అకాడమీ అవార్డు-నామినేటెడ్ ఫిల్మ్ హిడెన్ ఫిగర్స్ యొక్క క్లైమాక్స్లో, గణిత శాస్త్రవేత్త కేథరీన్ జాన్సన్ జాన్ గ్లెన్ యొక్క స్పేస్ క్యాప్సూల్, ఫ్రెండ్షిప్ 7. యొక్క ల్యాండింగ్ కోఆర్డినేట్ల కోసం లెక్కలను ధృవీకరించడానికి పిలుస్తారు. సాంకేతిక పరిజ్ఞానం కేవలం మానవ కంప్యూటర్లను భర్తీ చేసింది, సంక్లిష్ట సమీకరణాలను పూర్తి చేసిన డేటా-లెక్కింపు వ్యక్తులు కంప్యూటర్ సిస్టమ్ రాకముందు, కానీ యంత్రం నుండి వచ్చిన డేటాకు ఒక వ్యక్తి పరిష్కరించాల్సిన అవసరాలు ఉన్నాయి.
అది 1961 లో డేటా సైన్స్. ఈ రోజుల్లో, విషయాలు కొద్దిగా భిన్నంగా ఉంటాయి. కాంప్లెక్స్ డేటా సేకరణ వ్యవస్థలు ప్రతి రంగంలోని సంస్థలకు వారి వ్యాపారాలు, క్లయింట్లు మరియు భవిష్యత్ అవకాశాల గురించి మరింత తెలుసుకోవడానికి వీలు కల్పిస్తాయి. కానీ హిడెన్ ఫిగర్స్ మాదిరిగానే, డేటాలోని ముఖ్యమైన సత్యాలను కనుగొనడానికి ప్రజలు ఇంకా అవసరం.
మేము ప్రతిరోజూ డేటా సైన్స్ ను ఎలా ఉపయోగిస్తాము మరియు డేటా సైంటిస్ట్, ఇంజనీర్ లేదా విశ్లేషకుడిగా మీరు విజయవంతం కావడానికి అవసరమైన నైపుణ్యాలు ఇక్కడ ఉన్నాయి.
డేటా సైన్స్ ఈజ్ ఎవ్రీవేర్
ఫైనాన్స్ మరియు టెక్ పరిశ్రమలకు మించిన డేటా శాస్త్రవేత్తల సామర్థ్యం వృద్ధి చెందుతోంది. "నేటి మార్కెట్లో పోటీ చేయడానికి మరియు మెరుగుపరచడానికి డేటా సైన్స్ నైపుణ్యాలు చాలా అవసరమయ్యాయని అన్ని రంగాలలో పెరుగుతున్న పరిపూర్ణత ఉంది" అని వ్యక్తులు మరియు వ్యాపారాలతో కలిసి పనిచేసే డేటా సైన్స్ నైపుణ్యాల శిక్షణ సంస్థ మెటిస్ కోసం డేటా సైన్స్ కార్పొరేట్ ట్రైనింగ్ ఎగ్జిక్యూటివ్ డైరెక్టర్ మైఖేల్ గాల్విన్ చెప్పారు. .
కుకీల గురించి ఆలోచించండి. లేదు, మీరు పాలలో ముంచినవి కాదు-డేటా విశ్లేషకులు, శాస్త్రవేత్తలు మరియు ఇంజనీర్లకు వినియోగదారుల వెబ్ అలవాట్ల గురించి తెలుసుకోవడానికి మరియు వాటి చుట్టూ ఉన్న అల్గారిథమ్లను తెలియజేయడానికి సహాయపడే శక్తివంతమైన డేటా సేకరణ సాధనాలు “వారు ఎలా తెలుసుకోవాలో నేను ఆలోచిస్తున్నాను ఫేస్బుక్లో మాకు చూపబడిన ప్రకటనలు. వారి లక్ష్యం? వినియోగదారుల ఆసక్తులు మరియు ప్రవర్తనను అంచనా వేయడానికి మరియు అన్ని రంగాల్లోని సంస్థలకు కీలకమైన వ్యాపార నిర్ణయాలు తీసుకోవడంలో సహాయపడటానికి ఆ విశ్లేషణలను ఉపయోగించడం.
"ప్రధాన స్రవంతిలో డేటా సైన్స్ గురించి విస్తృత అవగాహన ఉంది. అమెజాన్ కొనుగోళ్ల నుండి నెట్ఫ్లిక్స్ బింగెస్ వరకు అన్నింటినీ ప్రభావితం చేస్తూ, డేటా సైన్స్ గతంలో కంటే ఎక్కువ మందిని తాకుతోంది ”అని గాల్విన్ చెప్పారు.
హౌ యు ఫిట్ ఇన్
డేటా సైన్స్ రంగాలలో పెరుగుదలతో, డేటా సైంటిస్ట్, డేటా అనలిస్ట్ మరియు మోడలర్ పాత్రల మధ్య అతివ్యాప్తి పెరిగింది.
కానీ లెక్సిస్నెక్సిస్ రిస్క్ సొల్యూషన్స్ కోసం టెక్నాలజీ మరియు హెచ్పిసిసి సిస్టమ్స్ వైస్ ప్రెసిడెంట్ డాక్టర్ ఫ్లావియో విల్లానుస్ట్రే ప్రకారం, వివిధ స్థానాల మధ్య వ్యత్యాసం వాస్తవానికి చాలా ప్రత్యేకమైనది-మరియు నిర్దిష్ట ప్రాంతాలలో బహుమతి పొందిన వారికి అవకాశాలను అందిస్తుంది.
"డేటా విశ్లేషకులు సాంప్రదాయకంగా డేటా మానిప్యులేషన్ టెక్నిక్లలో ప్రత్యేకత కలిగి ఉంటారు, దీనికి ప్రశ్న భాషల నుండి గ్రాఫికల్ డేటా మోడల్స్ వరకు ప్రతిదానికీ శిక్షణ అవసరం" అని విల్లానుస్ట్రే చెప్పారు. "ఇంతలో మోడలర్లు పరస్పర సంబంధాలు మరియు నమూనాల కోసం సంఖ్యా డేటాను విశ్లేషిస్తారు."
డేటా సైన్స్ విషయానికి వస్తే, ఆదర్శ అభ్యర్థులు డొమైన్ మరియు వ్యాపార పరిజ్ఞానంతో కలిపిన ఈ రెండు రకాల నైపుణ్యాల సూపర్సెట్ను ప్రదర్శించాలని విల్లానుస్ట్రే వివరించాడు. "డేటా శాస్త్రవేత్తలు సాధారణంగా ప్రోగ్రామింగ్ పద్ధతుల గురించి డేటా విశ్లేషకుడి కంటే లోతైన జ్ఞానాన్ని కలిగి ఉంటారు మరియు మరింత అధునాతన పద్ధతులను ఉపయోగించి డేటా విశ్లేషణాత్మక పద్దతుల గురించి గణాంక మోడలర్ల కంటే విస్తృత జ్ఞానం కలిగి ఉంటారు."
ఈ స్థానాలకు దరఖాస్తు చేసేటప్పుడు, ఒక సంస్థ నిజంగా ఏ పనులను చేయాలనుకుంటుందో గమనించడం ముఖ్యం.
"డేటా సైన్స్ చుట్టూ ఉన్న సందడి ఫలితంగా చాలా కంపెనీలు డేటా ఎనలిస్ట్ యొక్క పనిని చేయడానికి డేటా సైంటిస్టులను నియమించుకున్నాయి, వారు డేటాను శుభ్రపరచడం మరియు తయారుచేయడం మరియు వాస్తవ డేటా సైన్స్ చేయడానికి చాలా తక్కువ సమయాన్ని వెచ్చిస్తారు" అని డేటా అండ్ ఎనలిటిక్స్ సీనియర్ డైరెక్టర్ నిక్ క్రామెర్ వివరించారు. పెద్ద డేటా విశ్లేషణలను కంపెనీల కార్యకలాపాలుగా మార్చడంలో ప్రత్యేకత కలిగిన మేనేజ్మెంట్ కన్సల్టింగ్ సంస్థ SSA & కంపెనీ.
కొత్త సాధనాలు తక్కువ నైపుణ్యం ఉన్నవారు అనలిటిక్స్ మోడళ్లను సృష్టించడానికి అనుమతిస్తున్నాయి, కాబట్టి ఉద్యోగ అన్వేషకులను వేరుగా ఉంచడానికి వ్యాపార పరిజ్ఞానం మరియు సమర్థవంతమైన కమ్యూనికేషన్ నైపుణ్యాలు వంటి వైవిధ్యభరితమైన, సంబంధిత నైపుణ్యాలు ముఖ్యమైనవి. ఇంటర్వ్యూ చేసేటప్పుడు, ఒక సంస్థ ఏమి కోరుకుంటుందో తెలుసుకోవడానికి ప్రశ్నలు అడగండి-ఆపై మీ బలాన్ని ప్రదర్శించండి.
మా కార్యాలయం
మీరు విజయవంతం కావాలి
డేటా శాస్త్రవేత్త, విశ్లేషకుడు లేదా ఇంజనీర్గా పనిచేసేటప్పుడు చెట్ల కోసం అడవిని చూడకూడదనే పాత సామెత గుర్తుంచుకోవలసిన ముఖ్యమైన విషయం. కోర్ డేటా యొక్క ఖచ్చితత్వం ముఖ్యమైనది అయినప్పటికీ, ఒక సంస్థ పరిష్కరించాలని భావిస్తున్న సమస్యల యొక్క విస్తృతమైన చిత్రాన్ని గుర్తించడం.
"డేటా శాస్త్రవేత్తలలో విషయాలను అతిగా క్లిష్టతరం చేయడానికి మరియు వివరాల కాల రంధ్రంలో చిక్కుకునే ధోరణి ఉంది" అని గాల్విన్ హెచ్చరించాడు. "బదులుగా, వారు పరిష్కరించడానికి ప్రయత్నిస్తున్న వ్యాపార సమస్య గురించి ఆలోచించాలి, ఏదైనా పని చేసుకోవాలి, ఆపై మళ్ళించండి."
అంతేకాకుండా, మీరు చేస్తున్న పనిపై ఆసక్తి-ఏ ఉద్యోగంలోనైనా నిజం-అలాగే అవసరం.
“కంపెనీలు వేర్వేరు సమస్యలపై వివిధ రకాల డేటాతో (చిత్రాలు, వచనం మరియు ఆర్థిక డేటా వంటివి) పనిచేస్తాయి. విజయవంతం కావడానికి మీరు ఏ రకమైన డేటాపై ఆసక్తి కలిగి ఉండాలి మరియు అర్థం చేసుకోవాలి, ”అని గాల్విన్ అన్నారు. “ఉదాహరణకు, వైద్య చిత్రాలతో పనిచేసే డేటా శాస్త్రవేత్తలు సాధారణంగా వైద్యులే కాదు, కానీ వారి తుది వినియోగదారు లేదా క్లయింట్ డాక్టర్ అవుతారు. వారు పరిష్కరించడానికి ప్రయత్నిస్తున్న సమస్యలను మీరు అర్థం చేసుకోగలరా? ఆ సమస్యలను పరిష్కరించడానికి మీకు ఆసక్తి ఉందా? ”
ఆపై కమ్యూనికేషన్ ఉంది. డేటా శాస్త్రవేత్తలు, విశ్లేషకులు మరియు ఇంజనీర్లు వారి స్వంత భాష మాట్లాడతారని చెప్పబడింది, కానీ కార్యాలయంలో విజయవంతం కావడానికి, మీ నైపుణ్యాల నుండి ఎక్కువ ప్రయోజనం పొందే మరియు ప్రయోజనం పొందే వారితో మీరు స్పష్టంగా కమ్యూనికేట్ చేయగలగాలి.
"వ్యాపార వాటాదారులతో సహకరించడం చాలా ముఖ్యం, " అని క్రామెర్ అన్నారు.
డేటా సైన్స్ మరియు దాని సంబంధిత కెరీర్లు 1960 ల నుండి నాసాకు కొత్త కంప్యూటర్ యంత్రాల పనిని ధృవీకరించడానికి మరియు ధృవీకరించడానికి మానవ కంప్యూటర్లు అవసరమయ్యాయి. డేటా ఎలా జీవిస్తుందనే దానిపై ఆసక్తి ఉన్న తెలివైన మనస్సులు ఇప్పటికీ ఎప్పటిలాగే అవసరం-ఇన్పుట్లు మరియు ఫలితాల రెండింటినీ అర్థం చేసుకోవడానికి మానవ నిపుణుడు లేకుండా, డేటా సైన్స్ క్రూరంగా దుర్వినియోగం కావచ్చు లేదా సాదా గందరగోళంగా ఉంటుంది.
