Vad är en data scientist?

Vilka de är, vad de gör och varför du vill vara en

Data scientists är en ny typ av analysdataexpert som har de tekniska färdigheterna som krävs för att lösa komplexa problem – och nyfikenheten att utforska vilka problem som behöver lösas.

De är samtidigt - matematiker, datavetare och trendspanare. Och eftersom de står med ena benet i affärsvärlden och det andra i IT-världen är de mycket eftertraktade och välavlönade. Vem skulle inte vilja vara data scientist?

De är också ett tecken på tiden. Det var inte många som upplevde att de hade ett behov av en data scientists för ett tiotal år sedan, men deras plötsliga popularitet återspeglar hur företag resonerar om big data nuförtiden. Den oformliga massan av ostrukturerad information kan inte längre ignoreras och försummas. Den utgör en veritabel guldgruva som kan hjälpa till att öka intäkterna – så länge det finns någon som sticker ner en spade och gräver fram affärsinsikterna som ingen tidigare hade fått för sig att leta efter. Där kommer data scientist in i bilden.

Var kom de ifrån?

Många data scientist började karriären som statistiker eller dataanalytiker. Men allteftersom big data (och lagrings- och bearbetningstekniker för big data som Hadoop) började växa och utvecklas så utvecklades även dessa roller. Data är inte längre bara ett bihang som IT-branschen får ta hand om. Det är nyckelinformation som kräver analys, kreativ nyfikenhet och en förmåga att omvandla högteknologiska idéer till nya sätt att göra vinst.

Rollen som data scientist har också akademiska anor. För några år sedan började universiteten att inse att arbetsgivare ville ha personer som både var programmerare och lagspelare. Professorer började anpassa sina lektioner därefter – och vissa program, som Institute for Advanced Analytics vid North Carolina State University, förberedde sig på att ta fram nästa generations data scientists. Det finns nu över 60 liknande program på universitet runt om i landet.

“Mina arbetsdagar kan vara väldigt lika varandra, men det är stor skillnad från vecka till vecka. I några veckor kanske jag arbetar med ett textutvinningsprojekt och efter det sitter jag kanske och snickrar på en prediktiv modell för kunden. Sedan har vi en del möten med andra om analys och hur detta kan vara till hjälp för olika delar av verksamheten.”

Alex Herrington
Data scientist för en stor amerikansk återförsäljare
Läs berättelsen

Kirk Borne, PhD, Principal Data Scientist vid Booz Allen, tar upp missuppfattningen att data scientists är en gren inom IT funktionen – och hur data scientitsts kan vara till hjälp i den nya eran med större, mer komplexa data.

More on data scientists

Meet a data scientist: Interview with Kristin Carney.
Download a white paper on Getting Value From Your Data Scientists.

Typiska arbetsuppgifter för data scientists

Det finns ingen bestämd arbetsbeskrivning när det gäller en data scientist roll. Men här är några saker du troligtvis kommer att få göra:

Samla in stora mängder ohanterliga data och omvandla dem till ett mer lätthanterligt format.
Lösa affärsrelaterade problem med hjälp av datadriven teknologi.
Arbeta med en rad olika programmeringsspråk, som SAS, R och Python.
Kunna behärska statistik ordentligt, inklusive statistiska tester och distributioner.

Hålla sig uppdaterad om analystekniker som maskininlärning, djupinlärning och textanalys.
Kommunicera och samarbeta med både IT och företag.
Leta efter strukturer och mönster i data samt upptäcka trender som kan hjälpa företag att ha rätt utgångspunkt.

Vad finns i en data scientists verktygslåda?

Dessa termer och tekniker används ofta av data scientists:

Datavisualisering: Data presenteras i ett bildformat eller ett grafiskt format så att de enkelt kan analyseras.
Maskininlärning: En gren av artificiell intelligens som bygger på matematiska algoritmer och automatisering.
Djupinlärning: Ett område inom maskininlärningsforskningen som använder data för att skapa komplexa modeller.

Mönsterigenkänning: En teknik som känner igen mönster i data (används ofta synonymt med maskininlärning).
Datapreparering: Processen att konvertera rådata till ett annat format som är lättare att tolka och hantera.
Textanalys: Processen att undersöka ostrukturerade data för att få fram viktiga affärsinsikter.

“På en vanlig dag sitter jag och brainstormar och försöker komma på hur vi ska lösa olika problem som mitt team stöter på, jag granskar analyser och rekommendationer från personalen och deltar i en rad olika möten.”

Kristin Carney
Data scoemtost, World’s Foremost Bank
Läs berättelsen

Hur kan du bli data scientist?

Det kan vara ett smart drag att ställa in sig på en karriär inom datavetenskap. Du kommer att ha gott om jobbmöjligheter, och dessutom får du möjlighet att arbeta inom teknikområdet och samtidigt ha utrymme för experimentering och kreativitet. Så vad är din strategi?

Om du är student
Att välja ett universitet som har ett datavetenskapligt program – eller åtminstone ett universitet som erbjuder kurser i datavetenskap och analys – är ett viktigt första steg. Oklahoma State University, University of Alabama, Kennesaw State University, Southern Methodist University, North Carolina State University och Texas A&M är alla exempel på skolor med datavetenskapliga program.

Om du är en yrkesperson som vill byta karriär
De flesta datavetare har ett förflutet som dataanalytiker eller statistiker, men andra kommer från icke-tekniska områden som företagande eller ekonomi. Hur kan yrkespersoner med så olika bakgrund till slut hamna i samma bransch? Det är viktigt att titta på vad de har gemensamt: En fallenhet för problemlösning, en förmåga att kommunicera väl och en outsinlig nyfikenhet om hur saker och ting fungerar. Ta reda på hur SAS Academy for Data Science kan ge dig verktygen för att bli en certifierad datavetare.

Utöver dessa egenskaper behöver du även ha ett ordentligt grepp om följande:

Statistik och machine learning.
Kodningsspråk som SAS, R eller Python.
Databaser som MySQL och Postgres.
Datavisualisering och rapporteringstekniker.
Hadoop och MapReduce.

Om du inte vill lära dig dessa färdigheter på egen hand kan du ta en onlinekurs eller delta i ett bootcamp. Och sedan bör du så klart nätverka också. Kontakta andra datavetare i ditt företag eller hitta en onlinecommunity. De kan ge dig insiderinformation om vad data scientist gör – och var du hittar de bästa jobben.

När är ett företag redo att anställa en data scientist/datavetare?

Innan du accepterar en position som dat scientist finns det några saker om organisationen som du bör utvärdera:

Hanterar organisationen stora mängder data och har den komplexa problem som behöver lösas? Organisationer som verkligen behöver data scientist har två saker gemensamt: De hanterar enorma mängder data och står inför tuffa utmaningar varje dag. De verkar vanligtvis inom branscher som finans, myndigheter och läkemedel.
Sätter organisationen värde på data? Företagskulturen påverkar huruvida företaget borde anställa en data scientist/datavetare. Har den en miljö som stöder analys? Har den ekonomiskt stöd från styrelsen? I annat fall skulle investeringen i en data scientist bara vara pengar i sjön.
Är organisationen redo att förändras? Som data scientist förväntar du dig att bli tagen på allvar, och en del av det innebär att få se att ditt arbete ger resultat. Du lägger ned tid på att hitta sätt att få ditt företag att fungera bättre. I gengäld måste företaget vara redo – och villigt – att följa upp resultaten av dina upptäckter.

Att anlita en data scientist för att styra affärsbeslut utifrån data kan innebära en stor risk för vissa organisationer. Se till att företaget du kan komma att arbeta för har rätt inställning – och är redo att göra en del förändringar.

“Jag arbetar för ett flexibelt företag som kräver att jag är flexibel och anpassar mig efter omständigheterna. Förra veckan hade jag till exempel flera uppgifter, bland annat att förbättra systemet för rekommendationspoäng, finjustera integreringen med det operativa innehållshanteringssystemet, skapa nya omvandlade variabler utifrån konsumentbeteende som ska användas för likhetsanalyser, och jag gjorde även lite omfaktorisering av befintliga prestationsrapporter/kontrollpaneler för analys."

Manuel-David Garcia
Data scientist för ett medelstort företag i Heidelberg, Tyskland
Läs berättelsen