[ad_1]

با اتخاذ استراتژی های مبتنی بر داده ، مشاغل حرفه ای داده واجد شرایط هستند مهارت های خاص آنها را ضروری می کند.

اعتبار: Gorondenkoff از طریق Adobe Stock

اعتبار: Gorondenkoff از طریق Adobe Stock

محققان داده – جای تعجب نیست – در صنایع مختلف تقاضای زیادی دارند. در این سال ، دانش داده هفتمین مهارت مورد جستجو در نیروی کار است.

همه گیری ، اتخاذ استراتژی های مبتنی بر داده در صنایع مختلف را تسریع کرده است. در خرده فروشی ، شرکت هایی مانند Target به IoT و داده های مکانی برای اطلاع از استراتژی های خرید خود ، ساده کردن تجربه خرید و افزایش درآمد در یک سال سخت برای خرده فروشان ، مراجعه کرده اند. بهداشت و درمان کاملاً به بینش مبتنی بر داده روی آورده است تا در میان جابجایی تجهیزات پزشکی ، تخت های اضطراری بیش از حد شایع ، غربالگری های بهداشتی و سایر چالش ها چابک و پاسخگو بماند. صنعت خدمات مالی سالهاست که از اطلاعات برای اطلاع دادن به استراتژیهای تجاری و رفع چالشهای نوظهور استفاده می کند.

اگرچه داده ها اکنون یک مزیت هستند ، اما در آینده اساس کل تجارت خواهد بود. علم داده ، یک مهارت مشترک (و احتمالاً مورد نیاز) خارج از نقش مهندسی و فناوری اطلاعات خواهد بود. برای حفظ رقابت ، محققان داده باید در چگونگی ترجمه بهتر داده ها به اطلاعات مفید و داستان های جذاب سرمایه گذاری کنند که در تجارت آنها طنین انداز است. این چهار مهارت برای موفقیت آنها بسیار مهم خواهد بود:

1. ارتباط احتمال ، آمار و سایر شاخه های ریاضیات

در حالی که علم داده پیچیده است ، شکاف روز افزون در سواد داده نوآوری و همکاری بین تیم ها را تهدید می کند. Accenture دریافت که 75٪ از کارمندان داده ها را می خوانند ، اما تنها 21٪ “به مهارت های سواد داده خود اطمینان دارند”. در حالی که سازمان ها برای افزایش بهره وری نیاز به سرمایه گذاری در زمینه سواد داده در سراسر سازمان دارند ، محققان داده امروز باید نحوه برقراری ارتباط با اصول را بیاموزند. از پشت داده ها.

توانایی توضیح مفاهیم مختلف مانند واریانس ، انحراف معیار و توزیع به دانشمندان داده کمک می کند تا نحوه جمع آوری داده ها ، آنچه مجموعه داده درباره آن داده ها نشان می دهد و معتبر به نظر می رسند. این بینش ها هنگام انتقال داده ها به سایر ذینفعان ، به ویژه مجموعه C مفید است. با استفاده از این اصول می توانید به راحتی توضیح دهید چگونه پشت داده ها: چگونه این اعداد را پیدا کردید؟ از کجا بفهمیم معتبر و نماینده هستند؟

در طول این نوع بحث ، از زیاده روی در جنبه های فنی خودداری کنید. بهترین محققان داده برای سادگی ارزش قائل هستند و فقط در صورت لزوم پیچیدگی را اضافه می کنند. برای درک این مفاهیم ، به پیشنهادات موجود در مدارس و دانشگاههای آنلاین نگاه کنید. دانشگاه هاروارد دوره های آنلاین رایگان در موضوعاتی از جمله احتمال ، و همچنین سیستم عامل های معروف آموزش الکترونیکی مانند Coursera را ارائه می دهد.

2. داده ها را قابل درک کنید

توانایی گفتن داستانی در مورد اتصالات داده با توانایی ساده سازی و توضیح مشخصات فنی داده ها. داستان ها از تعداد زیاد انسان بیشتر است: یک مطالعه نشان داد که 63٪ از مخاطبان هنگام گوش دادن به سخنرانی ها داستانها را به خاطر می سپارند ، اما تنها 5٪ فقط یک آمار را به خاطر می آورند.

بهترین محققان داده نیز داستان سرایان خبره هستند ، زمینه لازم را برای مجموعه داده ها فراهم می کنند و دلیل اهمیت داده ها را در تصویر بزرگ توضیح می دهند. هنگام به اشتراک گذاشتن یک مجموعه داده جدید یا نتایج داده های پروژه ، روی ایجاد داستانی در مورد سه چیز اول مخاطب که باید ترک کند ، تمرکز کنید. این نکات را روی هر رسانه ای که انتخاب می کنید تکرار کنید – ارائه ، ایمیل ، گزارش تعاملی و غیره – مخاطبان خود را به عمل سوق دهد. این باعث می شود که اطلاعات جدید به راحتی قابل هضم و در عمل قابل استفاده باشند.

3. تجسم داده های تأثیر

رسانه های تصویری یک روش جذاب اما اغلب دست کم گرفته شده برای به اشتراک گذاشتن داده ها است. انواع مختلف نمودارها و نمودارها را در نظر بگیرید که مجموعه های مختلفی از داده های همه گیر را جستجو می کنند. از معرفی واکسن ردیابی نقشه ها گرفته تا مجموعه ای از گرافیک های مربوط به بیماری همه گیر جان هاپکینز ، تجسم داده ها اثبات کرده است که راهی حیاتی برای تعامل و درک داده ها است.

بهترین تصاویر ، مقادیر زیادی از داده ها را توضیح داده و زمینه سازی می کند ، به بینندگان (به ویژه ذینفعان غیرفنی) اجازه می دهد تا به سرعت اطلاعات را جذب کرده و نتیجه گیری های کلیدی را که ممکن است در داده های خام دفن شده باشد ، کشف کنند. برای تجسم داده ها ، ابزارهایی مانند Redash برای ایجاد نمودارها و نمودارها وجود دارد. برای توسعه نقشه های تعاملی ، در کارگاه های مبتدی ثبت نام کنید که تجسم داده ها را با پایتون و سایر نرم افزارها آموزش می دهند. برای الهام بخشیدن از خلاقیت ، کتابهایی مانند Sketches Data Nadi Bremer و Shirley Wu ، که کارهای ادوارد توفت یا گالری عمومی Tableau را دنبال می کنند ، می توانند ایده های جدیدی ایجاد کنند.

4. متعادل سازی یادگیری و آموزش

فردا ، بهترین متخصصان داده هم معلمان و هم دانشجویان خواهند بود. روش هایی را بیابید که یادگیری و آزمایش را در برنامه روزمره خود بگنجانید ، آخرین اخبار مربوط به تکنیک های داده را بخوانید یا یک برنامه نرم افزاری جدید را امتحان کنید. این رویکردها می توانند ارزش شما را در درون سازمان نشان دهند ، اما همچنین چشم انداز مفیدی نیز ارائه می دهند: دانستن چگونگی دستیابی به اطلاعات می تواند نحوه به اشتراک گذاشتن ایده با دیگران را بهبود بخشد.

از آنجایی که شرکتهای بیشتری بر روی بینش مبتنی بر داده برای تصمیم گیری هوشمندانه در زمینه تجارت تمرکز می کنند ، دانشمندان داده مسئولیتهای مهمتری را در سازمانها به عهده می گیرند. انجام علم داده پیشرفته تنها نیمی از تلاش است. دانستن اینکه چگونه فرآیند خود را توضیح دهید و یافته های خود را به روشی جذاب ارائه دهید ، محققان پیشرو داده فردا را ضروری می کند.

رایان بوید بر اساس مهندس نرم افزار بولدر ، پیمانکار داده ، AuthNZ و روابط توسعه دهنده ساخته شده است. او افسر رابط توسعه دهنده Databricks است ، مسئول حمایت و تجربه در مورد پایگاه داده تجزیه و تحلیل متحد Databricks ، و همچنین ابتکارات منبع باز مانند Delta Lake ، Spark و MLflow. وی پیش از این تیم های رابط توسعه دهنده Neo4j ، Google Cloud Platform و Google Apps را هدایت می کرد. او نویسنده است شروع کار با OAuth 2.0، منتشر شده توسط O’Reilly.

انجمن هفته اطلاعات متخصصان فناوری اطلاعات و متخصصان صنعت را با مشاوره ، آموزش و نظرات فناوری اطلاعات گرد هم آورده است. ما تلاش می کنیم تا رهبران فن آوری و متخصصان موضوع را برجسته کنیم و از دانش و تجربه آنها برای کمک به مخاطبان IT خود استفاده کنیم … مشاهده بیوگرافی کامل

ما از نظرات شما در مورد این موضوع در کانال های رسانه های اجتماعی خود استقبال می کنیم ، یا [contact us directly] با س questionsال در مورد سایت.

مقالات بیشتر



[ad_2]

منبع: tasiveh-news.ir