Hvordan mislykkes som dataforsker: 3 vanlige feil

Topp 5 spørsmål en dataforsker skal kunne svare på Tom Merritt stiller de fem spørsmålene hver dataforsker skal ha svarene på.

Mer om Big Data

  • Datahåndtering: Et jukseark
  • Hvordan integrere robotprosessautomatisering i big data-prosjekter
  • Programmereren Hadley Wickham utpeker mangfoldet av R-samfunnet
  • Hvordan velge riktige dataanalyseverktøy: 5 trinn

Dataforskere er ansvarlige for å organisere og analysere data for en virksomhet. Med selskaper som genererer mer data enn noen gang før, er disse profesjonelle etterspurt, og plasserer først på Glassdoors beste jobb i Amerika-listen de siste fire påfølgende årene.

Hvordan bygge en vellykket datavitenskaperkarriere (gratis PDF)

De som jobber innen datavitenskap er kjent med big data-analyse, maskinlæring, kodespråk, algoritmer og problemvurdering, rapporterte Alison DeNisco Rayome fra TechRepublic. Tekniske ferdigheter alene vil imidlertid ikke kutte det.

Kommunikasjon, samarbeid og konstant læring er også nødvendige komponenter for å lykkes i datavitenskap. Uten både tekniske og mellommenneskelige ferdigheter, vil dataforskere slippes og lett erstattes når antallet stiger.

"Å være en vellykket dataforsker krever en blanding av tekniske ferdigheter, tenkning av høyere orden og problemløsing", sier Roger Yarbrough, rektor og medgrunnlegger av markedskonsulentfirmaet Stratistry. "Gitt at denne blandingen av talent ikke nødvendigvis er en del av standard college-pensum, vil du finne mange dataforskere uten den nødvendige virkelige erfaring for å forstå de potensielle fallgruvene du kan støte på når du arbeider med data."

Data forskere kan bukke under for mange fallgruver, som med alle yrker. Her er de største feilene forskere gjør som til slutt får dem til å mislykkes:

1. Fokuser bare på løsningen

Dataforskere blir kalt inn for å løse forretningsproblemer, samt implementere analyser, sa Ganes Kesari, leder for analytics i Gramener. "Dette er den hellige gralen for datavitenskap, " sa Kesari. "Man må ramme de rette forretningsspørsmålene, og utvikle en rekke trinn for å løse dem. Men det er her de fleste dataforskere vakler."

Å fokusere utelukkende på løsningen kan skape problemer underveis; dataforskere må huske sammenhengen som problemet ble lagt ut med, sa Keith Williams, dataforsker ved Red Ventures.

"Du må forstå hvordan disse systemene vanligvis fungerer og hvordan de samhandler med løsningen, " sa han. Unnlatelse av å gjøre dette leggarbeidet manifesterer seg ofte som en nedstrøms feil, slik at du holder posen med bare en vag forestilling om hva som går galt og hvor det skjer.

2. Glemme det grunnleggende

Selv om det å forstå hvordan kunstig intelligens (AI) og maskinlæringssystemer fungerer er avgjørende for en karriere innen datavitenskap, overser disse fagfolkene det grunnleggende, sa Kesari.

"Kandidatene flaunter 90% nøyaktighetsnivå av AI-modeller i prosjekter. Men det er en tragedie når de sliter med å forklare hva en p-verdi er, eller hvordan de kan bruke excel til å trekke ut enkle mønstre fra data, " sa Kesari. "En dataforsker som har ferdigheter med å bygge modeller uten grunnleggende forhold, er som en pilot som kan fly et fly uten å vite hva cockpit-ringene betyr."

"Enkle verktøy som lineær regresjon kan faktisk være ganske kraftige når de kobles sammen med godt kuraterte data og integreres i et system der utgangene er handlingsdyktige, " la Williams til. "En teknologisk-optmimistisk dataforsker vil arbeide med å prøve å få det nyeste dype nevrale nettverket brukt på problemet sitt bare for å finne at noen oppstrøms prosess må adresseres før noe annet kan oppstå. Ved å bruke enkle løsninger først, vil slike problemer raskt bli identifisert uten å brenne troverdighet. "

3. Ineffektiv kommunikasjon

Å finne analytiske resultater er viktig, men vellykkede dataforskere vet hvordan de skal kommunisere produktene produktivt, sa Kesari.

"Nytten av analyseresultater er direkte proporsjonal med beslutningene som kan tas ved bruk av det. Data forskere antar at brukerne forstår analyse, " sa Kesari. "De tar seg ikke tid til å oversette resultatene til et format som brukere kan handle på. Forretningstolkning og datavisualisering er uvurderlige ferdigheter som ofte blir sidelinjert."

De beste dataforskerne blir klar over disse feilene og iverksetter tiltak for å begrense dem, sa Yarbrough, og de er i stand til å gjøre dette fordi de har både tekniske og mellommenneskelige ferdigheter.

"Det er en ting å forstå og anvende begreper i et akademisk miljø, men en annen ting helt å gjøre det i den virkelige verden med alt dets press, " sa Yarbrough. "De som jobber hardt for å beskytte integriteten til dataene sine og tar de rette skritt for å sikre at de er nøyaktige, vil finne at arbeidet deres er verdifullt både for seg selv og for de som er avhengige av det."

Hvis du vil ha mer informasjon, kan du lese hvordan du holder dataforskerens ferdigheter oppdatert: 3 tips om TechRepublic.

Data, Analytics og AI Nyhetsbrev

Få eksperttips for å mestre grunnleggende grunnleggende analyser av data, og følg med på den siste utviklingen innen kunstig intelligens. Leveres mandager

Registrer deg i dag

Se også

  • Hvordan bli en dataforsker: Et jukseark (TechRepublic)
  • 60 måter å få mest mulig ut av big data-initiativene dine (gratis PDF) (TechRepublic)
  • Funksjonssammenligning: Dataanalyseprogramvare og tjenester (TechRepublic Premium)
  • Volum, hastighet og variasjon: Forstå de tre V-ene for store data (ZDNet)
  • Beste skytjenester for små bedrifter (CNET)
  • Big data: Mer må-lese dekning (TechRepublic på Flipboard)
Bilde: iStockphoto / Peshkova

© Copyright 2020 | mobilegn.com