Qu’est-ce Qu’un Data Scientist ?

Bonjour, permettez-moi de vous présenter la science des données avant d’expliquer les scientifiques des données. La science des données est un domaine polyvalent qui applique des processus, des concepts, des outils, des technologies et des théories pour permettre l’extraction et l’analyse de données précieuses afin d’obtenir des informations significatives. En d’autres termes, la science des données est largement pratiquée pour aider les entreprises à prendre des décisions fondées sur les données. Les Data Scientists sont ceux qui pratiquent la science des données. Certaines des techniques impliquées dans la science des données incluent l’extraction de données, l’exploration de données, la récupération de données et l’analyse de données. Un data scientist peut ajouter de la valeur à n’importe quelle organisation

Continuer la lecture

Les scientifiques des données sont comme un conseiller de confiance de la direction d’une entreprise et jouent un rôle essentiel dans toute organisation car ils les éduquent sur la valeur des données de l’entreprise pour améliorer les décisions prises par la haute direction. Pour cette raison, les entreprises peuvent se développer et améliorer leurs performances et finir par réaliser des bénéfices élevés. En outre, les scientifiques des données aident l’organisation à trouver des tendances et à définir des objectifs. De plus, les scientifiques des données s’assurent que le personnel peut gérer les produits analytiques des entreprises, la prise de décision à l’aide de preuves basées sur les données, et identifier et affiner les clients pour aider les bénéfices de l’organisation à prospérer.

Compétences nécessaires pour devenir Data Scientist

Compétences en programmation
Statistiques
Apprentissage automatique
Des talents pour la résolution des problèmes

Si vous souhaitez apprendre la science des données, il est préférable d’opter pour une formation en ligne accessible de n’importe où. Pour autant que je sache, Intellipaat est bien connu pour fournir une formation en science des données avec de nombreux avantages, notamment des tuteurs expérimentés, une formation pratique, un programme complet, une assistance au placement, une certification, une assistance à l’apprentissage à vie, etc.

Commencez à apprendre dès aujourd’hui ! Bonne chance!

Il y a eu beaucoup de réponses incroyables ici sur ce qu’est un data scientist. Afin d’ajouter de la valeur, je vais essayer d’affiner cette discussion en énumérant ce qu’un data scientist n’est pas.

Ceci est basé sur mes recherches compilant un guide pour percer dans les carrières en science des données.

Alors que la plupart des gens pensent que la science des données est ce domaine large et vaguement défini, le fait est que la science des données implique un ensemble de compétences quelque peu limité, voire incroyablement large. Il existe également des sous-rôles et des spécialités dans le travail de science des données qui sont souvent confondus avec le travail des scientifiques des données. Alors qu’une science des données

Continuer la lecture

Ceci est basé sur mes recherches compilant un guide pour percer dans les carrières en science des données.

Un data scientist est une licorne qui fait le pont entre les mathématiques, les algorithmes, la conception expérimentale, les techniques d’ingénierie, les compétences en communication et en gestion, mais ce ne sont pas des spécialistes dans tous les aspects. Je pense que c’est une idée fausse courante lorsque vous parlez de scientifiques des données : il n’existe pas d’opération de science des données sans une équipe quelconque. Les data scientists ne sont pas des armées, ils doivent s’appuyer sur un soutien quelconque pour avoir un impact sur leurs projets.

Voici quelques autres choses que les data scientists ne sont pas :

1) Les scientifiques des données ne sont pas issus d’une formation académique fixe. La plupart des gens pensent que les data scientists sont issus de l’informatique ou des statistiques/mathématiques, mais il y a beaucoup de data scientists issus des sciences sociales qui s’intéressent à l’étude quantitative des connaissances humaines. Et bien que les diplômes d’études supérieures soient la norme dans l’industrie, il existe quelques scientifiques des données qui ont un baccalauréat ou même moins.

DJ Patil, le Chief Data Scientist des États-Unis, décrit la curiosité intellectuelle comme la base de la science des données. Vous n’avez pas besoin d’un certain diplôme pour avoir cela.

2) Ce ne sont pas des sorciers qui peuvent invoquer des données. Les scientifiques des données peuvent utiliser l’apprentissage automatique et d’autres algorithmes pour extraire plus d’informations de moins de données, mais ils ne sont pas magiques : si vous n’avez pas beaucoup de données ou si vous ne les suivez pas correctement, il n’y a pas grand-chose data scientist peut faire après coup.

3) Ce ne sont pas des grognements techniques que vous pouvez cacher à un travail important ou à différentes équipes. Les data scientists sont là pour réaliser des projets de données de bout en bout, de la collecte des données à la communication de leur pertinence. Pour ce faire, ils doivent être en contact étroit avec les autres équipes. Comme Robert Chang l’a mentionné, leur responsabilité est de créer une organisation axée sur les données, et cela nécessite une évangélisation avec d’autres équipes quant à l’importance des données et à la manière de les collecter/traiter. Ne vous attendez pas à ce qu’un scientifique des données hésite à produire un impact.

Le cœur des affaires et des industries d’aujourd’hui est la donnée. Les entreprises et les organisations du monde entier exploitent le potentiel des données à leur disposition pour stimuler la croissance, augmenter la rentabilité, améliorer la satisfaction des clients et améliorer le processus d’exploitation global, entre autres en raison de l’augmentation des données. La science des données est le secret majeur de tout cela. La science des données est une fusion de plusieurs aspects des données tels que l’inférence de données, le développement d’algorithmes et la technologie pour aider à analyser la date et à trouver des solutions innovantes à des problèmes complexes. Il s’agit essentiellement d’analyser des données et de trouver

Continuer la lecture

La science des données implique également le développement de produits de données. Ici, les données représentent un actif technique qui utilise et traite les données pour générer des résultats orientés algorithmes. L’exemple le plus excellent d’un produit de données est un moteur de recommandation. Une autre chose importante à aborder en répondant « Qu’est-ce que la science des données » est les composants de la science des données.

La science des données comprend 3 composantes principales.

Technologie et piratage

En tant que scientifique des données, vous devez avoir le sens de la technologie lorsque vous traitez de grandes quantités de données. Une grande partie du travail d’un scientifique des données consiste à tirer parti des outils technologiques pour découvrir des modèles précieux dans les données et doit bien maîtriser les langages de programmation tels que Java, Scala, Python, R et SQL. . Un data scientist devrait être un hacker algorithmique dévoué et il devrait être capable de pirater des codes complexes et de les décomposer en des formats plus compréhensibles et lisibles.

Mathématiques

Au cœur de la science des données se trouvent les mathématiques et les statistiques. Il faut voir les données d’un point de vue quantitatif pour pouvoir exploiter les données avec succès. Les corrélations dans les données, la recherche de modèles cachés et de tendances complexes nécessitent un certain degré d’expertise dans des concepts mathématiques tels que les statistiques classiques, les statistiques bayésiennes et l’algèbre linéaire, pour n’en nommer que quelques-uns.

Le sens des affaires

Il faut avoir une solide mentalité commerciale pour exceller dans le domaine de la science des données. Étant donné que la science des données vise à générer de la valeur pour les entreprises, le scientifique des données doit également avoir un esprit commercial tactique en plus d’être à l’aise avec le travail sur de grands ensembles de données.

Voici les tâches les plus fondamentales d’un data scientist : identifier les solutions d’analyse de données qui détiennent le potentiel le plus important pour stimuler la croissance des organisations. Communiquer toutes les observations et conclusions productives aux parties prenantes de l’entreprise via la visualisation des données. Rassembler de grandes quantités de données structurées et non structurées et les convertir en informations exploitables, nettoyer et valider les données pour optimiser la précision et l’efficacité des données, et utiliser des techniques analytiques telles que l’analyse de texte, l’apprentissage automatique et l’apprentissage en profondeur pour analyser les données, dévoilant ainsi les modèles et les tendances cachés .

C’est une longue… vraiment… longue réponse. Cela me permettra de faire découvrir le monde de la Data Science aux nouveaux arrivants, recruteurs, professionnels chevronnés, cadres de niveau C. Vous devez persister, toujours. Lisez jusqu’à la fin, s’il vous plaît.

Tout d’abord, être Data Scientist dans une petite entreprise est TOTALEMENT DIFFÉRENT d’être Data Scientist dans une multinationale/grande entreprise. Puis-je répéter ? TOTALEMENT DIFFÉRENT…Nous découvrirons pourquoi ensemble.

Sur cette base, consultez ci-dessous mes articles préférés sur ces différentes perspectives sur «comment je me sens au travail». Il est clair que les auteurs ont décrit des scénarios totalement différents qui peuvent

Continuer la lecture

Samson Hu, Data Scientist travaillant dans 500px – Petite entreprise – Total de 1 Data Scientist : Poste complet

Un seul guerrier. Parfois en mode « voyou » ou « autonome » ;
Besoin de convaincre les gens de l’importance des données ;
Faites ce qui doit être fait. ETL, (back)front-end, prototype, présentations etc.

Nishikant Dhanuka, Data Scientist travaillant dans Booking – multinationale – Total de 120+ Data Scientists : poste complet

Travailler dans un périmètre étroit et fermé ;
Grande équipe avec chacun spécialisé dans une sorte de niche de données ;
Entreprise « évangélisée » et alignée ;
Ps. : il n’y a pas de bien ou de mal, si l’environnement et le rôle correspondent à votre profil.

En revanche, on peut encore percevoir quelques similitudes entre les deux mondes. Je me souviens avoir lu un article sur Linkedin dans ce sens :

Demandez au candidat à l’entretien combien de temps il pense qu’il sera consacré à la modélisation des données.

S’il répond à plus de 20%. N’embauchez pas.

La partie amusante est que la publication nous dit à peu près la vérité.

Il est vrai que certaines valeurs aberrantes travaillent sur des postes d’IA hautement spécialisés dans les services de recherche IBM/Facebook/Google, mais au final, pour les mortels, c’est un scénario d’entretien précis.

Principales caractéristiques du Data Scientist

Quand je dis les caractéristiques principales, je dois être clair sur le fait que nous partons du principe qu’un Data Scientist est déjà bon en mathématiques, en statistiques et en informatique, plus une cerise sur le gâteau, au moins un an d’expérience dans un créneau de marché (connaissance du domaine).

Les Data Scientists NE SONT PAS plug and play. Vous pouvez simplement débrancher un Data Scientist d’un programme de recherche sur le cancer et vous connecter à un rôle de conseil en bourse.

Donc avec tout dit. C’est l’essentiel, que l’on voit partout. Pas besoin de discuter ou de réinventer la roue.

Les scientifiques des données doivent convaincre les gens de l’importance, de l’utilité et de l’exactitude de leur travail. La plupart des messages ne le mentionnent pas. Pensons à des scénarios hypothétiques pour illustrer le besoin de persuasion :

Vous montrez la sortie d’un réseau de neurones de type boîte noire avec une précision et un rappel maximum. Apparemment, ignorant aveuglément vos chiffres, les investisseurs ne croient pas aux résultats et commencent une session de questions-réponses sans fin. Ils disent qu’ils n’investiront des millions de dollars dans l’idée qu’après une compréhension claire des hypothèses et une expérience réussie… et ainsi de suite.
Essayez d’expliquer ce qu’est une moyenne mobile à un vendeur ? Ils sont censés connaître la différence entre médiane, moyenne et mode, n’est-ce pas ? Ou quelque chose de basique comme les quartiles et une question délicate sur les bagplots. Vous avez probablement déjà remarqué qu’il existe un rôle d’évangélisation inhérent à chaque poste en science des données. Les outils ne sont bons que si les gens les utilisent. Vous pouvez fournir un ensemble de résultats, de prédictions et de rapports, mais ils sont inutiles si les gens ne comprennent pas ou ne les utilisent pas. Adoption, adoption… adoption !
Vous planifiez une réunion le vendredi pour transférer les connaissances de Data Science à d’autres départements comme les ventes, le marketing, la maintenance et la comptabilité. Vous avez un objectif naïf d’expliquer et d’enseigner ce qu’est une transformée de Fourier rapide (FFT), une série de Taylor, des transformées de Laplace. Vers la fin de la réunion, lorsque vous réaliserez que les gens seront morts ou dans le coma. Ils ont été tués par l’ennui. Les données sont amusantes uniquement pour les gars des données, souvenez-vous-en. Une approche plus efficace serait d’enseigner les intégrales en les désignant comme la zone sous la courbe. La géométrie au lieu de l’algébrique, Socrate ! Communication visuelle au lieu de simples mots ou équations.

Alors avouons-le. Nous (personnes analytiques) parlons une langue différente et elle doit être traduite dans la lingua franca du monde. Sinon, personne n’écoutera, ou pire encore, ils feront semblant d’écouter et de comprendre.

À présent, vous êtes censé être convaincu que l’une des caractéristiques les plus importantes d’un Data Scientist est « l’évangélisation », « vendre votre poisson ». Tout le monde ne peut pas abandonner les « sentiments instinctifs » et être « conduits par les données » par eux-mêmes.

Il existe une autre caractéristique liée à l’évangélisation présente dans la plupart des Data Scientists bien connus et chevronnés. Ils peuvent communiquer des concepts très complexes d’une manière que les gens comprendront (ou peut-être en saisiront le sens réel).

Ancien contre nouveau

Vous pouvez avoir la chance de commencer à travailler dans une nouvelle entreprise avec toute cette nouvelle mentalité de Business Intelligence, d’indicateurs de performance clés, d’analyses prédictives et prescriptives, de tableaux de bord en temps réel, d’accès aux données pour tout le monde et du terme d’IA utilisé partout (quand en réalité il s’agit simplement de machine apprentissage, je vous pardonne, service marketing !).

Ou…
Vous pouvez commencer à travailler pour une société d’avocats de plus de 100 ans où votre travail principal sera de convaincre les autres que votre travail est précieux et qu’il ne s’agit pas simplement d’un autre « hype/tendance » suivi d’une décision de gestion.

Le rêve de chaque entreprise, le référentiel central de données de vérité et un état d’esprit axé sur les données ne peuvent être réalisés que si tout le monde embrasse cette mission à long terme. Un Data Scientist, peut être le facilitateur, un virus (dans le bon sens du terme), mais le virus a besoin de proliférer (créer des alliés) afin de faciliter la « fièvre » pour secouer les choses.

Expertise/Connaissance du domaine

Il y avait un concours pour améliorer la détection de fraude Paypal. Au milieu de toute l’obsession de Kaggle pour les algorithmes, l’entreprise responsable du développement de la solution gagnante a été très claire. Ils n’ont utilisé aucun algorithme sophistiqué ni un réseau de neurones profond avec des milliers de couches cachées. Ils n’ont utilisé que leur expérience acquise de 10 ans de travail avec des transactions frauduleuses.

Il est vraiment important de comprendre ce concept. Les gens pensent que les scientifiques des données sont la carte « joker », un caractère générique. Il est vrai que certaines capacités qui reposent sur la programmation, la pensée logique et les mathématiques/statistiques sont transférables à différentes industries. Cependant, l’expertise du domaine est fortement liée à l’industrie que le Data Scientist a plus de familiarité et d’années de travail.

Ce n’est pas censé être un nouveau concept, non ? Il en a été ainsi pour toute l’histoire de l’humanité, pour tous les professionnels.

Le problème est que certaines personnes ont pris la « généralisation » de certains modèles intelligents trop au sérieux, comme cela était acquis. Ensuite, ils s’appliquaient à tout et à tous sans restrictions.

Un Data Scientist avec 5 ans d’expérience dans le domaine bancaire sera totalement différent de celui qui a passé une décennie à rechercher le cancer. Différentes piles technologiques (R ou Python) et/ou différentes approches pour des problèmes similaires. Ils peuvent être interchangeables, mais la courbe d’apprentissage est importante et douloureuse. Il faut en tenir compte (attention particulière aux recruteurs RH qui lisent ce paragraphe).

La science des données est une question de controverse

Personnellement, je n’aime pas ces deux réponses ci-dessous, mais je pense qu’il est bon de les lire pour entendre différentes opinions sur les Data Scientists.

La réponse de Michael Hochster à propos des Data Scientists définit essentiellement deux types. Data Scientists de type A (analyse) et de type B (construction).

Je ne suis pas d’accord avec cette affirmation. Quand je dis en désaccord, je veux dire VRAIMENT en désaccord. La principale raison est que la définition est trop simpliste. Le marché des données n’évoluera pas avec des termes comme le type B ou le type A.

« Hé, je viens de décrocher un poste de Data Scientist Type B chez TypeC Company ».

Ceci est bien aligné sur la tendance de l’industrie informatique à appeler les gens par des termes peu inspirés comme « architecte » ou « ingénieur ». Vous pouvez être un « ingénieur logiciel ou un architecte de bases de données », mais si vous avez un baccalauréat en informatique, vous êtes un « informaticien », pas le terme « ingénieur ». Je suis ingénieur en mécanique, donc ingénieur. Même chose pour les architectes. Ce sont… des architectes, tout simplement, des architectes.

Oui, c’est bien de discuter de ces choses pointilleuses pour que nous ne perdions pas le contrôle.

Une autre idée que je ne suis pas d’accord mais qu’il est bon de comprendre est la conception d’Ingo Mierswa : fondateur et président de RapidMiner.

Les scientifiques des données sont des personnes qui appliquent toutes ces techniques analytiques et la préparation des données nécessaire dans le contexte d’une application métier.

Revenons au cas d’un chercheur indépendant en Data Scientist qui combat de grandes entreprises, extrait des données et essaie d’extraire des modèles qui aideront à guérir le cancer. Je pense certainement que ce n’est pas dans le contexte des « applications métier ».

Un Data Scientist développe-t-il des produits ou des fonctionnalités de produits ?

Une autre grande idée fausse. J’ai beaucoup aimé mon stage d’été chez Cognitive Class (IBM Canada), car nous ne développions pas de produits. Nous développions des cours et explorions des algorithmes et des données.

Oui, vous pouvez améliorer le classement gamifié d’une application. Pas de problème avec cela, mais nous ne pouvons pas limiter les Data Scientists à travailler uniquement avec des produits.

À ce jour, j’ai fondé une société de conseil qui a des scientifiques de données travaillant sur le conseil et les produits.

Le résultat d’une analyse Data Scientist peut affecter une décision commerciale, peut motiver quelqu’un à changer de carrière (comme certains de mes messages et sur la base des commentaires privés que je reçois), approuver un budget d’embauche et bien d’autres possibilités. Cela n’a pas besoin d’être un produit, cela peut être un service à des clients externes et/ou internes !

Un scientifique des données travaille-t-il près des affaires, des flux d’argent, de la « plata » ?

« Tout est question d’argent, chérie ! “

Bon, maintenant tu veux parler affaires.

Les scientifiques de données travaillant sur l’intelligence d’affaires, le conseil en stratégie, la banque et la finance peuvent avoir des carrières bien rémunérées. L’inconvénient est qu’on ne peut pas prendre en compte uniquement ces profils pour définir tout un groupe de professionnels.

Obtenons quelques données si nous parlons d’argent :

Réf. : Enquête Oreilly 2016 sur les salaires en science des données

Parfois, je peux être étonné de voir comment le théorème central limite fonctionne vraiment lorsque vous avez un grand échantillon de votre population.
L’enquête ressemble approximativement à une « courbe en cloche » (également appelée distribution normale) avec une moyenne d’environ 100 000 à 120 000 dollars américains.

Beaucoup d’argent!

Nous nous rapprochons de cet article pour découvrir pourquoi certaines entreprises sont prêtes à payer autant pour les Data Scientists (si vous n’êtes pas encore convaincu, rappelez-vous, ce n’est que la MOYENNE)

Définitions

ce n’est pas un seul, vous avez affaire à la Data Science. Vos yeux ont besoin de saigner pour que les choses commencent à avoir un sens.

Après ce long post, je partagerai ma proposition qui est plus alignée avec ce que j’ai vu autour de mon flux et ce qui, en même temps, a plus de sens (au moins pour moi) :

Ingénieur de données

Extraire, transformer et charger des données de tous types de sources
Maintenir les pipelines et les bases de données (certains chevauchent avec un DBA)
Interface entre l’équipe back-end/base de données et l’équipe Data Scientists

Praticien/Spécialiste/Ingénieur en Machine Learning

La modélisation des données. Si l’entreprise est assez grande, ne travaille que sur le développement de modèles ;
Créer des conteneurs pour rendre les modèles « prêts à la production » ;
Tester, apprendre et déployer de nouveaux algorithmes (

Il y a beaucoup d’algorithmes à apprendre, croyez-moi, juste les réseaux de neurones artificiels prendraient toutes les 71,5 années d’espérance de vie moyenne pour qu’un être humain soit correctement appris ;

Optimisation

Analyste de données/Analyste d’affaires

Peut être lié aux affaires, mais pas nécessairement ;
Peut consommer des données à partir des modèles générés par le Machine Learning Practitioner ou directement à partir de pipelines de données développés par les Data Engineers ;
Partagez des idées avec un anglais simple.

Mathématiciens et statisticiens

Faites tout ce qu’un praticien de l’apprentissage automatique fait, mais sans tout le glamour et le battage médiatique ;
Proposer des expériences pour prouver ou réfuter des hypothèses (ex. A/B Testing).

Data Scientist (La licorne, L’Asymptote, Le BUT !)

+ 10 ans d’expérience
Doit avoir de l’expérience et des connaissances avérées dans tous les rôles ci-dessus et être capable d’occuper temporairement l’un des postes décrits, en cas de besoin. Cela ne veut pas dire que cela devrait être le cas ;
La colle qui met tout ensemble ;
Rapport direct au niveau de gestion supérieur (si dans un contexte commercial) ;
Focus sur l’expertise du domaine

D’accord, une dernière chance pour ceux d’entre vous qui ont raté le cours de calcul intégral et différentiel.

J’aime penser de la manière suivante pour ne pas être trop déprimé face à ce qu’un Data Scientist pourrait savoir. Pour rester sain d’esprit, je me concentre sur ce que je dois savoir et je travaille pour m’améliorer.

Réf. : mon Wacom

Selon ma propre théorie (brevet américain en instance), l’objectif du scientifique des données est une asymptote en pointillés rouges, quelque chose que ces lignes bleues et vertes n’atteindront jamais ou ne connaîtront jamais ce que c’est.

… La courbe bleue est un professionnel des données qui travaille et étudie 14h/jour
… La courbe verte est un professionnel des données qui travaille et étudie 8h/jour

La seule différence est la vitesse à laquelle ils apprennent et évoluent. Le plus triste est que les deux n’atteindront pas l’objectif Data Scientist.

Cette approche est similaire à :

“Viser la lune. Même si vous manquez, vous atterrirez parmi les étoiles. – Norman Vincent Peale, auteur de The Power of Positive Thinking.

Après 1x Vie humaine, nous commençons à voir la prédiction de la ligne bleue. Pour donner une chance au bleu, supposons que ce pauvre professionnel des données soit en réalité immortel !

Ensuite, étonnamment, nous aurons les lignes bleues en pointillés (projection) qui ne toucheront toujours pas l’objectif Data Scientist en raison de la nature mathématique des asymptotes. Théoriquement, au terme de son immortalité, ce blue data professionnel serait une licorne Data Scientist complète et à jour.

J’espère que cet article vous familiarisera avec de nombreux termes techniques auxquels vous serez confronté en cours de route si vous poursuivez une carrière en science des données, si vous envisagez d’embaucher quelqu’un ou d’investir dans la science des données.

Ps. : les asymptotes ne sont pas censées être nouvelles pour vous si vous envisagez de poursuivre une carrière analytique.

Conclusion

Après tout, c’est pourquoi j’ai le titre Jr. Data Scientist sur mon profil Linkedin. C’est quelque chose qui rappelle constamment à mon ego que nous ne savons rien, nous n’avons aucune idée de ce qui va se passer ensuite et la seule certitude est que nous devons en apprendre davantage. [Note de bas de page : mise à jour : 2018-03-26]

“Essentiellement, tous les modèles sont faux, mais certains sont utiles” – George Box

Vous pouvez en savoir plus sur moi sur mon site personnel. Suivez-moi si vous souhaitez recevoir des notifications sur les réponses liées à la science des données, à l’apprentissage automatique, à l’intelligence artificielle et à l’ingénierie.

Votez toujours pour les réponses que vous trouvez utiles. Tout le monde peut se tromper alors soyez respectueux et poli.

[Mise à jour : 2018-03-26, j’ai dû supprimer « Jr ». de mes profils en raison du nombre croissant de “Jr.” offres d’emplois. Les gens ne comprennent tout simplement pas. Je pense encore conceptuellement dans “Data Scientist” comme décrit sur cette réponse]

Laissez-moi essayer de faire une définition très simple ici –

Le domaine d’étude qui implique l’extraction de connaissances à partir de données est appelé Data Science et les personnes pratiquant dans ce domaine sont appelées Data Scientists.

Examinons de plus près la ligne « extraire des connaissances à partir de données ».

Chaque entreprise génère une énorme quantité de données qui incluent les dimensions transactionnelles, d’inventaire, de vente, de marketing, de client, externes et bien d’autres. Ces données ont une valeur énorme qui y sont stockées, mais elles sont latentes. Il y a beaucoup de tendances/modèles qui doivent être exploités pour que les entreprises puissent les utiliser. Si ces relations

Continuer la lecture

Laissez-moi essayer de faire une définition très simple ici –

Le domaine d’étude qui implique l’extraction de connaissances à partir de données est appelé Data Science et les personnes pratiquant dans ce domaine sont appelées Data Scientists.

Examinons de plus près la ligne « extraire des connaissances à partir de données ».

Maintenant, le processus d’extraction d’informations/de sens ou de valeur à partir de données est une tâche gigantesque. Cela nécessite une variété de compétences qui sont de nature interdisciplinaire.

En y regardant de plus près, nous aurons d’abord des charges de données accumulées à travers diverses sources, elles peuvent être structurées, non structurées ou semi-structurées. Fusionner toutes ces sources de données de manière cohérente dans un ensemble de données approprié sur lequel une analyse peut être effectuée nécessite de nombreuses compétences technologiques. Des technologies comme Java/Hadoop/MapReduce/SQL/Hive/Pig/Python etc sont largement utilisées et pourtant ne sont pas exhaustives.

Ensuite, l’analyse des données nécessite une technologie combinée de compétences mathématiques/statistiques. Vous effectuez une analyse exploratoire des données, effectuez divers tests statistiques, construisez des modèles de régression, etc. pour obtenir plus d’informations à partir des données.
Ici, vous avez besoin de compétences telles que Machine Learning, Deep Learning, inférence statistique, etc.

Enfin, l’ajout de cela aux affaires nécessite une combinaison d’affaires, de réflexion conceptuelle, de résolution de problèmes, de science du comportement et une variété d’autres compétences pour la ressource.

Donc, pour conclure, nous pouvons dire “Un Data Scientist est une personne qui possède la plupart des compétences mentionnées ci-dessus en Mathématiques + Technologie + Affaires et extrait des informations précieuses des données pour l’entreprise”.