशल्ये देखील आहेत.

डेटा अभियंता:

डेटा शास्त्रज्ञ डेटाचे संशोधन आणि व्हिज्युअलायझेशनमध्ये खोदतात, तर डेटा अभियंता डेटाची शक्ती दिली असल्याचे आणि पाइपलाइनमधून योग्यरित्या वाहात असल्याचे सुनिश्चित करतात. ते सहसा सॉफ्टवेअर अभियंता असतात जे डेटा शास्त्रज्ञ किंवा विश्लेषकांना डेटाबद्दल गंभीरपणे विचार करण्यासाठी एक मजबूत आधार तयार करतात.

 

Leave a Comment