¿Cómo se aplica la ciencia de los datos?

El Who, What, y todo en medio de un perfil de trabajo aparentemente nuevo en el mundo de la ciencia de los datos.

La ciencia de los datos es un dominio en evolución y a lo largo de la última década se ha movido de un bueno-para-tener ’ a un ‘ must-have ’ en la gestión de un servicio o negocio centrado en el cliente. Como con cualquier campo en evolución, sus límites están siendo empujados, los conjuntos de habilidades se están reimaginando a sí mismos, y las nociones sobre lo que es un ‘científico de datos’ están siendo constantemente desafiadas. No es sorprendente que las empresas se hayan reorganizado para hacer el mejor uso de este activo que cambia el juego.

Con esto hemos visto la aparición de un Científico de Datos Aplicados, una descripción de trabajo aparentemente nueva. ¿Pero lo es? Ha estado allí en el horizonte durante mucho tiempo, ha pasado por cambios en la convención de nombres y sigue siendo uno de los conjuntos de habilidades más poderosos y ampliamente requeridos en la industria. Los hemos conocido como “analistas de datos” en el pasado, ahora a veces nos referimos a ellos como “científicos de datos” o en algunas organizaciones se llaman específicamente “científicos de datos aplicados”.

Un científico de datos aplicado, simplemente dicho, es alguien que estudia los datos (es decir, la ciencia de los datos) con el objetivo de proporcionar soluciones procesables a los problemas de las empresas por por el que se aplica teórica marcos conceptuales y algoritmos en el datos subyacentes .

Alguien que procesa, analiza, modela e interpreta datos de cualquier tipo para conducir ideas significativas y ayudar resolver los problemas empresariales (¡y en la mayoría de los casos identifica un poco más!) .

Datos aplicados Los científicos juegan con los datos subyacentes, aplicando conceptos técnicos/lógicos adecuados que conducen a soluciones significativas a los problemas empresariales.

Un Científico de datos aplicado es alguien que:

Es experto en ‘aplicar la ciencia de los datos’

Ser un buen científico de datos es la base de ser un buen científico de datos aplicado. No hace falta decir, uno necesita tener un buena comprensión de los datos uno está lidiando con. Además, esto a menudo significa tener un:

Fuerte comprensión de los algoritmos de ciencia de datos que van desde un simple análisis básico hasta modelos avanzados de aprendizaje automático. Es beneficioso, pero no obligatorio, tener una comprensión profunda del funcionamiento de todos ellos. Como con muchos otros dominios, el Principio de Pareto también es cierto en la ciencia de datos, y 20% de algoritmos o enfoques pueden ser utilizados en la solución 80% de los problemas empresariales . - Es importante conocer estos algoritmos y tener una conciencia sobre sus posibles aplicaciones en toda la industria.
Empuñadura sólida en las plataformas (o herramientas / software) necesario para aplicarlas. Comprender los algoritmos de ciencia de datos no es de gran utilidad si no sabes cómo usarlos en los datos subyacentes. Esto se hace a través de plataformas de codificación que tienen paquetes de aprendizaje automático / estadísticos y también a través de herramientas de visualización que nos ayudan a interpretar y analizar. - Es vital saber leer los datos, procesarlos, limpiarlos, manipularlos, visualizarlos y modelarlos.

El conocimiento técnico de los enfoques y la capacidad de implementarlos es un DEBEN HACER

Tiene un firme control sobre el conocimiento de dominio

El conocimiento de dominio o conocimiento de la industria es una clave para los científicos de datos aplicados. Durante los proyectos de análisis, a menudo llega un momento en que uno necesita dirigir el análisis en una dirección frente a la otra, es donde los conocimientos técnicos de la industria pueden ayudar a uno aplicar el contexto comercial/lógico y dirigir el análisis. Un científico de datos aplicado tiene un conocimiento sólido de su dominio.

El conocimiento de dominio va un largo camino en tomar decisiones llamadas durante un análisis y a menudo puede ser la diferencia entre el Bien y el Grande.

Aporta perspicacia a la acción

Si hay una cosa que diferencia a un Científico de Datos Aplicados, es la capacidad de hacer recomendaciones aplicables a los problemas empresariales después de aplicar técnicas de ciencia de datos sobre los datos subyacentes. Después de jugar con los datos y utilizar sus conocimientos de dominio en la parte superior de ella para contextualizar, un científico de datos aplicado trae el análisis a la vida por haciendo una historia de ella. Una historia, que termina con recomendaciones basadas en las percepciones de los datos subyacentes, que pueden ser adoptadas por las partes interesadas.

Por ejemplo, la creación de una segmentación de clientes en el comercio minorista es un trabajo que involucra la ciencia compleja de los datos. Sin embargo, con el fin de conseguir esto con las partes interesadas de los negocios, ayuda a pintar una imagen de qué tipo de clientes de estos segmentos representan. Abordar preguntas como: ¿qué aspecto tienen, a qué grupo demográfico pertenecen en su mayoría, cómo compran, qué compran, etc. ayudar a la empresa a comprenderlos, visualizarlos y llevar el análisis a la vida (bastante literalmente). La cereza en el pastel es cuando los científicos de datos pueden superponer sus conocimientos de dominio y describir estrategias, que el negocio puede implementar, para activar estos grupos.

‘¿El qué? ¿Y qué? y ahora-qué?’ marco se utiliza a menudo para llevar el análisis a la vida y puede ayudar a decidir las acciones clave basadas en la perspicacia.

También, Científicos de Datos Aplicados trabajar muy estrechamente con los clientes (o las partes interesadas de las empresas) . Esta es una razón por la que tienen un fuerte control sobre el conocimiento de dominio y son capaces de aplicar la razón de negocio a los problemas de la ciencia de datos. Tener fuertes relaciones con contrapartes de negocios (o clientes) también significa que son capaces de saber sobre qué partes de su análisis se puede actuar y cómo.

Desarrollar y fomentar relaciones fuertes con sus homólogos clientes es un ingrediente esencial para ofrecer continuamente un gran valor al cliente.

Hace que el complejo, simple

Algunos algoritmos de Ciencia de Datos pueden ser muy complejos para que un lego los entienda. Las matemáticas involucradas simplemente pueden ser muy difíciles de entender y esto es más cierto si uno no es de un fondo de ciencia de datos.

A menudo, las partes interesadas clave para los proyectos de ciencia de datos son personas que son responsables de la toma de decisiones, y pueden o no ser de un fondo de ciencia de datos. Esto hace que el trabajo de un científico de datos sea realmente difícil, ya que es muy importante conseguir la participación de las partes interesadas para asegurar que el análisis guíe el proceso de toma de decisiones y no solo termine convirtiéndose en un "bueno para tener un estudio". Esto implica la capacidad de explicar la compleja ciencia en términos sencillos y sencillos para las principales partes interesadas y conseguir que confíen en el análisis y, por lo tanto, en sus hallazgos. El presente Reglamento será obligatorio en todos sus elementos y directamente aplicable en cada Estado miembro. simple lego ’ la representación de marcos/modelos de datos matemáticos complejos puede variar en función del conocimiento de la parte interesada de la ciencia de los datos o la inclinación hacia su comprensión.

Conocimientos: gran vs. suficiente análisis

Datos aplicados Los científicos a veces trabajan en proyectos a corto plazo (2-3 días), a veces a largo plazo (multiples semanas), y a menudo trabajan en múltiples proyectos de diferentes longitudes. Esta amplia gama significa que a veces hay preguntas/solicitudes rápidas de las partes interesadas cuando el tiempo es esencial. Con el fin de abordar estas cuestiones, se espera que el científico de datos aplicado tenga un bien redondeado conocimiento de los productos existentes / soluciones a medida dentro de la empresa; y es capaz de apoyar en ellos para proporcionar Soluciones rápidas en estos escenarios. Esto significa, obviamente, interactuar con otras verticales. (como equipo de productos, equipos de ingeniería de datos, equipos comerciales, etc.) sobre una base regular y teniendo en cuenta la interconectividad del trabajo en todos ellos.

Casi siempre se espera que no comience desde cero y utilizar el banco de conocimientos / conjunto de herramientas existentes a su disposición

También, si los proyectos que son sensibles al tiempo significa tomar una llamada en lo que es ¿Grand vs. suficiente? Saber dónde profundizar en el análisis utilizando el mejor algoritmo científico de clase vs. cuando utilizar un marco más simple y hacer el análisis a tiempo para ayudar a la toma de decisiones.

Cuando un resultado de negocio depende del análisis, el objetivo de grandes soluciones horas extras es bueno y la entrega lo suficientemente buena con el tiempo es grande.

Los perfiles científicos de datos aplicados no son ciertamente nuevos perfiles en el mundo de la ciencia de datos. Sin embargo, una cosa que es diferente (.. y para mejor) , es que es Definido con mayor precisión y mejor diferenciados que un perfil genérico de Data Scientist.

Un perfil de Ciencia de Datos Aplicada tiene muchos beneficios:

La obvia es aprendizaje — se aprende sobre la ciencia de los datos, sus aplicaciones, herramientas clave, así como el desarrollo de un conocimiento de dominio sólido horas extraordinarias.
Funciones bien definidas significa que las personas en el papel son más claras en torno a las expectativas de la organización, pueden establecer objetivos claros y alcanzarlos.
Debido a la estrecha colaboración con los clientes, a menudo son capaces de ver las decisiones que se toman en la parte posterior de su análisis y pueden ver la impacto de su trabajo fácilmente .
En colaboración con múltiples partes interesadas en todos los proyectos, esto a menudo significa que los científicos de datos aplicados tienen un red fuerte a través de múltiples verticales .
Datos aplicados Los científicos a menudo pueden tallar hacia fuera diferentes trayectorias profesionales para ellos mismos más adelante en sus carreras basadas en las numerosas habilidades que han adquirido (y su amplia red es obviamente muy útil)

Algunas organizaciones tienen un único perfil de ‘científico de datos’, mientras que otras tienen dos perfiles segregados de científicos de datos — Científicos de datos aplicados y científicos de datos de investigación (por favor, tenga en cuenta que cualquiera de estos perfiles también puede ser llamado simplemente ‘científico de datos’).

¿Los científicos de datos aplicados son diferentes de los científicos de datos de investigación?

Esta es una pregunta de un millón de dólares. En mi opinión, allí no es mucho de una diferencia entre los conjuntos de habilidades necesario para estos dos perfiles y los dos pueden ser intercambiables cuando quieren serlo. Sin embargo, debido a la naturaleza misma de la formas de trabajo o las expectativas de la organización , a veces hay un línea fina entre ellos.

Pero una vez más, hay que destacar que en el fondo no hay ninguna razón para que los dos conjuntos de habilidades sean diferentes.

Echemos un vistazo a este ‘ línea fina ’ para entenderlo mejor:

Competencias en Ciencias de los Datos: No hay ninguna razón para que el conjunto de habilidades de Data Science a través de los dos perfiles sean diferentes. La organización espera que los científicos de datos de investigación a profundizar en el problema (es decir, profundidad vertical es importante) , mientras que se espera que los aplicados tengan una visión bien redondeada de una variedad más amplia de problemas y soluciones de ciencia de datos (es decir, cobertura horizontal es más valioso)

Por la naturaleza de su trabajo, los Científicos de Datos Aplicados podrían no conocer TODOS los algoritmos de Ciencia de Datos hasta el grado Nth, mientras que los de investigación tendrían más o menos una comprensión completa.
Los aplicados serían más capacitados en aplicaciones amplias del 20% de los conceptos que pueden ayudar a resolver el 80% de los problemas de Ciencia de Datos en su dominio.
Se espera que ambos traten con análisis avanzados complejos, aprendizaje automático, Python, etc.; sin embargo, los Científicos de Datos Aplicados siempre tendrán en mente la aplicabilidad práctica, mientras que los Científicos de Datos de Investigación profundizarán en el problema.

Habilidades de interacción con el cliente: Una vez más, ninguna razón en particular para que estos sean diferentes. Ambos perfiles requieren una comprensión detallada de los problemas empresariales, la capacidad de convertirlos en problemas de ciencia de datos y proporcionar soluciones respaldadas por datos para ellos. Sin embargo, debido a la naturaleza del trabajo los científicos de datos aplicados tendrían un mayor proximidad a las partes interesadas y, por lo tanto, alcanzaría un una visión más amplia/disminutiva de los objetivos empresariales dándoles la capacidad de impulsar resultados procesables del análisis

En mi opinión, es beneficioso tener dos perfiles de trabajo separados y dar la opción a los individuos de ir profundo o amplio dependiendo de sus aspiraciones. Obviamente, tener expectativas más claras de los empleados es muy útil tanto para la organización como para los empleados.

Interesante, dinámico y gratificante — son palabras que me vienen a la mente cuando pienso en la Ciencia Aplicada de Datos en el mundo de hoy.

→ Parece tener un equilibrio perfecto de conocimientos técnicos aplicables y conocimientos empresariales para hacer un trabajo impactante.