Bild vom Autor
Mit 281 Technologieunternehmen, die 80.628 Menschen entlassenwarum sind Sie daran interessiert, ein Karriere in der Datenwissenschaft?
Es magazine den Anschein machen, dass dies kein guter Zeitpunkt ist, da Unternehmen Private abbauen. Ja, es gibt Entlassungen, aber die folgende Grafik zeigt, dass die jüngsten Entlassungen im Vergleich zu Ende 2022 und Anfang 2023 nichts sind. Es ist additionally nicht so schlimm!
Quelle: Entlassungen.zu Ihrer Data
Eine andere Perspektive macht es noch positiver: Unternehmen beschäftigen immer noch Datenwissenschaftler. Tatsächlich gab es im letzten Monat quick 5.500 Stellenanzeigen auf Glassdoor nur in den USA.
Der Arbeitsmarkt für Datenwissenschaftler ist ziemlich lebhaft. Allerdings sind die Unternehmen jetzt anspruchsvoller. Sie suchen eher nach Datenwissenschaftler-Spezialisten als nach Generalisten. Darüber hinaus wird von Datenwissenschaftlern jetzt die Verwendung von KI-Instruments verlangt. Hier erfahren Sie, wie Sie die Herausforderungen meistern und trotzdem auf dem Arbeitsmarkt ganz vorne mit dabei sein können.
1. Bildungswege
Beim Erlernen der Datenwissenschaft gibt es immer zwei unterschiedliche Ansätze:
- Akademische Ausbildung
- Selbstlernen
Idealerweise kombinieren Sie beides.
Akademische Ausbildung
Eine akademische Ausbildung ist nicht notwendig, um Information Scientist zu werden, aber sie vermittelt dir breites und strukturiertes Wissen. Es ist viel einfacher, später auf diesem Wissen aufzubauen, als Information Scientist von Grund auf zu werden.
Datenwissenschaftler verfügen in der Regel über einen Bachelor-Abschluss in quantitativen Bereichen wie Informatik, Statistik, Mathematik oder sogar Wirtschaftswissenschaften.
Ein Grasp-Abschluss ist eine hervorragende Idee, um Ihre Chancen auf einen Job zu erhöhen. Damit können Sie sich spezialisieren. Einige Beispiele für Spezialisierungen sind maschinelles Lernen, Datenanalyse, Enterprise Intelligence usw.
Eine Promotion ist in der Regel nicht erforderlich, außer Sie sind an forschungsorientierten Tätigkeiten in Unternehmen oder an der Wissenschaft interessiert.
Selbstlernen
Sie können Datenwissenschaftler werden, indem Sie sich einen Lehrplan erstellen. Dieser kann alles aus der (nicht abschließenden) Liste enthalten:
- Zertifizierungen
- On-line Kurse
- Trainingslager
- YT-Movies
- Bücher
- Weblog-Artikel
- Neighborhood-Foren
Wenn Zeit und Finanzen es erlauben, empfehle ich Ihnen, sich auf Zertifizierungen, On-line-Kurse und Bootcamps zu konzentrieren. Ergänzen Sie diese dann mit anderen Ressourcen.
Einige der Zertifizierungen, Kurse und Bootcamps, die ich vorschlage, sind:
2. Fähigkeiten
Die Fähigkeiten eines Datenwissenschaftlers können in technische und soziale Kompetenzen eingeteilt werden.
Technische Fähigkeiten
Sie ergeben sich aus den Hauptaufgaben des Datenwissenschaftlers: Extrahieren und Bearbeiten von Daten, Erstellen, Testen und Bereitstellen von ML-Modellen.
Um dieses Wissen in die Praxis umzusetzen, müssen Datenwissenschaftler verschiedene Programmiersprachen und Instruments verwenden.
Hier ist eine Übersicht.
Dies sollte Ihr Ausgangspunkt für eine weitere Spezialisierung sein. Sie können sich beispielsweise auf BI-Instruments spezialisieren oder sich auf Information-Engineering-Instruments konzentrieren, wie beispielsweise Apache Kafka, Apache Spark, Talend, Luftstromusw.
Tender Abilities
Die technischen Fähigkeiten müssen durch die unten aufgeführten Tender Abilities ergänzt werden.
Kommunikationsfähigkeit
Hierzu gehört sowohl, den Gedanken anderer zuzuhören, als auch die eigenen mitzuteilen.
Ihre Arbeit als Datenwissenschaftler beginnt damit, dass Sie sich die Probleme anderer Menschen anhören. Sie sind die Artwork von Psychotherapeut, der anderen hilft, ihre Probleme mithilfe von Daten zu lösen. Datentherapeut? Indem Sie geschäftliche Probleme verstehen, können Sie Ihre technische Lösung an die Bedürfnisse der Benutzer anpassen.
Datenwissenschaftler müssen außerdem in der Lage sein, die technische Komplexität ihrer Arbeit einem nicht-technischen Publikum zu vermitteln. Sie bedienen sich dabei Visualisierungstools, was bedeutet, dass eine effektive Visualisierung und Präsentation Ihrer Arbeit unerlässlich ist.
Analytisches Denken
Geschäftsprobleme, die Sie lösen müssen, werden Ihnen häufig auf sehr einfache Artwork und Weise erklärt: „Oh Gott, unsere Kundenbindung ist der Hammer! Hilf mir! Du, der Datenwissenschaftler, lass dir was einfallen.“
Dies erfordert die Fähigkeit, das Drawback in logische Blöcke zu zerlegen und systematisch zu lösen. Außerdem muss Kreativität eingestreut werden, da viele Probleme das Finden neuartiger Lösungen erfordern.
Zusammenarbeitsfähigkeiten
Der ideale Arbeitstag eines Datenwissenschaftlers besteht darin, in Ruhe gelassen zu werden, an seinen Modellen zu arbeiten und leise mit ihnen zu sprechen (mit Gollums Stimme): Es ist meins, sage ich dir. Mein Eigenes. Mein Schatz. Ja, mein Schatz.
Leider müssen Information Scientists sehr oft mit anderen Kollegen aus dem Datenteam zusammenarbeiten. Projekte umfassen auch abteilungsübergreifende Groups.
Anpassungsfähig und flexibel sein, ein gutes Arbeitsklima schaffen und Konflikte effektiv und respektvoll lösen? Ja, mein Schatz!
Projektmanagement
Die Arbeit an einem Information-Science-Projekt erfordert Projektmanagementfähigkeiten, einschließlich der Priorisierung von Aufgaben, der Koordinierung eines Projektteams und der Verfolgung des Projektfortschritts und der Fristen.
Wenn man dann noch die Betreuung von Nachwuchskräften und die Jongliererei zwischen mehreren Projekten bedenkt, wird diese Fähigkeit von entscheidender Bedeutung.
Geschäftssinn
Alle Datenprojekte sind darauf ausgelegt, Geschäftsprobleme zu lösen. Damit dies gelingt, müssen Sie das Geschäft und die Branche Ihres Unternehmens intestine kennen. So können Sie das Geschäftsproblem leichter verstehen und eine Lösung entwerfen, die Abhängigkeiten berücksichtigt, die möglicherweise nicht explizit erwähnt wurden.
3. Karriereweg und Gehalt
Die Karriere in der Datenwissenschaft beginnt in der Regel mit dem Erwerb eines Junior Information Analyst oder Junior Information Scientist Arbeit.
Von dort aus schlage ich vor, dass Sie in einen der Spezialisierungsrollen. Einige Beispiele sind Dateningenieure, ML-Ingenieure, Enterprise-Analysten, Datenanalysten oder BI-Ingenieure. Die Place des Datenwissenschaftlers ist heute auch zunehmend eine spezialisierte Rolle – sie konzentriert sich mehr auf die Verwendung von Statistiken bei der Datenexploration und der anfänglichen Modellentwicklung als auf die Durchführung von Finish-to-Finish-Projekten.
Abhängig von der Anzahl der Jahre, die Sie in einer bestimmten Fachposition verbringen, und Ihren Interessen können Sie zwei unterschiedliche Richtungen einschlagen: Managementrollen oder Rollen mit höherer Spezialisierung.
Zum Beispiel, Managementpositionen kann eine leitende Place oder eine Place als Direktor in einer der zuvor genannten Spezialisierungen umfassen. Dieser Weg führt Sie weg vom technischen Teil Ihrer Arbeit und die Verwaltung von Mitarbeitern und Abteilungen wird zu Ihrem Schwerpunkt.
Die andere Möglichkeit besteht darin, ein einzelner Mitwirkender zu bleiben und noch tiefer in Ihre Spezialisierung einzusteigen. Dies sind Erweiterte Spezialisierungsrollen. Für alle genannten Spezialisierungen lauten die Titel normalerweise „Workers“, „Principal“, „Distinguished“ und „Fellow“.
4. Gehalt
Information Science ist nach wie vor ein sehr intestine bezahlter Beruf. Dies sollte bei der Wahl Ihres Karrierewegs nicht außer Acht gelassen werden. Hier ist die Übersicht über die Gehälter für die zuvor genannten Rollen.
Bild vom Autor, Quelle der Gehaltsdaten: Glastür
5. Einen Job bekommen
Nun stellt sich die Frage, wie der Übergang vom Erlernen der Datenwissenschaft zum Geldverdienen bzw. zum Erhalten eines Jobs gelingt.
Ich würde nichts Neues sagen, wenn ich sagen würde: Suchen Sie sich die Stellenanzeigen, die Ihnen gefallen, bewerben Sie sich, hauen Sie beim Vorstellungsgespräch rein, bekommen Sie einen Job. Na bitte, gern geschehen!
Es gibt jedoch zwei Dinge, die Sie von anderen Bewerbern unterscheiden können:
- Ein herausragendes Portfolio
- Erfahrungen aus den Vorstellungsgesprächen
Ein herausragendes Portfolio bedeutet eine solide Anzahl an Datenprojekten related zum Job. Datenprojekte sind der beste Weg, um Ihre Information Science-Kenntnisse umfassend aufzubauen und zu demonstrieren, da sie ein hohes Niveau jeder einzelnen Fähigkeit erfordern. Natürlich können Sie auch an spezialisierten Projekten arbeiten, die sich auf bestimmte Fähigkeiten konzentrieren, z. B. maschinelles Lernen, Datentechnik usw.
Erfahrungen aus den Vorstellungsgesprächen kann auf zwei Arten erreicht werden. Die erste ist, scheitern bei vielen Vorstellungsgesprächen bevor Sie einen Job bekommen. Das ist eine legitime Möglichkeit, die viele von uns schon erlebt haben. Ich mache keine Witze; durch das Sammeln von Erfahrung gewöhnt man sich besser an den Bewerbungsprozess, die Herangehensweisen, die getesteten Themen und insbesondere an das Programmieren unter Zeitdruck.
Es gibt jedoch auch einen weniger schmerzhaften Weg, dasselbe zu erreichen: die Lösung die eigentliche Codierung und andere technische Interviewfragen auf den Plattformen, die sie bereitstellen.
Abschluss
Auch wenn es vielleicht nicht so aussieht, ist jetzt der ideale Zeitpunkt, um in die Datenwissenschaft einzusteigen. Aus zwei Gründen. Erstens: Wenn Sie darüber nachdenken, eine Datenwissenschaftsausbildung zu beginnen, dann tun Sie es. Es wird einige Zeit dauern. Wenn Sie fertig sind, könnte die Datenwissenschaft wieder boomen.
Zweitens: Wenn Sie bereits alle Voraussetzungen erfüllen, bewerben Sie sich auf die Stellen, denn davon gibt es trotz der Entlassungen jede Menge.
Bedenken wir, dass Information Science trotz aller Umbrüche immer noch einer der attraktivsten Berufe dort ist.
Nate Rosidi ist Datenwissenschaftler und arbeitet in der Produktstrategie. Er ist außerdem außerordentlicher Professor für Analytik und Gründer von StrataScratch, einer Plattform, die Datenwissenschaftlern mit echten Interviewfragen von High-Unternehmen bei der Vorbereitung auf ihre Vorstellungsgespräche hilft. Nate schreibt über die neuesten Developments auf dem Arbeitsmarkt, gibt Interviewtipps, teilt Datenwissenschaftsprojekte und deckt alles ab, was mit SQL zu tun hat.