نخستین پرسش برای شروع فعالیت در علوم داده چیست؟

ds-wposter

علوم داده ماهیتی بین‌رشته‌ای دارد و چنانچه در «علوم داده چیست و چگونه کار می‌کند؟» توضیح داده شد محصول برهم‌کنشِ سه مولفه اصلی (الف) شناخت و تحلیل موضوع، (ب) مدیریت پردازش و مهندسی داده‌‌ها و (ج) تحلیل است. اما این ارتباط بدان صورت نیست که ابتدا موضوع شناسایی و تحلیل شود، سپس داده‌ها پردازش و آماده‌سازی شود و پس از آن نوبت به تحلیل داده و مدلسازی برسد، سپس نتایج نهایی حاصل شود و کار به سرانجام برسد. رفت و برگشت بین این مولفه‌ها بسیار بیشتر از آن است که بتوان آن‌ها را در عمل مانند ماشین‌آلات خط تولید پشت سر هم به صف کرد. نقش‌آفرینی هر یک از مولفه‌ها روی بقیه اثر می‌گذارد و تغییراتی را سبب می‌شود. این تحولات چند‌و‌چونِ حرکت آن‌ها را در ادامه به خود وابسته می‌کند. به همین دلیل گفته شده علومِ داده نه یک ورزش انفرادی، بلکه یک ورزش گروهی است.

ورزش گروهی

تمثیل ورزش گروهی برای علوم داده متضمن سه معنای مهم است:

  1. چندکارگی در کنار تمرکز: کسی که مستقیم یا غیرمستقیم زیر تابلوی علوم داده فعالیت می‌کند باید نقش خودش را خوب بشناسد تا در پستی که بیشترین توانمندی را دارد به کار گرفته شود. اما این بدان معنا نیست که نباید از بقیه نقش‌‌ها سر در بیاورد، بلکه باید بتواند بخشی از امور مربوط به آن‌ها را نیز تا آنجا که لازم است انجام دهد؛ همچنان که در یک ورزش گروهی بازیکنی که توانایی تهاجمی بیشتری دارد نقش مهاجم را به عهده دارد و در خط حمله به کار گرفته می‌شود اما از بازی تدافعی نیز سر در می‌آورد و در دفاع نیز به تیمش کمک می‌کند. در علوم داده نیز افراد در همۀ فعالیت‌ها تخصص ندارند. آن‌ها با کلیت‌ تمامی فعالیت‌ها آشنا هستند اما تنها بخش‌های مشخصی را به صورت تخصصی دنبال می‌کنند. مثلا یک تحلیلگر داده از ساختار داده و پایگاه‌های رابطه‌ای سر در می‌آورد و برای کار در علوم داده به این آگاهی‌ها نیاز دارد اگرچه کار با پایگاه‌های داده، تخصص اصلی‌اش نیست و لزوماً دانش عمیق و تجربه جدی کار با آن‌ها را ندارد.
  2. اهمیت ارتباط و تعامل: کار در علوم داده نسبتی با تک‌روی و انزوا ندارد. رفت و برگشتِ زیاد بین اعضای تیم، نیاز آن‌ها به برقراری ارتباط درست و مستمر با یکدیگر را بیشتر می‌کند. به عنوان نمونه یک تحلیلگر داده هرچند از مدلسازی‌های پیچیده و با دقتِ بالا استفاده کند باز باید قادر باشد عملکرد آن‌ را با زبانی قابل فهم برای تحلیلگر کسب و کار توضیح دهد. مصورسازی مناسبِ داده‌ها در این گونه مواقع برای ساده‌سازی و انتقال موثر مطلب بسیار راهگشاست.  مشابه تحلیلگر داده، تحلیلگر کسب و کار نیز باید قادر باشد فرایندهای کسب‌وکار و قابلیت‌ها و اولویت‌های آن را برای دیگر اعضای تیم به خوبی توضیح دهد.
    علاوه بر نیاز داخلی به داشتنِ مهارت‌های ارتباطی برای حفظ کارایی و انسجام بین اعضا، تیم علوم داده همیشه نیازمند برقراری ارتباط موثر با بخش‌های متعدد در سازمان نیز هست. این نیاز به ارتباط، اهمیت یادگیری مهارت‌های ارتباطی را در تیم‌های علوم داده بیشتر هم می‌کند. ماموریت علوم داده در نهایت ایجاد تغییر از طریق نوآوری و ارتقای بهره‌وری است. لازم به توضیح بیشتر نیست که برای ایجاد تغییر در یک مجموعۀ انسانی، مهارت‌های ارتباطی چقدر حائز اهمیت هستند.
  3. بازیِ باحوصله: تعداد پاس‌هایی که در پروژه‌‎های علوم داده رد و بدل می‌شود قابل توجه است. به همین خاطر، تیم علوم داده برای اینکه بتواند نتیجه بگیرد باید بازی باحوصله را در دستور کار قرار دهد، چون بازی علوم داده در طول زمان نتیجه می‌دهد و عملکرد نمایشی و مقطعی آن را به نتایج موثر و پایدار نمی‌رساند. علوم داده تنها وقتی ثمر می‌دهد که در فرهنگ رایج سازمان‌ جایی برای خودش پیدا کرده باشد.  

نخستین پرسش برای تعیین مسیر

برای فعالیت به عنوان یکی از اعضای تیم علوم داده، مهم‌ترین پرسشی که باید از ابتدا به پاسخ آن فکر کنید این است که روی بازی در کدام پست می‌خواهید تمرکز کنید.

اگر در این حوزه فعالیت‌ می‌کنید یا می‌خواهید در آینده در آن مشغول به کار شوید سوال بسیار مهم که باید پاسخ روشنی برای آن داشته باشید تا بتوانید مسیر شغلی خود را تعیین و برای آن برنامه‌ریزی کنید این است: در کدام یک از مولفه‌های اصلی علوم می‌خواهید فعالیت کنید؟

  • تحلیل کسب‌وکار
  • مهندسی داده
  • تحلیل داده

برای آشنایی بیشتر با سه گزینۀ فوق می‌توانید به درس‌های مدرسه پردازش و تحلیل داده دقیقه مراجعه کنید. اگر می‌خواهید تحلیل کسب و کار را یاد بگیرید سری به درس‌های «تحلیل کسب و کار به زبان ساده» یا «بهره برداری تحلیلی از داده‌ها» بزنید، اگر می‌خواهید مهندس داده شوید با «آشنایی با SQL» یا «مهندسی داده به زبان ساده» شروع کنید و اگر می‌‌خواهید در تحلیل داده دستی داشته باشید با «آشنایی با R» یا «آشنایی با پایتون» و «آمار به زبان ساده» شروع کنید. 

دیدگاه‌ها

یک پاسخ

  1. به نظرم تسلط و رشد ذهنی در زمینه ها علمی و محض دیتا ساینس و همچنین درگیری عملی و تجربی با ابعاد این فیلد داغ خروجی دل چسبی از یه ادم مشتاق در حل مساله در تمام زمینه های میده.

دیدگاهتان را بنویسید

نشانی ایمیل شما منتشر نخواهد شد. بخش‌های موردنیاز علامت‌گذاری شده‌اند *

Generic selectors
Exact matches only
Search in title
Search in content
Post Type Selectors