Afbeelding door redacteur
 

Ben jij een ambitieuze datawetenschapper? Als dat zo is, is de kans groot dat je velen hebt gezien of gehoord die met succes de overstap hebben gemaakt naar een carrière in de datawetenschap. En jij hoopt ook ooit de overstap te maken.

Er zijn verschillende dingen spannend aan het werken als datawetenschapper. Jij kan:

• Ontwikkel harde en zachte vaardigheden die overdraagbaar zijn tussen domeinen 
• Vertel verhalen met data 
• Beantwoord zakelijke vragen met data
• Bouw impactvolle oplossingen voor bedrijfsproblemen 

En nog veel meer. Hoe spannend dit allemaal ook klinkt, datawetenschapper zijn is net zo uitdagend, zo niet zelfs uitdagender. Maar wat zijn enkele van die uitdagingen? 

Laten we erin duiken.

Wanneer u aan uw codeer- en technische vaardigheden werkt, zult u het waarschijnlijk prettig vinden om helemaal alleen te werken. Maar als datawetenschapper moet je prioriteit geven aan samenwerking en communicatie. Omdat datawetenschap niet gaat over het afzonderlijk bewerken van gegevens en het analyseren van cijfers. 

Je moet samenwerken met andere professionals, niet alleen in hetzelfde team, maar vaak met meerdere teams. Jouw vermogen om samen te werken met diverse teams en belanghebbenden is dus net zo belangrijk als jouw technische vaardigheden. 

Verder moet u uw bevindingen en inzichten ook kunnen communiceren met niet-technische belanghebbenden, waaronder bedrijfsleiders.

Nisha Arya Ahmed, een datawetenschapper en technisch schrijver, deelt:

“In een data science-team werk je samen met andere data science-professionals aan elke taak, hun verantwoordelijkheid en hoe dit allemaal hand in hand gaat. Dit is belangrijk omdat u geen werk wilt herhalen dat al is gedaan en daardoor meer tijd en middelen wilt verbruiken. Bovendien zijn dataprofessionals niet de enige mensen met wie je moet samenwerken; je maakt deel uit van een crossfunctioneel team met product-, marketing- en andere belanghebbenden.”

– Nisha Arya Ahmed, datawetenschapper en technisch schrijver

Als je iemand bent die graag aan projecten werkt, deze voltooit en naar productie brengt, vind je datawetenschap misschien geen lonende carrière.

Hoewel u een project start met een reeks doelstellingen (die herhaaldelijk zijn verfijnd en verbeterd), zult u vaak de reikwijdte van de projecten moeten veranderen naarmate de bedrijfsdoelstellingen van de organisatie veranderen. Misschien zien belanghebbenden een nieuwe veelbelovende richting.

U zult dus effectief de prioriteiten van projecten moeten herprioriteren en aanpassen. En in het ergste geval moet u uw project desnoods staken. 

Bovendien zul je in een vroeg stadium van de startup vaak meerdere hoeden moeten dragen. Je werk houdt dus niet op bij het bouwen van modellen. Zelfs als het je lukt om een ​​machine learning-model in productie te nemen, moet je de prestaties van je model in de gaten houden, op afwijkingen letten, achteruitgaan en het model indien nodig opnieuw trainen.

Abid Ali Awan, schrijver, redacteur en datawetenschapper bij KDnuggets, deelt:

“Als je bij een bedrijf werkt, moet je vaak schakelen tussen meerdere teams en tegelijkertijd aan verschillende projecten werken. Het is echter mogelijk dat de meeste projecten waaraan u werkt, niet eens in productie komen. 

Omdat de prioriteiten van het bedrijf kunnen veranderen of de impact van de projecten mogelijk niet groot genoeg is geweest. Het voortdurend schakelen tussen teams en projecten kan vermoeiend zijn en je hebt misschien geen idee waar je aan bijdraagt.”

– Abid Ali Awan, schrijver, redacteur en datawetenschapper bij KDnuggets

Het werken aan data science-projecten is dus geen lineair proces van begin tot eind, waarbij je een project afrondt en doorgaat naar het volgende. 

Een dag uit het leven van een datawetenschapper bij twee verschillende organisaties kan compleet anders zijn. De rollen van een datawetenschapper, machine learning-ingenieur en MLOps-ingenieur hebben vaak veel overlappende functionaliteit.

Stel dat u een datawetenschapper bent die erg geïnteresseerd is in het bouwen van voorspellende modellen. En u heeft de rol van datawetenschapper gekregen bij een organisatie waarin u geïnteresseerd bent. 

Wees echter niet verbaasd als u de hele dag bezig bent met het verwerken van cijfers in spreadsheets en het maken van rapporten. Of gegevens uit databases halen met behulp van SQL. Je denkt misschien dat het bewerken van gegevens met SQL en het vinden van antwoorden op zakelijke vragen beter past bij de rol van data-analist.

In sommige andere gevallen bent u mogelijk verantwoordelijk voor het bouwen en implementeren van modellen voor productie, het monitoren van afwijkingen en het opnieuw trainen van het model indien nodig. In dit geval ben je een datawetenschapper die ook de hoed van een MLOps-ingenieur. 

Laten we eens luisteren naar wat Abid te zeggen heeft over rolfluïditeit in een datacarrière:

“Ik ben altijd in de war als ik een ‘Data Scientist’ wordt genoemd. Wat betekent het eigenlijk? Ben ik een data-analist, business intelligence-ingenieur, machine learning-ingenieur, MLOps-ingenieur of al het bovenstaande? Je rol binnen een bedrijf is veranderlijk als je bij een kleiner bedrijf of startup werkt. Grotere organisaties kunnen echter een duidelijker onderscheid tussen rollen hebben. Maar dat garandeert niet dat de rol volledig gedefinieerd is. Mogelijk ben je een datawetenschapper; maar een groot deel van het werk dat u doet, bestaat wellicht uit het maken van analyserapporten die aansluiten bij de bedrijfsdoelstellingen.”

– Abid Ali Awan, schrijver, redacteur en datawetenschapper bij KDnuggets

Als datawetenschapper moet u uw inspanningen richten op projecten die de grootste impact hebben op het bedrijf, in plaats van technisch interessante maar minder relevante projecten na te streven. Hiertoe is het begrijpen van bedrijfsdoelstellingen van cruciaal belang, om de volgende redenen:

• Als u de bedrijfsdoelstellingen begrijpt, kunt u uw projecten aanpassen en opnieuw prioriteren op basis van de veranderende behoeften van de organisatie.
• Het succes van een data science-project wordt vaak afgemeten aan de impact ervan op het bedrijf. Een goed begrip van de bedrijfsdoelstellingen biedt dus een duidelijk raamwerk voor het evalueren van het succes van een project, waarbij technische aspecten worden gekoppeld aan tastbare bedrijfsresultaten.

Matthijs Mayo, hoofdredacteur en datawetenschapper bij KDnuggets, deelt de kosten van onverschilligheid ten aanzien van bedrijfsresultaten:

“Als je als datawetenschapper onverschillig staat tegenover zakelijke doelstellingen, kun je net zo goed een kat zijn die achter een laserpointer aan zit. Je zult merken dat je overactief en doelloos bent en waarschijnlijk niets van veel waarde bereikt. Het begrijpen van bedrijfsdoelstellingen en deze kunnen vertalen van business naar data-taal zijn cruciale vaardigheden. Zonder deze vaardigheden zou u tijd kunnen investeren in het bouwen van de meest geavanceerde, irrelevante modellen. Een beslisboom die werkt, verslaat elke dag een state-of-the-art mislukking!”

– Matthew Mayo, hoofdredacteur en datawetenschapper, KDnuggets

Dit is wat Nisha hierover te zeggen heeft:

“Bij alles wat je doet, heb je een reden nodig. Dit is uw intentie, die vóór uw actie komt. Als het gaat om de wereld van data, is het begrijpen van de business en de uitdagingen van cruciaal belang. Zonder dit zul je tijdens het proces alleen maar in de war raken. Bij elke stap die je zet in een data science-project, wil je verwijzen naar de doelstellingen die het project motiveren.” 

– Nisha Arya Ahmed, datawetenschapper en technisch schrijver

Datawetenschap gaat daarom niet alleen over het verwerken van cijfers en het bouwen van complexe modellen. Het gaat meer om het benutten van data om zakelijk succes te stimuleren. 

Zonder een goed begrip van de zakelijke doelstellingen kunnen uw projecten afwijken van de zakelijke problemen die ze moeten oplossen, waardoor zowel hun waarde als hun impact afnemen.

Modellen bouwen is spannend. De weg ernaartoe is echter misschien niet zo interessant. 

U kunt verwachten dat u een groot deel van uw tijd besteedt aan:

• Gegevens verzamelen 
• Identificeren van de meest relevante subset van te gebruiken gegevens
• Het opschonen van de gegevens om deze geschikt te maken voor de analyse 

Dit is werk dat niet super spannend is. Vaak hoeft u de machine learning-modellen niet eens te bouwen. Zodra u de gegevens in een database heeft, kunt u SQL gebruiken om vragen te beantwoorden. In dat geval hoeft u niet eens een machine learning-model te bouwen.

Hier deelt Abid zijn mening over hoe belangrijk werk vaak niet interessant is:

“Het kan vervelend zijn om herhaaldelijk hetzelfde te doen. Vaak krijgt u de taak om gegevens op te schonen, wat behoorlijk lastig kan zijn, vooral als u met diverse datasets werkt. Bovendien zijn taken als datavalidatie en het schrijven van unit-tests misschien niet zo spannend, maar wel noodzakelijk.”

– Abid Ali Awan, schrijver, redacteur en datawetenschapper bij KDnuggets

Je moet dus genieten van het proces van het werken met data – inclusief de goede, de slechte en de lelijke – om een ​​succesvolle carrière in de datawetenschap te hebben. Omdat data science draait om het ontlenen van waarde aan data. Het gaat daarbij vaak niet om het bouwen van de chicste modellen.

Als datawetenschapper zul je (waarschijnlijk) nooit een punt bereiken waarop je kunt zeggen dat je alles hebt geleerd. Wat je moet leren en hoeveel hangt af van waar je mee bezig bent.

Het kan een vrij eenvoudige taak zijn, zoals het leren en gebruiken van een nieuw raamwerk in de toekomst. Of iets vervelender, zoals het migreren van de bestaande codebase naar een taal als Rust voor verbeterde beveiliging en prestaties. Naast dat je technisch sterk bent, zou je in staat moeten zijn om, indien nodig, frameworks, tools en programmeertalen snel te leren en op te voeren. 

Bovendien moet u bereid zijn om indien nodig meer te leren over het domein en het bedrijf. Het is niet erg waarschijnlijk dat je tijdens je data science-carrière in één domein zult werken. Je kunt bijvoorbeeld beginnen als datawetenschapper in de gezondheidszorg en vervolgens overstappen naar fintech, logistiek en meer.

Tijdens mijn studie kreeg ik de kans om te werken aan machinaal leren in de gezondheidszorg – aan een ziekteprognoseproject. Ik heb na de middelbare school nooit biologie gelezen. De eerste paar weken stonden dus in het teken van het verkennen van de technische details van specifieke biomedische signalen – hun eigenschappen, kenmerken en nog veel meer. Deze waren superbelangrijk voordat ik zelfs maar kon overgaan tot het voorbewerken van de platen.

Kanwal Mehreen, deelt een technisch schrijver haar ervaring met ons:

“Ken je dat gevoel als je eindelijk een nieuwe vaardigheid leert en denkt: “Ah, dit is het, het gaat goed met mij”? In de datawetenschap komt dat moment nooit echt. Dit vakgebied evolueert voortdurend en er komen regelmatig nieuwe technologieën, tools en methodologieën bij. Dus als je iemand bent die er de voorkeur aan geeft een bepaald punt te bereiken waarop leren op de achtergrond komt te staan, dan is een carrière in de datawetenschap misschien niet de beste match. 

Bovendien is data science een prachtige mix van statistiek, programmeren, machine learning en domeinkennis. Als het idee om verschillende domeinen te verkennen, van gezondheidszorg tot financiën tot marketing, je niet aanspreekt, kun je je verloren voelen in je carrière.”

– Kanwal Mehreen, technisch schrijver

Als datawetenschapper moet je dus nooit terugdeinzen voor voortdurend leren en bijscholen.

We hebben al verschillende uitdagingen geschetst die je als datawetenschapper tegenkomt, waaronder:

• Het gaat verder dan de technische vaardigheden van coderen en modelbouw
• Inzicht in het domein en de bedrijfsdoelstellingen 
• Continu leren en bijscholen om relevant te blijven 
• Proactief zijn zonder je zorgen te maken over het afronden van projecten in de letterlijke zin van het woord 
• Bereid zijn om opnieuw prioriteiten te stellen, terug te gaan en veranderingen aan te brengen
• Het werk doen dat saai maar noodzakelijk is 

Net als bij elke andere technische rol is het moeilijke deel niet een baan vinden als datawetenschapper. Het bouwt aan een succesvolle datawetenschapscarrière.

Mathew Mayo vat treffend samen hoe je deze uitdagingen als datawetenschapper moet omarmen:

“Op zoek naar een relaxte carrière, waar je kunt stoppen met leren zodra je met je baan begint en je nooit zorgen hoeft te maken over de nieuwste tools, trucs en technieken? Nou, vergeet datawetenschap! Het verwachten van een rustige carrière als dataprofessional is vergelijkbaar met het verwachten van een droge wandeling door een moesson, alleen gewapend met een cocktailparaplu en een optimistische instelling. 

Dit vakgebied is een non-stop achtbaan van technische puzzels en niet-technische raadsels: de ene dag verdiep je je in algoritmen, en de volgende dag probeer je je bevindingen uit te leggen aan iemand die denkt dat regressie een terugtrekking is in een kinderlijke gedragstoestand. Maar de spanning schuilt in deze uitdagingen, en dat is wat onze door cafeïne verslaafde hersenen bezig houdt. 

Als je allergisch bent voor uitdagingen, vind je misschien meer troost in breien. Maar als je de confrontatie met een datavloed nog niet uit de weg gaat, is data science misschien wel iets voor jou.”

– Matthew Mayo, hoofdredacteur en datawetenschapper, KDnuggets

Laten we Kanwal's gedachten hierover horen:

“Laten we eerlijk zijn: data science verloopt niet altijd van een leien dakje. Gegevens komen niet altijd in nette en georganiseerde pakketten. Uw gegevens kunnen eruitzien alsof ze een storm hebben doorgemaakt, maar deze gegevens kunnen onvolledig, inconsistent of zelfs onnauwkeurig zijn. Het opschonen en voorbewerken van deze gegevens om de relevantie ervan voor analyse te garanderen, kan een uitdaging zijn.

Als u in een multidisciplinair vakgebied werkt, kan het zijn dat u te maken krijgt met niet-technische belanghebbenden. Het kan een hele uitdaging zijn om technische concepten aan hen uit te leggen en hoe deze aansluiten bij hun doelstellingen.

Als je dus iemand bent die de voorkeur geeft aan een duidelijk, ongecompliceerd carrièrepad, kan een carrière in de datawetenschap voor jou vol obstakels zijn.”

– Kanwal Mehreen, technisch schrijver

Datawetenschap gaat dus niet alleen over wiskunde en modellen; het gaat over de overgang van data naar beslissingen. En daarbij moet je altijd bereid zijn om te leren en je vaardigheden bij te scholen, de bedrijfsdoelstellingen en de marktdynamiek te begrijpen, en nog veel meer.

Als je op zoek bent naar een uitdagende carrière waarin je veerkrachtig wilt navigeren, dan is data science inderdaad een goede carrièreoptie voor jou. Veel plezier met verkennen!

Ik bedank Matthew, Abid, Nisha en Kanwal voor het delen van hun inzichten over verschillende aspecten van een carrière in de datawetenschap. En om dit artikel veel interessanter en leuker te maken om te lezen!
 
 

Bala Priya C is een ontwikkelaar en technisch schrijver uit India. Ze werkt graag op het snijvlak van wiskunde, programmeren, datawetenschap en contentcreatie. Haar interessegebieden en expertise omvatten DevOps, data science en natuurlijke taalverwerking. Ze houdt van lezen, schrijven, coderen en koffie drinken! Momenteel werkt ze aan het leren en delen van haar kennis met de gemeenschap van ontwikkelaars door het schrijven van zelfstudies, handleidingen, opiniestukken en meer.

• Door SEO aangedreven content en PR-distributie. Word vandaag nog versterkt.
• PlatoData.Network Verticale generatieve AI. Versterk jezelf. Toegang hier.
• PlatoAiStream. Web3-intelligentie. Kennis versterkt. Toegang hier.
• PlatoESG. carbon, CleanTech, Energie, Milieu, Zonne, Afvalbeheer. Toegang hier.
• Plato Gezondheid. Intelligentie op het gebied van biotech en klinische proeven. Toegang hier.
• Bron: https://www.kdnuggets.com/7-reasons-why-you-shouldnt-become-a-data-scientist?utm_source=rss&utm_medium=rss&utm_campaign=7-reasons-why-you-shouldnt-become-a-data-scientist