Image Tumisu ×

Geçenlerde başlıklı bir makale yazdım. Veri Bilimcisi, Veri Mühendisi ve Diğer Veri Kariyerleri, Açıklaması, veriyle ilgili beş popüler mesleği kısaca tanımlamak ve ayırt etmek için elimden gelenin en iyisini yaptım. O makalede mesleklerin her biri çok üst düzey, tek cümlelik bir özet aldı ve referans olması için veri bilimcisi şu şekilde açıklandı:

Veri bilimcisi öncelikle verilerle, ondan çıkarılabilecek içgörülerle ve anlatabileceği hikayelerle ilgilenir.

Her meslek için yazdığım ek birkaç paragrafın yanı sıra, tek bir kapsayıcı farklılaştırma özelliği bulmaya çalıştım; beşi birlikte bir akış şemasında çalışılabilir ve belki de gelecek vadeden bir veri uzmanı tarafından hangi sonuca varılmasına yardımcı olmak için kullanılabilir? meslek onlar için en iyisi olabilir.

Okuyuculardan, veri bilimcisi mesleğinin tanımlayıcı bir özelliği olarak tahmine dayalı analitiğe çok fazla odaklandığımı ve bu özelliğe veri bilimcilerin daha fazla tahmin yapıyormuş gibi görünmesini sağlayacak şekilde eğildiğimi gösteren bazı geri bildirimler aldım. Analitiği her şeyden çok - ve diğer veri profesyonellerinin bunların hiçbirini yapmayabileceğini.

Bu yapıcı eleştiri doğal olarak beni düşündürdü: özellikle veri bilimcilerini diğer veri profesyonellerinden ayıran başka ne var? Veri bilimcileri tarafından kullanılan birçok teknik beceri ve belirli teknik diller, sistemler ve araçlar vardır. Ayrıca, veri bilimcilerin ve diğer her türden profesyonelin kariyerlerinde mükemmelleşmek için kullandıkları çok sayıda sosyal beceri vardır. Ancak, başarılı veri bilimcinin mesleğe veri bilimciyle birlikte gelen ya da mesleğe geldikten sonra geliştirilebilen doğasında var olan özelliklerinden bazıları nelerdir?

Bir bütün olarak ele alındığında, veri bilimciyi diğer mesleklerden ayırmaya ve başarılı bir kariyeri tanımlamaya yardımcı olan, bulduğum beş özelliği burada bulabilirsiniz.

Tüm veri bilimcisi rollerinin farklı olduğunu, ancak hepsinin bazı ortak bağlantı noktalarına sahip olduğunu ve umarız bu noktaların bu konuların bazılarını birbirine bağlamasına yardımcı olduğunu belirterek buna önsöz verelim.

1. Tahmine Dayalı Analitik Zihniyeti

 
Bu özelliğin algılanan odağı, biraz eleştirdiğim şeydi. Bununla birlikte, burada iki katına çıkacağım ve tahmine dayalı analitik zihniyetinin veri bilimcinin en önemli tanımlayıcı özelliklerinden biri olduğunu, belki de diğerlerinden daha fazla olduğunu söyleyeceğim. Tek tanımlayıcı özellik mi? Tabii ki değil. Veri bilimcisini diğer tüm mesleklerden ayırmak için bir akış şemasında kullanılmalı mıydı? Geçmişe bakıldığında, hayır, muhtemelen değil.

Veri bilimcileri tahmine dayalı analitik gerçekleştiriyor mu? Kesinlikle. Veri bilimcisi olmayanlar da mı? Elbette. Ancak koyacak olursam veri bilimcisi tahmine dayalı analitik tahterevallinin bir ucunda ve öte yandan, veri bilimcinin her zaman yere düşmesini beklerdim.

Ancak bu, yalnızca belirli durumlarda tahmine dayalı analitiğin uygulanması değildir; bu bir zihniyettir. Ve bu sadece bir değil analitik zihniyet (eksi öngörü), ama henüz bilmediklerimizi bulmak için zaten bildiklerimizden nasıl yararlanabileceğimizi düşünen biri. Bu şunu önerir öngörü denklemin ayrılmaz bir parçasıdır.

Veri bilimcilerin akıllarında yalnızca tahmin yoktur, ancak bence bu zihniyet içinde çalışmak, rolü tanımlayan özelliklerden biridir ve veriyle ilgili olsun olmasın diğer pek çok mesleğin paylaşmadığı bir özelliktir. Bu özelliği paylaşan diğerleri, muhtemelen onu söz konusu meslek için değer verilenler listesinin daha aşağılarına yerleştirir.

2. Merak

 
Bilmediklerimizi öğrenmek için bildiklerimizi kullanmaya çalışmak elbette yeterli değil. Veri bilimcilerin onlar hakkında, diğer rollerin sahip olması gerekmeyen bir merakı olmalıdır (diğerlerinin öyle olduğunu söylemediğime dikkat edin). kesinlikle yapma bu meraka sahip olmak). Merak, tahmine dayalı analitik zihniyetinin neredeyse diğer yüzüdür: tahmine dayalı analitik zihniyet ise, X ile Y, merak neyin ne olduğunu belirleyecek Y ilk sıradadır.

• “Satışları nasıl artırabiliriz?”
• "Neden bazı aylarda kayıp diğerlerine göre daha yüksek?"
• "Neden Re-Tweet gibi yapılması gerekiyor o? "
• "X'ten Y'ye yaparsak ne olur?"
• "X, burada olanlarla nasıl ilgileniyor?"
• "Denedik mi...?"
• Ve bunun gibi…

Yararlı bir veri bilimcisi olmak için doğal bir merak gerekir, hikayenin sonu. Sabahları uyanan ve tüm gününüzü evrenin harikalarını - herhangi bir düzeyde - fazla düşünmeden geçiren türden biriyseniz, veri bilimi size göre değildir.

Onu öldürmeden önce, kedinin başarılı bir veri bilimcisi olarak çok uzun ve başarılı kariyerinden merak sorumluydu.

3. Sistem Düşüncesi

 
İşte çarpıcı bir felsefe parçası: dünya karmaşık bir yer. Her şey bir şekilde bağlantılıdır, bariz olanın çok ötesinde, bu da gerçek dünyanın karmaşıklığının katman katman oluşmasına yol açar. Karmaşık sistemler, kendi ek karmaşık sistemlerini üretmek için diğer karmaşık sistemlerle etkileşime girer ve evren de böyle gider. Bu karmaşıklık oyunu, büyük resmi tanımanın ötesine geçiyor: Bu büyük resim, büyük resmin neresine oturuyor, vb.

Ama bu sadece felsefi değil. Bu gerçek dünyadaki sonsuz karmaşıklık ağı, veri bilimcileri tarafından kabul edilmektedir. Gizli veya başka türlü ilgili etkileşimler hakkında, sorunları üzerinde çalıştıkları kadar çok şey bilmekle ilgilenirler. Duruma bağlı arıyorlar bilinen bilinen, bilinen bilinmeyenler, ve bilinmeyen bilinmeyenler, herhangi bir değişikliğin başka yerlerde istenmeyen sonuçlara yol açabileceğini anlamak.

İlgili sistemleri hakkında mümkün olduğu kadar çok şey bilmek ve bu sistemlerin operasyonlarını ve etkileşimlerini mümkün olduğu kadar fazla hesaba katmak için meraklarından ve tahmine dayalı analitik zihniyetlerinden yararlanmak, böylece bu sistemlerin sorunsuz çalışmasını sağlamak için veri bilimcinin işidir. ayarlandı. Neden hiç kimsenin ekonominin nasıl çalıştığını tam olarak açıklayamadığını anlayamıyorsanız, veri bilimi size göre değildir.

4. Yaratıcılık

 
Artık gerekli olan “kutunun dışında düşünme” özelliğimize geldik. Herkesi bir dereceye kadar bunu yapmaya teşvik etmiyor muyuz? Tabii ki yaparız. Ama burada aynı anlamda söylemiyorum.

Veri bilimcilerin bir boşlukta çalışmadıklarını unutmayın; her türden farklı rolle çalışıyoruz ve yolculuklarımızda her türden farklı alan uzmanıyla karşılaşıyoruz. Bu alan uzmanlarının, kutunun dışında düşünürken bile kendi alanlarına bakmanın belirli yolları vardır. Bir veri bilimcisi olarak, benzersiz becerilere ve belirli bir zihniyet türüne sahip olarak - ki bunu burada bir şekilde açıklamak için elimden gelenin en iyisini yapıyorum - sorunlara alan uzmanlarının bulunduğu kutunun dışından yaklaşabilirsiniz. Bir soruna yeni bir ışıkta bakan taze gözler olabilirsiniz - tabii ki sorunu yeterince iyi anlamanız koşuluyla. Yaratıcılığınız, bunu yapmak için yeni fikirler ve bakış açıları oluşturmanıza yardımcı olacaktır.

Bu, alan uzmanlarını azaltmak için değil; aslında tam tersi. Biz veri bilimcileri onların destekve yaptığımız şeyi yapmak için eğitilmiş bir dizi beceri getirerek, (umarız) destek rolümüze yeni bir bakış açısı getirerek alan uzmanlarının yaptıkları işte başarılı olmalarına katkıda bulunabiliriz. Bu yeni bakış açısı, veri bilimcinin yaratıcı düşüncesiyle yönlendirilecek; bu yaratıcılık, merakla birleştiğinde soru sorabilmeye ve yanıtların peşinden koşabilmeye yol açacaktır.

Tabii ki, bu soruları takip edebilmek için teknik, istatistiksel ve ek becerilere ihtiyacımız var, ancak araştırma yapabilmek için ilginç ve bariz olmayan yollar düşünecek yaratıcılığa sahip değilsek, bu beceriler işe yaramaz. ve nihayetinde cevaplar sağlar. Bu nedenle veri bilimcileri doğası gereği yaratıcı olmalıdır.

5. Hikaye Anlatma Duyarlılıkları

 
Hayattaki konumu ne olursa olsun herkesin başkalarıyla etkili bir şekilde iletişim kurabilmesi gerekir. Veri bilimcileri farklı değil.

Ancak bunun da ötesinde, veri bilimcileri, Statistical Analysis Cinematic Universe™'e tam anlamıyla kapılmamış olabilecek - ve olmak istemeyebilecek - diğer paydaşlara çalışmalarını açıklarken genellikle biraz sabır göstermek zorunda kalırlar. Bir veri bilimcisi, bu noktalardan herhangi birinin tam olarak ne olduğu hakkında çok az fikri olsa bile, birini A noktasından B noktasına anlatabilmelidir. vardır. Açıkça söylemek gerekirse, hikaye anlatımı, bazı verilerden ve sizin analitik sürecinizden gerçekçi bir anlatı örebilmektir. Re-Tweet için Re-Tweet.

Bu sadece gerçekleri belirtmekle bitmiyor; veri bilimcisi, paydaşın denklemin neresinde yer aldığını görmeli ve anlatı yolculuğunu alakalı hale getirmelidir - belki de meşhur anlaşmayı tamamlamaya yardımcı olacak yararlı görseller veya diğer aksesuarlarla.

Bu hikaye anlatımı, kurgusal hikaye anlatımı gibi değildir; daha çok "süslü açıklama" veya dinleyiciye göre uyarlanmış sezgisel bir açıklama sağlama gibidir. Tıpkı araştırma ve geliştirmede çalışan birine tedarik zinciri ölçümleri hakkında kuru, uzun soluklu bir anlatıya dalmayacağınız gibi, beş yaşındaki bir Stephen King hikayesini yatmadan önce anlatmazsınız. Kitlenizin farkında olun.

Bu hikaye anlatımı aynı zamanda doğası gereği ikna edici değildir; açıklayıcıdır. biz veri değiliz politikacılar, biz veriyiz bilim adamları. Bilim adamlarının başkalarını kendi isteklerine göre bükmek için istatistikleri yanlış beyan etmesinden asla iyi bir şey gelmez. Bunu seçilmiş yöneticilere bırakın.

 
Umarım bu, başarılı bir veri bilimcinin önemli özellikleri olduğuna inandığım özelliklerin zengin bir resmini çizmeye yardımcı olmuştur. Kariyerinizi sürdürürken size başarılar dilerim.

 
İlgili bağlantılar:

• Veri Bilimcisi, Veri Mühendisi ve Diğer Veri Kariyerleri, Açıklaması
• 14 Farklı Veri Bilimi İşi Rehberi
• İşe Alınmanızı Sağlayabilecek (Ya da İşe Alınmayacaksınız) Veri Bilimi Portföyü Proje Fikirleri