Dowiedz się, jak zostać ekspertem w obszarze zaawansowanej analizy danych.
We współczesnym świecie dane stanowią klucz do sukcesu w biznesie. Fakt, iż informacja i wiedza są niezwykle cenne, nie jest niczym nowym, nowością obecnie jest natomiast skala danych, dynamika ich zmian, a także sposoby ich analizowania oraz wykorzystania.
Wraz z rozwojem nowoczesnych technologii rośnie ilość dostępnych danych. Pojawiają się możliwości czerpania ich z coraz większej liczby źródeł, przechowywania, integracji, a przede wszystkim badania. Skutkiem wzrostu znaczenia zaawansowanej analityki danych i wyciągania z nich wniosków jest rosnące zapotrzebowanie na specjalistów w tej dziedzinie. Data Science to jeden z obszarów, w których w najbliższej przyszłości spodziewany jest najwyższy wzrost zatrudnienia. Według szacunków firmy doradczej PwC do 2020 roku popyt na specjalistów w tym zakresie wzrośnie o 2,7 mln miejsc pracy na całym świecie.
Data Science to interdyscyplinarna nauka, łącząca w sobie narzędzia analityczne, statystyczne, z zakresu ekonomii i nowoczesnych rozwiązań komputerowych. Obejmuje również bardzo popularny obecnie obszar sztucznej inteligencji.
– Wszystkie te nazwy – artificial inteligence czy machine learning – to tak naprawdę to samo, czyli Data Science – mówi Kamil Kosiński, menedżer w zespole Data Analytics PwC. Wszędzie kluczowe jest przetwarzanie informacji, które pozwala na efektywną analizę i reagowanie na zmiany. Kolejnym obszarem, w który wkracza Data Science i który jeszcze poszerzy pole jej działania, jest internet rzeczy (ang. Internet of Things).
Zaawansowana analityka i sztuczna inteligencja kojarzą się dziś przede wszystkim z autonomicznymi pojazdami, automatyzacją pracy czy rozpoznawaniem obrazów, na przykład w medycynie. Jednocześnie w biznesie oferują zupełnie nowe, dogłębne spojrzenie na klienta, marketing, logistykę, sprzedaż czy ryzyko. Przykładem zastosowania w praktyce tych rozwiązań jest powstały w Data Analytics PwC projekt MatchBeta, którego celem jest ułatwienie młodym ludziom wejścia na rynek pracy i połączenie ich z pracodawcami dzięki wykorzystaniu mechanizmów sztucznej inteligencji.
Ponieważ, jak mówi Joanna Kowal, konsultantka w zespole Data Analytics PwC, Data Science ma potencjał przeobrażenia każdej dziedziny życia, różnorodność i pole rozwoju wydaje się tu nieograniczone. Potrzebni są tylko specjaliści, którzy z coraz lepszych i coraz szybszych procesów analitycznych będą umieli wyczytać sens. Kim jest zatem Data Scientist?
Kim jest Data Scientist?
Specjalista Data Science to przede wszystkim osoba, która kompleksowo podchodzi do analizowanego zagadnienia: od zrozumienia go poprzez przygotowanie i przetworzenie danych do zbudowania modelu, zwizualizowania go i stworzenia rekomendacji na podstawie wyniku analizy. Skupianie się na jednym elemencie, na przykład analizie czy modelowaniu, to zbyt mało, by stać się Data Scientist. To właśnie dlatego specjaliści w tym zakresie nazywani są „mistrzami danych”.
– Istotnym aspektem jest multidyscyplinarność, bowiem Data Scientist może zastosować swoje umiejętności, czyli analizę danych, ich interpretację i wyciąganie wniosków, w rozmaitych dziedzinach – mówi Kamil Kosiński. Jego zespół Data Analytics w PwC realizuje projekty konsultingowe z obszaru Data Science w tak różnorodnych branżach jak: usługi finansowe (ang. financial services), telekomunikacja, sieci sprzedażowe, logistyka (ang. supply chain), przemysł. W tych branżach realizujemy między innymi projekty z zakresu: geolokalizacji, analizy kosztowe i silniki rekomendacyjne, symulacyjne optymalizacje sieci logistycznej, rozwój aplikacji IT czy wczesne wykrywanie awarii np. maszyn produkcyjnych (ang. predictive maintenance).
Ścieżka kariery
W zespole zajmującym się analizą danych dla konsultingu oprócz „mistrzów danych” pracują programiści implementujący pomysły wywodzące się z części Data Science, specjaliści od kontaktu z klientami, zajmujący się przygotowaniem wizualizacji i user experience, a także osoby specjalizujące się w różnych gałęziach biznesu.
Eksperci podpowiadają, że karierę w kierunku Data Science najlepiej rozpocząć od praktyk.
– W ten sposób zaczynali najlepsi pracownicy w naszym dziale. Wyróżniający się praktykanci są szybko zauważani, zostają u nas i szybko awansują – mówi Kamil Kosiński.
Aby rozwijać się dalej, najlepiej zdobywać doświadczenie, uczestnicząc w realizacji kolejnych projektów, co pozwala zyskiwać coraz większą znajomość zagadnień oraz narzędzi. Dzięki temu zyskuje się holistyczne spojrzenie na projekty, umiejętność nakreślania ich kierunku i zarządzania zespołem, a wówczas można przejść na stanowisko menedżerskie.
W firmie z wielkiej czwórki (Big4) etapy kariery są określone. Pierwszym jest stanowisko konsultanta, z którego można awansować na starszego konsultanta, następnie menedżera, starszego menedżera, a później dyrektora i wreszcie partnera.
– Jeśli ktoś wykonuje swoją pracę zgodnie z założeniami, które są jasno sformułowane, to w naturalny sposób przechodzi na kolejne etapy. Pozwala to zaplanować swoją ścieżkę kariery – dodaje Kamil Kosiński.
Obok ścieżki menedżerskiej od niedawna w Data Analytics PwC funkcjonuje również droga ekspercka, przeznaczona dla tych, którzy chcą poświęcić się zdobywaniu i stałemu poszerzaniu wiedzy w danym zakresie, ale nie są zainteresowani obowiązkami związanymi z zarządzaniem zespołem czy kontaktem z klientami.
Poszukiwane umiejętności
Zawód ten to hybryda twardych umiejętności technicznych z kompetencjami interpersonalnymi.
Ze względu na konieczność opracowywania danych i posługiwania się zaawansowanymi narzędziami technicznymi, potrzebne jest wykształcenie ścisłe: matematyka, informatyka, fizyka. Rozmaitość ról i specjalizacji w zespole Data Analytics sprawia, że znajdzie w nim miejsce również na przykład absolwent ekonomii, który zna zastosowanie Data Science i potrafi przekazywać otrzymywane przez zespół wyniki klientowi.
Warto zwrócić uwagę na umiejętności techniczne, programistyczne oraz pracy z bazami danych, które są kluczowe na samym początku. Podczas rekrutacji sprawdzane są predyspozycje i potencjał kandydata.
– Pierwszym etapem są testy wewnętrzne, sprawdzające aktualne umiejętności i wiedzę w zakresie machine learning, przetwarzania danych w SQL (ang. Structured Query Language), umiejętność kodowania w takich językach jak R czy Python – opisuje Kamil Kosiński. – Następnie wybrani kandydaci zapraszani są na assessment center. Rozpoczyna się ono od szkolenia, podczas którego prezentowany jest sposób rozwiązywania danego problemu, po czym uczestnicy mierzą się z takim zagadnieniem w praktyce starając się zaprogramować rozwiązanie problemu, które sami wymyślili. Na koniec następuje ocena i wyjaśnienie zadania.
Mile widziane jest praktyczne doświadczenie. Jak je zdobyć?
– Warto w praktyce sprawdzać zastosowanie różnych technik, algorytmów, metod, których nauczyliśmy się na studiach – uważa Joanna Kowal.
Oprócz twardych umiejętności technicznych liczą się również predyspozycje umysłowe i kompetencje miękkie. Ważna jest zdolność dostrzegania nieoczywistych powiązań, spostrzegawczość, otwartość myślenia i dociekliwość. Cechy te pozwalają odkrywać wśród danych kluczowe zmienne, decydujące o przydatności modelu i sukcesie projektu.
Data Scientist powinien mieć wysoko rozwinięte umiejętności komunikacyjne, by umieć przedstawić wyniki przeprowadzonej analizy danych w zrozumiały sposób.
– Warto umieć prowadzić dialog – dodaje Joanna Kowal – ponieważ w ramach wielu projektów wychodzimy poza nasz zespół i współpracujemy z innymi działami w firmie.
Ważna jest też praca zespołowa, zdolność znajdowania wspólnego języka z innymi.
– Specyfika pracy w Data Science, której obszar jest bardzo szeroki, sprawia, że nie da się być ekspertem w każdym aspekcie. Chodzi o to, by każdy był dobry w swojej dziedzinie i żeby z tej układanki powstał zespół, który wykona projekt od A do Z – tłumaczy ekspertka.
