مسیر شغلی تحلیل داده – مدرسه پردازش و تحلیل داده دقیقه

مسیر شغلی تحلیل داده به روایت فاطمه موسوی

دقیقه — Sat, 15 Nov 2025 09:31:11 +0000

فاطمه موسوی مدیر داده و بینش در شرکت روبه‌راه است و پیش از این نیز در استارتاپ‌هایی مانند فیلیمو و اسنپ به عنوان سرپرست تیم تحلیل داده و تحلیلگر ارشد داده فعالیت داشته است. او با کارشناسی مهندسی برق وارد فضای کار تحلیل داده شده و بسیار کوشا و فعال است.

تجربه گسترده فاطمه موسوی در کسب‌وکارهای گوناگون حاوی نکات ارزشمند و تازه‌ای است که در چهارمین نشست از سری «وبینارهای مسیر شغلی تحلیل داده» با او درباره‌اش گفتگو خواهیم کرد.

در نیمه نخست وبینار، روایت فاطمه موسوی از مسیر شغلی و بازار کار تحلیل داده را خواهیم شنید و در نیمه دوم شرکت‌کنندگان سوالات خود را مطرح می‌کنند.

ویدئوی وبینار

گزارش تفصیلی وبینار

وقتی به تحلیل داده فکر می‌کنیم، اغلب تصویری از کدهای پیچیده، داشبوردهای رنگارنگ و صفحات گسترده بی‌پایان در ذهنمان شکل می‌گیرد. تصور عمومی این است که این حوزه، قلمرو متخصصان فنی با مهارت‌های برنامه‌نویسی و آمار است. اما واقعیت این شغل بسیار عمیق‌تر، انسانی‌تر و غافلگیرکننده‌تر از این تصورات است.

در این وبینار، فاطمه موسوی، مدیر تحلیل داده در شرکت‌هایی چون اسنپ، فیلیمو و روبیکا از تجربیات خود و چالش‌هایی که پیش رو داشته، صحبت می‌کند؛ کسی که از نزدیک با چالش‌های ساختن تیم‌های داده‌محور و حل مسائل پیچیده کسب‌وکار دست‌وپنجه نرم کرده است.

پیشینه شما آینده‌تان را نمی‌سازد، کنجکاوی‌تان می‌سازد

یکی از موضوعات جذاب در مورد حرفه تحلیل داده این است که بسیاری از موفق‌ترین افراد این حوزه از رشته‌هایی کاملاً نامرتبط آمده‌اند. بهترین مثال برای این موضوع، خود فاطمه موسوی است. او کارشناسی و ارشد خود را در رشته مهندسی برق (کنترل) گذرانده و موضوع پایان‌نامه‌اش در حوزه علوم شناختی و مدلسازی تصمیم‌گیری در معتادان بوده است.

او با اشاره به مفهوم معروف استیو جابز می‌گوید این نقاط به ظاهر بی‌ربط، تنها زمانی که به گذشته نگاه می‌کنید به یکدیگر متصل می‌شوند. اما این اتصال صرفاً تصادفی نیست. برای مثال، او توضیح می‌دهد که چگونه نگاه مهندسی کنترل به او کمک کرده است: اینکه ما یک سیستم را در نظر می‌گیریم، آن را ارزیابی می‌کنیم و بعد فکر می‌کنیم چه ورودی به آن بدهیم تا خروجی مطلوب بگیریم، در بسیاری از بخش‌های تحلیل داده کمک‌کننده است. این نگاه سیستمی، یک مهارت انسانی برای درک روابط علت و معلولی است، نه یک تخصص فنی صرف.

در نهایت، ویژگی مشترکی که همه این افراد با پیشینه‌های متفاوت را به هم پیوند می‌دهد، مدرک تحصیلی نیست، بلکه یک کنجکاوی سیری‌ناپذیر و به قول خود او، ولع کشف کردن است. این عطش برای فهمیدن اینکه سیستم‌ها چگونه کار می‌کنند و چرا پدیده‌ها به شکل خاصی رخ می‌دهند، موتور محرک اصلی یک تحلیل‌گر داده است.

شاخص‌های کلیدی را کپی نمی‌کنند، آن‌ها را خلق می‌کنند

یک تصور غلط رایج این است که وظیفه تحلیل‌گر داده، پیاده‌سازی شاخص‌های کلیدی عملکرد (KPIs) استانداردی است که به سادگی می‌توان آن‌ها را در اینترنت پیدا کرد. اما تجربه واقعی نشان می‌دهد که مؤثرترین شاخص‌ها کپی‌کردنی نیستند، بلکه باید آن‌ها را متناسب با نیازهای منحصربه‌فرد کسب‌وکار خلق کرد. این خلق کردن، فرآیندی عمیقاً انسانی است که نیازمند همدلی با کاربر و گفتگوی مداوم با ذی‌نفعان است.

موسوی برای توضیح این موضوع، به مطالعه موردی تکامل شاخص‌ها در فیلیمو اشاره می‌کند. این فرآیند به شکل زیر پیش رفت:

نقطه شروع: اولین شاخص، مجموع دقایق تماشا شده برای هر محتوا بود.
کشف نقص: تیم متوجه شد این شاخص به تنهایی گمراه‌کننده است. برای مثال، کودکی که یک کارتون را بارها و بارها تماشا می‌کند، دقایق تماشا را به شدت بالا می‌برد، اما این لزوماً به معنای محبوبیت گسترده محتوا نیست.
اصلاح اول: شاخص به تعداد بینندگان یکتا تغییر کرد تا تصویر دقیق‌تری از تعداد مخاطبان ارائه دهد.
اصلاح دوم: تیم به این نتیجه رسید که بین کاربری که ۲ دقیقه از یک فیلم را می‌بیند و کاربری که ۱۰ دقیقه تماشا می‌کند، تفاوت وجود دارد. پس باید میزان تماشای هر کاربر نیز در نظر گرفته می‌شد.
تکامل نهایی: در نهایت، برای مقایسه عادلانه یک فیلم دو ساعته با یک سریال یک ساعته، شاخص به گونه‌ای تکامل یافت که درصد تماشا شده از کل زمان محتوا را نیز لحاظ کند.

این فرآیند نشان می‌دهد که بهترین شاخص‌ها از دل یک درک عمیق از کسب‌وکار و گفتگوی مداوم برای یافتن پاسخِ سؤالاتِ درست، پیدا می‌شود.

قدرتمندترین ابزار شما نرم‌افزار نیست، سؤال است

ابزارهای فنی مانند SQL، پایتون و نرم‌افزارهای ساخت داشبورد، برای یک تحلیل‌گر داده ضروری هستند، اما آن‌ها ابزاری بیش نیستند. قدرتمندترین و اصلی‌ترین ابزار یک تحلیل‌گر، سؤال است. تمام کارهایی که در حوزه داده انجام می‌شود—از طراحی فرآیندهای ETL گرفته تا ساخت گزارش‌های پیچیده—در نهایت برای پاسخ به یک سؤال اصلی کسب‌وکار انجام می‌شود.

اما ذی‌نفعان معمولاً با یک سؤال استراتژیک و دقیق به سراغ تیم داده نمی‌آیند. آن‌ها اغلب یک درخواست تاکتیکی دارند: «یه کوئری می‌خوام که فلان چیزو به من نشون بده.» اینجاست که مهارت انسانی تحلیل‌گر نمایان می‌شود. ارزش واقعی او صرفاً در اجرای آن کوئری خلاصه نمی‌شود، بلکه در این است که با گفتگو به ریشه اصلی مسئله برسد و به مدیران کمک کند تا سؤالات اولیه خود را به چالش بکشند، دقیق‌تر کنند و گاهی حتی به طور کامل تغییر دهند.

راهکارهای واقعی آماده خریده نمی‌شوند، از صفر ساخته می‌شوند

این یک فانتزی رایج است که شرکت‌های بزرگ و جاافتاده، برای مشکلات داده‌ای خود به سادگی یک راهکار آماده و بی‌نقص را از بازار خریداری می‌کنند. واقعیت اما بسیار متفاوت، پر از آزمون و خطا و نیازمند ساختن راه‌حل از ابتداست؛ فرآیندی که خلاقیت و سرسختی انسانی را بیش از هر چیز دیگری می‌طلبد.

مطالعه موردی اسنپ برای تخمین بودجه مورد نیاز برای طرح‌های تشویقی رانندگان، این واقعیت را به خوبی نشان می‌دهد:

مسئله: تیم تجاری در ابتدای هر ماه، یک تارگت برای تعداد کل سفرها مشخص می‌کرد. تیم داده باید تخمین می‌زد که برای رسیدن به این هدف، چقدر بودجه برای پاداش به رانندگان لازم است.
قدم اول: پیش‌بینی تعداد سفرهای ارگانیک (سفرهایی که بدون هیچ طرح تشویقی انجام می‌شوند) برای درک میزان فاصله تا هدف.
روش: استفاده از داده‌های تاریخی و افزودن متغیرهای تأثیرگذار مانند فصل، روزهای تعطیل، آلودگی هوا و حتی بارندگی.
واقعیت: این فرآیند ابتدا در یک فایل اکسل و با محاسبات دستی شروع شد. سپس به اسکریپت‌های ساده تبدیل شد و حتی در مراحلی، تیم مجبور بود برای اصلاح نتایج مدل، یک ضریب دستی به آن اضافه کند. این راهکار به مرور زمان بالغ شد و به یک محصول داده‌ای قابل اتکا تبدیل گشت.

این رویکرد عمل‌گرایانه و ساختن راه‌حل از صفر، اساس تحلیل داده در دنیای واقعی است، نه صرفاً کار با ابزارهای از پیش آماده.

شغل پنهان یک تحلیل‌گر داده، فروشنده است

این شاید یکی از غیرمنتظره‌ترین حقایق باشد: ساختن یک فرهنگ داده‌محور وظیفه‌ای نیست که از بالا به تیم داده محول شود؛ این فرهنگی است که تیم داده باید خودش آن را فعالانه در سازمان بسازد و بفروشد.

هیچ مدیری از تیم داده نمی‌خواهد که فرهنگ بسازد؛ آن‌ها داشبورد، گزارش و تحلیل می‌خواهند. به گفته موسوی، مسیر اشتباه این است که تحلیل‌گر بگوید من یک هفته دیگر یک داشبورد کامل به شما ارائه می‌دهم و بعد از تحویل آن، کار خود را تمام شده بداند. چنین محصولی، هرچقدر هم که بی‌نقص باشد، اغلب مورد استفاده قرار نمی‌گیرد، چون نیازی را که از دل گفتگو زاده شده باشد، برطرف نمی‌کند.

مسیر درست و مؤثر، مسیری مبتنی بر ارتباط انسانی است:

شروع با گفتگو: به جای ساختن یک داشبورد و تحویل آن، فرآیند را با صحبت با دپارتمان‌های مختلف آغاز کنید. نقاط درد آن‌ها را بفهمید و آن‌ها را در فرآیند طراحی راه‌حل مشارکت دهید.
ایجاد همراهی: وقتی ذی‌نفعان حس کنند که در ساخت یک محصول داده‌ای نقش داشته‌اند، نه تنها به آن اعتماد می‌کنند، بلکه به مبلغان آن در سازمان تبدیل می‌شوند. این همراهی تضمین می‌کند که ابزار ساخته شده واقعاً مورد نیاز بوده و استفاده خواهد شد.

در نهایت، تحلیل‌گر داده باید بتواند ارزش کار خود را به دیگران نشان دهد و آن‌ها را متقاعد کند که تصمیم‌گیری بر اساس داده، بهترین مسیر برای رشد است.

مسیر شغلی و آینده

جمع‌بندی تمام این درس‌ها ما را به یک موضوع مهم می‌رساند؛ تحلیل داده بیش از آنکه یک رشته فنی باشد، یک رشته عمیقاً انسانی است. تحلیل‌گر داده در دنیای امروز، ترکیبی از چند مهارت کلیدی است: کنجکاو در واکاوی ریشه‌ها، مبدع شاخص‌های سفارشی و راهکارهای مورد نیاز کسب و کار؛استراتژیست و پرسشگر در بازتعریف مسائل و یک مذاکره‌کننده متقاعدکننده است که فرهنگ داده‌محوری را در سازمان می‌فروشد.

با ظهور هوش مصنوعی، این مهارت‌های انسانی حتی حیاتی‌تر هم خواهند شد. همانطور که موسوی اشاره می‌کند، هوش مصنوعی کارهای روتین را خودکار می‌کند و این فرصت را به تحلیل‌گران می‌دهد تا بر روی وظایف منحصربه‌فرد انسانی مانند صورت‌بندی استراتژیک مسائل، ارتباط با ذی‌نفعان و تفکر خلاق تمرکز کنند.

او در مورد مسیر شغلی این حوزه اگر چه برای ورود به این حوزه، یادگیری ابزارهای پایه (SQL, Python, آمار) را ضروری می‌داند، اما آن را کافی نمی‌داند. توصیه نهایی او به علاقه‌مندان این مسیر شغلی شامل موارد زیر است:
• منتورشیپ: از تجربه افراد باسابقه کمک بگیرید.
• شناخت کسب‌وکار: قبل از مصاحبه شغلی، مدل کسب‌و‌کار شرکت مقصد را تحلیل کنید.
• مهارت‌های نرم: توانایی ارتباط موثر را همپای مهارت‌های فنی رشد دهید.
در نهایت، موسوی معتقد است که تحلیل داده شغلی نیست که به اشباع برسد. تحلیل‌گران می‌توانند در تخصص خود عمیق‌تر شوند یا با اتکا به ذهنیت تحلیلی‌شان، به حوزه‌هایی مانند مدیریت محصول یا تحلیل منابع انسانی چرخش کنند. این تغییر مسیر نه یک اجبار، بلکه انتخابی هوشمندانه در مسیر توسعه حرفه‌ای است.

d-learn.ir

شماره‌تماس:

۰۹۱۰۳۲۰۹۸۳۷
۰۲۱۸۸۳۴۹۲۴۴پشتیبانی تلگرام:
t.me/dlearnsup

The post مسیر شغلی تحلیل داده به روایت فاطمه موسوی appeared first on مدرسه پردازش و تحلیل داده دقیقه.

مسیر شغلی تحلیل داده به روایت حسن حیدری

دقیقه — Sat, 11 Oct 2025 13:24:10 +0000

حسن حیدری مدیر تیم تحلیل داده شرکت کروز است و پیش از این نیز در مهم‌ترین استارتاپ‌های ایران مانند دیوار و دیجیکالا به عنوان تحلیلگر ارشد داده و تحلیلگر ارشد هوش تجاری فعالیت داشته است. او با تحصیلات مهندسی صنایع وارد فضای کار تحلیل داده شده و نگاهی جامع به بهره‌برداری تحلیلی از داده در کسب‌وکار دارد. تجربه گسترده حسن حیدری در صنایع گوناگون حاوی نکات ارزشمند و منحصر به فردی است که در سومین نشست از سری «وبینارهای مسیر شغلی تحلیل داده» با او درباره‌اش گفتگو خواهیم کرد.

در نیمه نخست وبینار، روایت حسن حیدری از مسیر شغلی و بازار کاری تحلیل داده را خواهیم شنید و در نیمه دوم شرکت‌کنندگان سوالات خود را مطرح می‌کنند.

ویدئوی وبینار:

گزارش وبینار:

حسن حیدری فارغ‌التحصیل کارشناسی ارشد مهندسی صنایع است. مسیر حرفه‌ای خود را از کارآموزی در ایران‌خودرو آغاز کرد و سپس در یک استارتاپ خدمات آنلاین خودرو، دیجی‌کالا و دیوار به‌عنوان تحلیلگر داده فعالیت داشت. او اکنون رئیس تیم تحلیل داده در شرکت کروز است و تجربه کار در صنایع مختلف از استارتاپ تا تولید صنعتی را پشت سر گذاشته است.

تفاوت‌های بنیادین: از تجارت الکترونیک تا صنعت تولید

به گفته حیدری، تجربه فعالیت در کروز – به عنوان یکی از بزرگ‌ترین تولیدکنندگان قطعات خودرو در کشور – به‌مراتب پیچیده‌تر از محیط‌های استارتاپی حوزه تجارت الکترونیک است. او توضیح می‌دهد که در فرآیند تولید خودرو، بیش از ۳۰ هزار قطعه نهایی و هزاران ماده اولیه درگیر هستند و زنجیره تأمین گسترده‌ای شامل تأمین مواد، لجستیک چندوجهی (زمینی، دریایی، هوایی)، برنامه‌ریزی خرید، انبارداری و زمان‌بندی تولید وجود دارد.

او اشاره می‌کند که سیستم‌های برنامه‌ریزی مواد (MRP)، مدیریت لیست مواد (BOM)، کنترل کیفیت، و حتی مدیریت انرژی و نیروی انسانی (با بیش از ۱۵ هزار نفر پرسنل) همگی در سطحی بالا نیازمند هماهنگی داده‌محور هستند. کروز از سامانه‌های ERP پیشرفته مانند SAP استفاده می‌کند و به سمت تصمیم‌گیری‌های مبتنی بر داده حرکت کرده است.

ساختار تیم داده و نقش‌های نوظهور

حیدری درباره ساختار تیم داده در کروز توضیح می‌دهد که این تیم در حال حاضر به صورت متمرکز فعالیت می‌کند، اگرچه انتخاب میان ساختار متمرکز و غیرمتمرکز به سطح بلوغ داده‌ای و استراتژی سازمان بستگی دارد. او تأکید می‌کند که اغلب سازمان‌ها در مراحل ابتدایی توسعه داده، با مدل متمرکز آغاز می‌کنند.

وی همچنین بر اهمیت همکاری تیمی تأکید دارد و معتقد است که هیچ فردی به تنهایی نمی‌تواند بر تمام ابعاد یک کسب‌وکار مسلط شود. همکاری میان نقش‌ها و سطوح مختلف، از تحلیلگر داده تا توسعه‌دهنده، موجب هم‌افزایی و ارتقای کیفیت نتایج می‌شود. او همچنین پیش‌بینی می‌کند که با رشد هوش مصنوعی و کاهش نیاز به تخصص‌های منفرد، سازمان‌ها در آینده به دنبال نیروهایی خواهند بود که توانایی ایفای چند نقش را داشته باشند.

او ساختار متمرکز تیم داده را برای مراحل اولیه بلوغ داده‌ای مناسب می‌داند و بر اهمیت همکاری میان نقش‌ها و سطوح مختلف در تیم تأکید دارد. از دید او، آینده سازمان‌ها با رشد هوش مصنوعی به سمتی می‌رود که افراد باید توانایی ایفای چند نقش را داشته باشند. تمرکز تیم داده تحت مدیریت او بر طراحی مدل‌های داده، توسعه BI و ایفای نقش‌هایی مشابه مهندس تحلیل داده است که مهارت‌های فنی را با درک بیزینسی تلفیق می‌کند.

تفکر انتقادی و رویکرد جذب نیرو

حیدری بر این باور است که تمرکز بیش از حد بر ابزارهایی مانند پایتون یا SQL اشتباه است، زیرا این ابزارها به سرعت توسط هوش مصنوعی تسخیر می‌شوند. او در فرایند جذب نیرو، سه ویژگی را کلیدی می‌داند: تفکر تحلیلی، تفکر انتقادی، و شناخت کسب‌وکار.

او برای تقویت تفکر تحلیلی، مطالعه کتاب تحلیل ناب و برای پرورش تفکر انتقادی، کتاب تفکر سریع و کند نوشته دنیل کانمن را پیشنهاد می‌کند. به باور او، این مهارت‌ها تنها از طریق تمرین مداوم تقویت می‌شوند.

در مصاحبه‌های شغلی، او با طرح پرسش‌های تحلیلی، داوطلب را به بلند فکر کردن ترغیب می‌کند تا فرآیند استدلال او را بسنجد. از دید او، تفکر انتقادی یعنی تردید در فرضیات اولیه مدیران و جست‌وجوی شواهد جایگزین. به عنوان مثال، اگر مدیری افزایش سرعت دستگاه را عامل خرابی بداند، تحلیلگر خوب باید سایر عوامل مانند کیفیت مواد اولیه، خطای اپراتور یا فرسودگی تجهیزات را نیز بررسی کرده و طرحی برای آزمون فرضیات ارائه دهد.

ابزارها و آینده شغل‌های حوزه داده‌

به گفته حیدری، بیشترین پتانسیل تحلیل داده در شرکت‌های تولیدی در بخش‌های بهینه‌سازی و بهره‌وری نهفته است، اما در عمل، واحد منابع انسانی بیشترین بازده را از تحلیل داده‌ها نشان داده است.

استک ابزاری مورد استفاده او، پایگاه داده اوراکل، پایتون و SQL برای تحلیل، SSAS برای مدل‌سازی داده، و Power BI و Metabase برای مصورسازی و BI. همچنین از MLflow برای مدیریت پروژه‌های یادگیری ماشین و از پایگاه‌های برداری برای پروژه‌های هوش مصنوعی استفاده می‌شود.

در جمع‌بندی، حیدری معتقد است که با شتاب پیشرفت هوش مصنوعی، نقش‌های سنتی مانند تحلیلگر داده یا مهندس داده در شکل فعلی خود دچار دگرگونی خواهند شد و تمرکز آینده متخصصان داده، بر مدیریت، هماهنگی و نظارت بر ابزارهای خودکار متمرکز خواهد بود.

The post مسیر شغلی تحلیل داده به روایت حسن حیدری appeared first on مدرسه پردازش و تحلیل داده دقیقه.

مسیر شغلی تحلیل داده به روایت ریحانه فرجی

دقیقه — Tue, 09 Sep 2025 08:35:50 +0000

ریحانه فرجی هم‌اکنون به عنوان تحلیلگر ارشد کسب‌وکار در دیجی‌کالا مشغول فعالیت حرفه‌ایست و پیش از این نیز به عنوان تحلیلگر داده اسنپ‌تریپ مشغول به کار بوده و از آن زمان با مسائل گوناگون تحلیل داده آشنا شده است. ریحانه با پیش‌زمینه مهندسی مکانیک وارد حوزه تحلیل داده شده و نکات شنیدنی زیادی برای علاقه‌مندان ورود به بازار کار تحلیل داده دارد.

در این رویداد آنلاین، داستان تجربیات حرفه‌ای ریحانه فرجی به عنوان تحلیلگر داده و تحلیلگر کسب‌وکار را از زبان خودش خواهیم شنید و با او گفتگو خواهیم نشست.

ویدئوی کوتاه

فیلم کامل وبینار

منابع معرفی‌شده در وبینار

پادکست:
- پادکست کار نکن – گفت‌و گو با محمدرضا شعبانعلی (۴۷، ۴۸ و ۴۹)
- فنون مذاکره محمدرضا شعبانعلی
کتاب:
- خلق مدل کسب و کار
- مرجع شاخص های کلیدی
- رزیابی عملکرد سازمان
- هنر رقصیدن با استراتژی
- داستان سرایی با داده
- جان بخشیدن به اعداد
- سود و دیگر هیچ
- اندازه گیری آنچه مهم است
مقاله‌ها:

گزارش تفصیلی

در ادامه وبینارهای مسیر شغلی تحلیل داده، این بار سراغ ریحانه فرجی، تحلیلگر ازشد کسب‌و کار دیجی‌کالا رفته‌ایم. او از حوزه‌ای متفاوت به دنیای داده مهاجرت کرده و در این وبینار به تشریح این مسیر و چالش‌های خود پرداخت.

ریحانه فرجی، فردی با پیش‌زمینه متفاوت از مهندسی مکانیک را تا کارشناسی ارشد خوانده است. مسیر او از کار مهندسی تولید در یک شرکت تولیدی به عنوان طراح پروتز ارتوپدی به حوزه تحلیل داده در شرکت‌هایی چون اسنپ‌تریپ و دیجی‌کالا کشیده شده است.

ورود او به مسیر تحلیل داده، دلایل چندگانه‌ای داشت؛ از جمله چالش‌های فراوان در کار تولیدی در ایران که مقیاس‌پذیری آن را محدود می‌کرد، و همچنین عدم تمایل او به مسیرهای شغلی رایج در شرکت‌های تجهیزات پزشکی که غالباً بر واردات و کارشناسی فروش متمرکز بودند. علاقه او به مفاهیم هوش مصنوعی، بهینه‌سازی داده‌ها و ریاضیات و همچنین، تمایل به کار در فضای استارتاپی و شرکت‌های بزرگ بود. ریحانه فرجی در اگر چه ورود به این حوزه را بسیار دور از دسترس می‌دید، اما دوره آموزشی، کارآموزی و مطالعه این حوزه مسیر را برای اون هموارتر کرده است.

از نظر ریحانه فرجی، تحلیل داده ترکیبی از کار مهندسی و دانش کسب‌وکار است و باید آن را یک کار مهندسی در نظر گرفت. مهارت حل مسئله که وی از مهندسی مکانیک کسب کرده بود، در تحلیل داده بسیار کاربردی است؛ تحلیلگر باید بتواند سؤال مطرح شده از سمت بیزینس را مدل‌سازی کند، که این مدل‌سازی غالباً شبیه به طراحی یک مدل ریاضیاتی یا مدل کسب‌وکار است. مهم‌ترین مهارت برای تحلیلگر داده، علاوه بر تسلط بر پایتون و آمار، سواد کسب‌وکار است.به گفته‌ی او تحلیلگری که کسب و کار را نداند، حتی با ارائه اعداد صحیح، قادر به ارائه توصیه‌های استراتژیک درست نخواهد بود. فهم کسب‌وکار یعنی درک ادبیات آن، آگاهی از نگرانی‌های سازمان، و توانایی رساندن مدیران ارشد به یک تصمیم‌گیری خاص و قانع کردن آن‌ها، نه صرفاً ارائه یک گزارش. تحلیلگر در سطوح ارشد باید بتواند ابتدا هدف و تأثیر پیشنهادی خود را بیان کند. مهارت‌های نرم مانند خلاقیت، حساسیت به اعداد و کنجکاوی برای رشد فردی و تأثیرگذاری بر استراتژی‌های سازمان بسیار حیاتی هستند.

ابزارهایی که ریحانه فرجی در این مسیر استفاده کرده شامل زبان برنامه‌نویسی پایتون و زبان SQL برای کار با دیتابیس‌ها است. همچنین، تسلط بر ابزارهای هوش تجاری و مصورسازی مانند پاور بی‌آی (Power BI) یا تبلو (Tableau) و یکی از زبان‌های برنامه نویسی مثل پایتون یا R را ضروری می داند.

در حوزه پیشرفت شغلی، وی معتقد است که بهترین مدل سازمانی، مدل متمرکز است، زیرا به تحلیلگر اجازه می‌دهد کل فرایند کسب‌وکار را از صفر تا صد ببیند و بر ابعاد مختلف (مالی، تقاضا، عرضه، محصول و زیرساخت فنی) کار کند و به کشف ریشه‌ای علت مشکلات دست یابد. برای شروع کار، ریحانه فرجی توصیه می‌کند که یک استارتاپ کوچک‌تر را به جای یک شرکت بزرگ انتخاب کنند؛ زیرا در شرکت کوچک‌تر، کارها و چالش‌های متنوع‌تری دریافت می‌شود که دید جامع‌تری نسبت به کسب‌و‌کار به فرد می‌دهد، در حالی که شرکت بزرگ‌تر، دانش عمیق‌تر در یک حوزه محدودتر فراهم می‌کند. او خود با اسنپ‌تریپ در پایین‌ترین سطح شروع کرد و با کنجکاوی که داشته، راه‌حل جدیدی را برای ارزیابی ارائه داده که اون را به نیروی ارشد واحد خود تبدیل کرده است. انگیزه او برای رفتن به دیجی‌کالا، اندازه بزرگ این شرکت و چالش‌های عملیاتی بسیار سختی است که این شرکت دارد.

از نگاه فرجی، وظایف تحلیلگر داده عموماً به دو دسته تقسیم می‌شوند: ۱) کارهای فوری که وظایف غیرمنتظره و با اولویت بالا و زمان تحویل کوتاه هستند (مانند بررسی افت ناگهانی فروش یا بحران‌ها) و ۲) پروژه‌های بلندمدت و استراتژیک (مانند برنامه‌ریزی برای بلک فرایدی یا ایجاد خطوط کسب‌وکار جدید).

در نهایت او تأکید دارد که افراد باید مهارت یادگیری را بلد باشند تا بتوانند همگام با تغییرات سریع علم و بیزینس، مسیر شغلی خود را به‌روز کنند. سواد کسب‌وکار دیگر “لازمه” تحلیل داده است. وی برای یادگیری سواد کسب‌وکار، منابعی معرفی کرده که در زیر ویدئوی پیوست شده، در دسترس است.

ثبت‌نام (رایگان)

برای شرکت در وبینار مسیر شغلی تحلیل داده به روایت ریحانه فرجی ثبت نام کنید:

The post مسیر شغلی تحلیل داده به روایت ریحانه فرجی appeared first on مدرسه پردازش و تحلیل داده دقیقه.

مسیر شغلی تحلیل داده به روایت احسان امیرزاده

دقیقه — Sat, 09 Aug 2025 04:14:49 +0000

احسان امیرزاده یک تحلیلگر داده باتجربه در آمستردام هلند است و داستان‌های شنیدنی زیادی درباره مسیر شغلی خود از کارشناسی مهندسی برق در دانشگاه شیراز، کارشناسی ارشد فیزیک سیستم‌های پیچیده در دانشگاه بهشتی تا تحلیل داده در شرکت دقیــقه، دیوار، همکاری در پروژه‌های بزرگ تحلیل داده در حوزه سیاست‌گذاری‌های رفاهی و مدیریت مصرف انرژی، شرکت کاتاویکی (Catawiki) و ادین (Adyen) دارد.

ویدئوی کوتاه

فیلم کامل

در این نشست آنلاین، داستان رشد حرفه‌ای احسان امیرزاده را از زبان خودش خواهیم شنید. احسان از زندگی کاری، مهارت‌ها و ذهنیت‌های لازم برای تاثیرگذاری و رشد، تفاوت‌های کار حرفه‌ای تحلیل داده در ایران و خارج از ایران، استفاده از هوش مصنوعی در تحلیل داده، و آینده این مسیر شغلی خواهد گفت.

چه تازه وارد دنیای تحلیل داده شده باشید، چه تحلیلگر باتجربه و چه یک فرد کنجکاو و علاقه‌مند، می‌توانید از نکات عملی، داستان‌های مسیر شغلی و پاسخ به پرسش‌های شرکت‌کنندگان ایده و انگیزه بگیرید.

گزارش تفصیلی

در این گفتگوی ۹۰ دقیقه‌ای احسان امیرزاده، تحلیلگر داده در شرکت ادین آمستردام، درباره جنبه‌های مختلف نقش تحلیلگر داده در سازمان، ساختارهای تیمی، مهارت‌های ضروری و چشم‌انداز آتی این حوزه صحبت کرده و تجربیاتش در شرکت‌های دیوار و کاتاویکی و ادین گفته است.

احسان در حال حاضر داده‌های حوزه فناوری مالی [1] را در شرکت ادین تحلیل می‌کند. این شرکت با ارائه زیرساخت‌های فناوری به کسب‌وکارها در سراسر جهان این امکان را می‌دهد تا از طریق درگاه‌های پرداخت متنوع و بعضاً محلی، فرایند پرداخت را از صفر تا صد برای مشتریان خود انجام دهند. این درگاه‌ها می‌توانند شامل پرداخت‌های آنلاین در وب‌سایت‌ها، اپلیکیشن‌ها یا حتی دستگاه‌های کارت‌خوان حضوری باشند (کم‌وبیش شبیه به شاپرک در ایران). احسان در این گفتگو توضیح می‌دهد که چرا در چنین کسب‌وکارهایی داده یک دارایی اساسی است و همه چیز حول آن شکل می‌گیرد.

ساختار و معماری تیم‌های داده در سازمان‌ها چگونه است؟

عمدتاً دو ساختار اصلی برای تیم‌های داده وجود دارد:

تیم مرکزی (Centralized Model)

در این مدل، یک تیم داده مرکزی وجود دارد که درخواست‌ها از بخش‌های مختلف شرکت را مدیریت می‌کند و باید قابلیت این را داشته باشد که هر نوع درخواست و فعالیت مربوط به داده را در کسب‌وکار یا سازمان انجام بدهد. احسان معتقد است مدل مرکزی برای شرکت‌های در مراحل اولیه یا کوچک‌تر که تازه با داده سروکار پیدا می‌کنند و هنوز بلوغ سازمانی نرسیده‌اند، مناسب‌تر است. چرا که به تحلیلگران داده اجازه می‌دهد تا نیازهای داده‌ای کل شرکت را بیاموزند و زیرساخت‌های داده مانند pipelineها و ابزارهای اولیه را بسازند و جریان داده را در سازمان برقرار کنند.

مدل جاسازی‌شده (Squad Model / Embedded)

با بلوغ شرکت نیازهای تحلیلی پیچیده‌تر می‌شود و درنتیجه مدل متمرکز دیگر کارایی ندارد. در این مرحله، تحلیلگران روی حوزه‌های مختلف کسب‌وکار متمرکز می‌شوند و با تخصص‌پیدا کردن در آن‌ها به تیم‌های مختلف مانند تیم توسعه‌دهندگان، تیم محصول و تیم طراحان تجربه کاربری، تیم بازاریابی و فروش، تیم عملیات و … ملحق می‌شوند. این مدل سرعت پیشرفت کارها را افزایش می‌دهد زیرا افراد متخصص در یک حوزه خاص، پیچیدگی‌های کسب‌وکار را بهتر درک می‌کنند و می‌توانند ارزش‌آفرینی بیشتری داشته باشند. ریسک این مدل، دشواری در جایگزینی افراد متخصص در صورت ترک سازمان است. البته یک چالش بزرگ در اینجا سخت‌تر شدن انتقال دانش بین بخش‌های مختلف و هماهنگی بین آن‌هاست. مثلا ممکن است نتایج تحلیل یک تیم در آینده برای تیم دیگری مفید باشد. در این حالت به دلیل عدم انتقال دانش بین تیم‌ها، دوباره‌کاری‌های فراوانی پیش خواهد آمد. مدیران ارشد تیم‌های داده باید بتوانند در این حالت هماهنگی و انتقال دانش را تسهیل کنند و راهکارهایی مانند جلسات مستر برای آن داشته باشند.

به عنوان نمونه در ادین، با حدود ۲۰ تا ۳۰ تیم داده‌ای مجزا، شاهد رویکردی ترکیبی اما با تمایل به تیم‌های تخصصی و جداگانه هستیم. این تیم‌ها ممکن است با انگیزه‌های متفاوتی تشکیل شده باشند؛ برخی بر رفتار کاربران در پنل مدیریتی تمرکز دارند، برخی بر فرایند احراز هویت مشتری ([2]KYC) و پذیرش کسب‌وکارها[3]، و برخی دیگر بر حوزه‌هایی مانند ضد پولشویی (Anti-Money Laundering). جالب است که برخی از این تیم‌ها بر اساس تفاوت‌های منطقه‌ای و قوانین و مقررات محلی شکل می‌گیرند؛ به عنوان مثال، ادین دارای تیم‌های داده‌ای جداگانه برای فعالیت‌های خود در آمریکا، اروپا، ژاپن و هند است که هر یک بر نیازها و بلوغ بازار خاص خود تمرکز دارند. این ساختار به ادین امکان انعطاف‌پذیری بالا را می‌دهد و تیم‌ها می‌توانند به سرعت بر اساس اولویت‌های کسب‌وکار و قوانین محلی پرداخت بازسازی شوند.

بازارها رفتارها و ویژگی‌های گوناگونی دارند و بخشی از کار تحلیلگر داده شناخت عمیق همین ویژگی‌ها و رفتارهاست. مشابه این تقسیم‌بندی را می‌توان در شرکت‌هایی مثل دیوار نیز دید که برای تحلیل داده‌های مربوط به خودرو، ملک و … تیم‌ها و افراد جداگانه وجود دارد.

چه مهارت‌های سخت و نرمی برای تحلیلگر داده ضروری هستند؟

نقش تحلیلگر داده در سال‌های اخیر دستخوش تحولات چشمگیری شده است. در گذشته، تمرکز اولیه بر مهارت‌های فنی یا “سخت” بود، دانش اولیه و مهارت‌های فنی که یادگرفتن آن‌ها در کلاس‌های دانشگاه یا دوره‌های آنلاین ممکن است و تحلیلگر را به ابزارهای ضروری مجهز می‌کند. اگر در گذشته مهارت‌های نرم برای تحلیلگران داده دست کم گرفته می‌شد، امروز بیش از گذشته به مهارت‌های نرم مانند مهارت‌های ارتباطی توجه می‌شود و به بخشی اساسی در کار تحلیل داده تبدیل شده است.

مهارت‌های سخت

زبان‌های برنامه‌نویسی کار با داده: تسلط بر زبان‌هایی مانند پایتون و R ضروری است. به عنوان نمونه در ادین، استفاده از PySpark برای کارهای روزمره رایج است که نسخه‌ای از اسپارک برای پردازش داده‌های توزیع شده در محیط پایتون است.
کار با پایگاه‌های داده: آشنایی با SQL تقریباً در هر سازمانی الزامی است.
ابزارهای orchestration : ابزارهایی مانند Airflow که برای خودکارسازی جریان داده و مدیریت پایپ‌لاین‌های داده (فرایند [4]ETL – استخراج، تبدیل، بارگذاری) استفاده می‌شوند، از اهمیت بالایی برخوردارند. یعنی فرایندی که در آن داده از جایی باید استخراج شود، سپس خوانده شود و عملیاتی روی آن انجام شود و در نهایت بارگذاری شود و قابلیت استفاده داشته باشد. به عنوان نمونه شاید لازم باشد هر روز صبح داده‌ی مورد نیاز جهت بررسی بارگذاری شده برای بخش‌های مختلف آماده باشد. لذا توالی این فرایندها باید بارها و بارها انجام شود. ابزارهای orchestration و مدیریت جریان داده قرار است این توالی را مدیریت کند.
ابزارهای هوش تجاری (BI): آشنایی با ابزارهای BI مانند Looker، Tableau یا Power BI که به کاربران کسب‌وکار امکان می‌دهد خودشان داشبورد بسازند، مهم است.

مهارت‌های نرم

این مهارت‌ها هستند که تفاوت بین یک تحلیلگر داده خوب و یک تحلیلگر متوسط را ایجاد می‌کنند و در اکثر مصاحبه‌ها تمرکز بر شناخت تحلیلگر، به مهارت‌های نرم او نیز به صورت ویژه توجه می‌شود. حتی گاهی اوقات شرکت‌ها می‌پذیرند که شما مهارت سخت را می‌توانید بعدا فرا بگیرید ولی مهارت‌های نرم دست کم در فرصت کوتاه غیرقابل تغییر تلقی می‌شوند.

درک کسب‌وکار (Business Understanding): مهمترین مهارت نرم، فهم عمیق از اهداف، اولویت‌ها، وضعیت فعلی و پیچیدگی‌های کسب‌وکار است. یعنی شما باید بتوانید در مدت زمان نسبتاً کوتاهی بفهمید که کسب‌وکار دقیقا چه‌کار می‌کند و چه الزاماتی دارد. در این حالت است که با در دست داشتن تصویر بزرگ از کسب‌وکار می‌توانید برای سازمان ارزش خلق کنید. وگرنه ممکن است مساله‌ای را حل کنید که آورده‌ای برای کسب‌وکار ندارد. یکی از راه‌های تقویت این مهارت، صراحت در پرسش‌گری از مدیران مختلف مانند مدیران محصول است که برای شما نیازهای کسب‌وکار را واضح و روشن توضیح دهند. یا حضور فعال در جلسات مربوط به کسب‌وکار که حتی ربطی به تحلیل داده ندارد، می‌تواند کمک کند که تصویر کاملی از کسب‌وکار داشته باشید و ریزه‌کاری‌های آن را از ذی‌نفعان، مدیران و صاحبان محصول مطالبه کنید.
تفکر نقادانه (Critical Thinking) و ذهن تحلیلی: توانایی طرح سوالات اساسی مانند «چرا این کار را انجام می‌دهیم؟» و «چه مشکلی را با این تحلیل حل می‌کنیم؟» بسیار مهم است. این پرسشگری نه تنها به تحلیلگر کمک می‌کند تا هدفمندتر کار کند، بلکه دیگران را نیز وادار به تفکر عمیق‌تر می‌کند. ضمن اینکه باید بدانید این تحلیل علاوه بر کارکرد خودش در تیم، چه معنایی برای مدیران تیم یا حتی مدیران C-level دارد و آنجا چگونه تفسیر می‌شود و چه کمکی به کسب‌وکار می‌کند. تحلیلگر داده باید بتواند این ملاحظات را در تحلیلش بگنجاند.
مدیریت زمان و اولویت‌بندی: بر خلاف یک برنامه‌نویس و توسعه‌دهنده نرم‎‌افزار که شاید در یک بازه زمانی، تنها یک وظیفه مشخص به او واگذار شود، کار تحلیلگر داده، نسبت به او، غیرمتمرکز است. در نتیجه، تحلیلگر داده باید از بین چندین وظیفه مختلفی که ممکن است تعریف شده، اولویت‌بندی کند که کدام برای کسب‌وکار فایده و اولویت بیشتری دارد و تعداد محدودی از آن‌ها در زمان محدود انجام دهد.

مسیرهای شغلی داده چه چشم‌اندازی دارند؟ هوش مصنوعی چه تاثیری بر آن‌ها خواهد داشت؟

احسان امیرزاده معتقد است مسیر شغلی تحلیل‌داده در حال پوست‌اندازی است و در آینده، تمرکز بیشتر بر حوزه‌هایی مانند مهندسی داده Data Engineering و مهندسی تحلیل داده Analytics engineering است و احتمالا نقش تحلیلگر داده مانند آنچنان که در سال‌های گذشته وجود داشته و اکنون نیز وجود دارد، در آینده چندان جدی نخواهد بود. مهندسین داده مسئول استخراج داده از پایگاه‌های داده عملیاتی و مهندسین تحلیل داده مسئول انتقال آن‌ها به محیط‌های تحلیلی هستند و نقشی محوری در تبدیل داده‌های خام به داده‌های باکیفیت و قابل استفاده برای تحلیل‌های مختلف در کسب‌وکار دارند.

امروزه مثل گذشته موضوع داده و اهمیت آن برای نقش‌های شغلی در بسیاری کسب‌وکارها موضوع عجیب و غریب و ناآشنایی نیست. بنابراین تمرکز کار تحلیلگران داده آینده باید کمتر بر ساخت داشبوردها و بیشتر بر فراهم آوردن زیرساخت‌های داده‌ای قابل اعتماد و با کیفیت برای دیگران باشد، تا بتوانند خودشان از طریق ابزارهای self service BI به بینش‌های مورد نیاز دست یابند. این رویکرد اولاً به دلیل مقیاس‌پذیری موردنظر شرکت‌ها است. چرا که نمی‌توان برای نیازهای متعدد و متفاوت تعداد تحلیلگران را افزایش داد و متناسب با هر نیاز یک تحلیلگر استخدام کرد. بنابراین هر نقش شغلی باید بتواند حداقل تحلیل داده مربوط به شغل خود را انجام دهد. دوماً با به کارگیری هوش مصنوعی برای تحلیل داده در هر شغلی از جمله تحلیل داده تنها زمانی قابل انجام است که داده‌ها باکیفیت و قابل اعتماد باشد وگرنه مدل‌های هوش مصنوعی خروجی مناسبی نخواهند داشت. این پدیده نیز نقش مهندسی را در تحلیل داده پررنگ‌تر می‌کند.

A/B Testing چیست و چرا همچنان مهم است؟

آزمایش A/B یا A/B Testing یک رویکرد مبتنی‌ بر داده ضروری در سازمان‌ها و کسب‌وکارها است که به آن‌ها اجازه می‌دهد تأثیر عوامل و تصمیم‌های مختلف در محصولات خود را با روش‌های آماری به دقت اندازه اندازه‌گیری کنند. این روش به جای تصمیم‌گیری بر اساس حدس و گمان، شواهدی مبتنی بر داده ارائه می‌دهد. در واقع در مواجهه با مشکلات و چالش‌هایی که راه حل علمی از پیش تعیین شده ندارند، باید به تصمیم‌گیری مبتنی بر داده رو بیاوریم. مثلا فرض کنید در زمینه توسعه محصول برای نتفلیکس سوال می‌شود که تغییر رنگ یا اندازه یا دکمه‌ها در رابط کاربری، منجر به بهبود تجربه کاربری می‌شود یا خیر؟ اگر از پیش بخواهیم با رویکرد علمی به این سوال پاسخ بدهیم،‌ جواب مشخصی پیدا نخواهیم نکرد. در نتیجه چاره‌ای نداریم که از شواهد و رویکرد‌های مبتنی بر داده برای تصمیم‌گیری استفاده کنیم تا اینکه با حدس و گمان و تکیه بر شم خود جلو برویم.

در A/B Testing، دو یا چند نسخه متفاوت از یک محصول (مثلاً یک وب‌سایت یا اپلیکیشن) به گروه‌های مختلف کاربران نمایش داده می‌شود و سپس نتایج و رفتارهای آن‌ها به صورت آماری مقایسه می‌گردد. هدف نهایی، ارزیابی این است که آیا تغییرات اعمال شده (مثلاً تغییر رنگ یک دکمه یا نحوه نمایش پیش‌نمایش ویدئوها) به شاخص‌های کلیدی کسب‌وکار کمک کرده‌اند یا خیر. شرکت‌های بزرگی مانند نتفلیکس و Booking.com سالانه هزاران یا حتی صدها هزار تست A/B انجام می‌دهند. این آزمایش‌ها به صورت مداوم و بدون اطلاع کاربر صورت می‌گیرد و تصمیم‌گیری‌های آتی را هدایت می‌کند.

برخی شرکت‌ها سرویس‌های تست A/B را از شرکت‌های تخصصی (مانند Optimizely) خریداری می‌کنند، در حالی که برخی دیگر (مانند Booking.com و ادین) پلتفرم‌های اختصاصی خود را توسعه می‌دهند. این پلتفرم‌ها مسئول مدیریت گروه‌بندی کاربران و جلوگیری از تداخل بین تست‌ها هستند. اگرچه این پلتفرم‌ها و هوش مصنوعی در حال پیشرفت هستند ولی هم‌چنان تمرکز آن‌ها بر روی فرایند اجرایی تست‌ها است. طراحی ‌‌آزمایش‌ها، نظریه‌پردازی و تفسیر نتایج آماری، هنوز نیاز به تحلیل‌ تخصصی آمار و داده دارد که نیاز به متخصصان این زمینه را دارد و هنوز با هوش مصنوعی به طور کامل قابل انجام نیست.

یک نمونه واقعی

رویکرد داده‌محور و تحلیل داده چه کمکی به یک کسب‌وکار می‌کند؟

ادین در بازار آمریکا با چالش‌هایی در فرایند پذیرش مشتریان جدید مواجه بود. مشکل این بود که این شرکت نه شاخصی برای اندازه‌گیری موفقیت پذیرش داشت و نه می‌دانست مشکل دقیق در کجای فرایند است. کسب‌وکارهای آمریکایی از فرایند‌های اولیه ثبت و KYC ناراضی بودند و از دشواری فرایند گلایه داشتند. تیم داده ابتدا یک شاخص دقیق برای سنجش موفقیت پذیرش تعریف کرد که شامل معیارهای مهم کسب‌وکار بود. سپس با تحلیل پارامترهای مؤثر بر این شاخص، نقاط ضعف کلیدی شناسایی شد. این نقاط شامل فرایندهای دستی، کیفیت محصول پذیرش (سایت/API)، و زمان‌بر بودن فرایند بود. تحلیل‌ها نشان داد که محصول پذیرش برای کاربران، پیچیده و غیرقابل فهم است و کاربران در مراحل مختلف گیر می‌کردند یا فرایند را رها می‌کردند. با استفاده از این بینش‌های مبتنی بر داده، ادین توانست شاخص موفقیت پذیرش خود را در بازار آمریکا از حدود ۶۰٪ به ۸۰٪ در مدت چهار ماه افزایش دهد. این افزایش ۲۰ درصدی، یک جهش بسیار بزرگ و ارزشمند برای کسب‌وکار بود که مستقیماً به افزایش درآمد و رضایت مشتری ترجمه شد که البته بخشی از این موفقیت سریع به دلیل عدم بلوغ اولیه محصول بود.

چگونه می‌توان وارد بازار کار تحلیل داده شد؟

ورود به این حوزه و پیشرفت در آن ترکیبی از مهارت‌‌آموزی، شبکه‌سازی و شانس است:

سرمایه اجتماعی و ارتباطات: ایجاد ارتباط موثر و شبکه‌سازی با افراد فعال در حوزه داده بسیار مهم است. بودن در این شبکه‌ها شانس شما برای موقعیت مناسب را بالا می‌برد.
تجربه کاری: داشتن حداقل یک تا دو سال سابقه کار قابل قبول در یک شرکت خوب، می‌تواند به فرد اعتماد به نفس و مهارت‌های لازم برای کار با ابزارهای پیشرفته (مانند کلاسترها و Airflow) را بدهد.
اهمیت دانش و مهارت به جای مدرک: در دنیای کسب‌وکار، دانش و مهارت بیش از مدرک تحصیلی (حتی تحصیلات دانشگاهی) ارزش دارد. افراد با زمینه‌های تحصیلی متنوع (مانند علوم انسانی، فیزیک، علوم سیاسی) نیز در صورت داشتن ذهنیت تحلیلی و تفکر نقادانه و تمایل به یادگیری مهارت‌های فنی، می‌توانند وارد این حوزه شوند.

درخواست کار در حوزه داده، به راحتی از طریق برنامه‌های کاریابی مانند لینکدین، قابل انجام است. فرایند درخواست کار و مصاحبه کمی زمان‌بر است و نیاز به آزمون و خطا برای آشنایی دارد. پس از ارسال درخواست‌های کار متعدد و گذراندن چند مصاحبه،‌ به خوبی با چم و خم مسیر آشنا خواهید شد.

در حال حاضر، بازار کار جهانی، از جمله در حوزه داده، با چالش‌هایی مواجه است. نقش‌های تحلیلگر داده گاهی به عنوان یک نقش “لوکس” و غیرضروری تلقی می‌شوند و ممکن است در زمان بحران‌های اقتصادی، جزء اولین بخش‌هایی باشند که دچار تعدیل نیرو می‌شوند.

* * *

در آینده همان‌طور که گفته شد نقش‌هایی که به مهندسی (مانند مهندس داده و مهندس تحلیل داده) نزدیک‌تر هستند، آینده قوی‌تری خواهند داشت. هوش مصنوعی قادر به خودکارسازی بخش قابل توجهی از مهارت‌های سخت تحلیلگران داده، به ویژه در کدنویسی و رفع‌ باگ‌ها است. این امر باعث می‌شود که تحلیلگران بتوانند روی روش تحلیل و شیوه فکر کردن خود تمرکز کنند و کارها را سریع‌تر و کارآمد انجام دهند. با این حال، هوش مصنوعی نباید جایگزین تفکر و تصمیم‌گیری استراتژیک انسان شود. تعیین مسئله، طراحی راه‌حل‌ها و استدلال پشت کدنویسی باید توسط تحلیلگر انجام گیرد. هوش مصنوعی ابزاری قدرتمند برای انجام اصطلاحاً «کارهای گل» یا کارهای تکراری است و ارزش یادگیری کمی دارند. با افزایش توانایی هوش مصنوعی در تحلیل، سرمایه‌گذاری شرکت‌ها بر داده قابل اعتماد و دردسترس افزایش می‌یابد.

———————————————–

پانویس‌ها

[1] Financial technology (FinTech)

[2] Know your customer/client

[3] Onboarding

[4] Extract, Transfer , Load

The post مسیر شغلی تحلیل داده به روایت احسان امیرزاده appeared first on مدرسه پردازش و تحلیل داده دقیقه.

آشنایی با مسیر شغلی تحلیل داده و مهندسی داده؛ و آینده آن‌ها در دوره رشد هوش مصنوعی | حسام محمدحسینی

دقیقه — Wed, 30 Apr 2025 15:28:05 +0000

ویدئوی وبینار:

مشاهده و دریافت فایل ارائه

دانلود فایل PDF

تحلیلگر داده و مهندس داده دو موقعیت شغلی محبوب در یک دهه اخیر بوده‌اند و که با دسترسی هرچه بیشتر به داده‌ها نقش به‌سزایی در ارزش‌افرینی با بهره‌برداری از آن‌ها ایفا کرده‌اند. اما به نظر می‌رسد با برآمدن هوش مصنوعی مولد مانند ChatGPT، این دو موقعیت شغلی نیز تغییراتی را تجربه می‌کنند.
به عنوان نمونه و تا پیش از این، معمولا بخش زیادی از زمان یک مهندس داده صرف پالایش داده و اطمینان از کیفیت آن می‌شده، اما احتمالا این فرایند و بسیاری از وظایف زمان‌بر و پرتکرارِ شبیه به آن، به هوش مصنوعی مولد یا Agent ها واگذار می‌شوند. از طرف دیگر استفاده گسترده از انواع تکنولوژی‌ها و ابزارهای دیجیتال، هم سرعت تولید داده را بیشتر کرده است. به علاوه، هوش مصنوعی ها به طور کلی و هوش مصنوعی مولد هم نیازمند داده با کیفیت برای رشد و توسعه است.
این پویایی و دینامیسم احتمالا تقاضا برای تحلیل داده را افزایش خواهد داد و به همین خاطر بعید به نظر می‌رسد مشاغلی مانند تحلیلگر داده و مهندس داده با تهدید وجودی مواجه شوند. اما احتمالا نوع کارشان تفاوت‌های چشم‌گیری با گذشته خواهد داشت.
به عنوان نمونه، تحلیلگر و مهندس داده اگرچه با اصول کدنویسی صحیح آشنا هستند، اما بیشتر از آنکه کدنویسی کنند، پرامپت‌نویسی می‌کنند و باقی وقتشان را صرف امور سطح بالاتری مثل طراحی، نظارت و ارزیابی می‌کنند.

عناوین ارائه

تحولات بازار کار تحلیل داده و مهندسی داده با رشد هوش مصنوعی مولد
بهترین نقاط شروع برای ورود به بازار کار تحلیل داده و مهندسی داده
ابزارها، کتابخانه‌ها و دیگر مهارت‌های برنامه‌نویسی مورد نیاز
اهمیت پرامپت‌نویسی درست در تحلیل و مهندسی داده
نگاهی به وظایف تحلیلگر و مهندس داده
تحلیل تحولات آتی در مشاغل تحلیلگر و مهندس داده
پرسش و پاسخ

در پایان وبینار دوره «پردازش بهینه داده با کتابخانه‌های pandas و polars در پایتون» نیز به عنوان یک نقطه شروع برای یادگیری بخش مهمی از مهارت‌های مورد نیاز در حوزه‌های تحلیل و مهندسی داده به علاقه‌مندان معرفی خواهد شد و به سوالات شرکت‌کنندگان درباره دوره نیز پاسخ داده خواهد شد.

ارائه‌دهنده

حسام محمدحسینی

مدیر ارشد مهندسی داده و پلتفرم مدیریت ارزش مشتری (CVM) در ایرانسل، سابقه مدیریت محصول در پلتفرم کلان‌داده دیجیکالا
مدیر ارشد اسبق عملکرد شبکه در ایرانسل
کارشناسی ارشد مخابرات سیستم از دانشگاه تربیت مدرس

زمان برگزاری

~~یکشنبه ۱۴ اردیبهشت ۱۴۰۴ ساعت ۱۸:۳۰ تا ۱۹:۳۰~~

برگزار شده‌است.

محل برگزاری

گوگل‌میت

برگزارکننده

پردازش بهینه با pandas و polars

اگر به چالش پردازش داده‌های حجیم در پایتون برخورده‌ کرده‌اید، این دوره برای شماست.

اطلاعات بیشتر

دوره آموزشی

The post آشنایی با مسیر شغلی تحلیل داده و مهندسی داده؛ و آینده آن‌ها در دوره رشد هوش مصنوعی | حسام محمدحسینی appeared first on مدرسه پردازش و تحلیل داده دقیقه.

آشنایی با مسیرهای شغلی یادگیری ماشین و هوش مصنوعی | سعید مجیدی

دقیقه — Mon, 28 Apr 2025 12:34:37 +0000

ویدئوی وبینار

دنیای یادگیری ماشین و هوش مصنوعی در سال‌های اخیر به یکی از جذاب‌ترین و محبوب‌ترین حوزه‌های کاری تبدیل شده و تحولات سریع و گسترده‌ای را تجربه می‌کند. در این وبینار درباره مسیرهای شغلی مهندس یادگیری ماشین و مهندس هوش مصنوعی به بحث و گفتگو خواهد شد.

مشاهده و دریافت فایل ارائه

دانلود فایل PDF

عناوین وبینار

وضعیت بازار کار و فرصت‌های شغلی در جهان و ایران
مسیرهای ورود به بازار کار یادگیری ماشین و هوش مصنوعی
ابزارها، مهارت‌ها و زبان‌های برنامه‌نویسی مورد نیاز
پروژه‌های رایج در در شرکت‌ها و سازمانها
پرسش و پاسخ

در پایان وبینار دوره جامع و پروژه‌محور «یادگیری ماشین با پایتون» نیز به عنوان یک نقطه شروع برای یادگیری در حوزه یادگیری ماشین و هوش مصنوعی به علاقه‌مندان معرفی خواهد شد و به سوالات شرکت‌کنندگان درباره دوره نیز پاسخ داده خواهد شد.

ارائه‌دهنده

سعید مجیدی

متخصص یادگیری ماشین، پردازش زبان‌های طبیعی و مدل‌های زبانی بزرگ در گروه صنعتی انتخاب و شرکت پردازش و تحلیل داده دقیقه، دکترای علوم کامپیوتر با گرایش یادگیری ماشین و پردازش زبان از دانشگاه تافتس آمریکا

پردازش زبان‌های طبیعی و مدل‌های زبانی بزرگ با پایتون

گر می‌خواهید از قدرت هوش مصنوعی در تحلیل داده و تحقیقات خود بهره‌مند شوید، یادگیری ماشین مهم‌ترین چیزی است که به آن نیاز دارید.

اطلاعات بیشتر

دوره آموزشی

زمان برگزاری

جمعه ۱۲ اردیبهشت ۱۴۰۴، ساعت ۱۸:۳۰ تا ۱۹:۳۰

محل برگزاری

گوگل‌میت

برگزار شده‌است.

درخواست شرکت در وبینار

برای شرکت در وبینار کافیست فرایند ثبت نام را با کلیک روی گزینه زیر تکمیل کنید.

برگزارکننده

The post آشنایی با مسیرهای شغلی یادگیری ماشین و هوش مصنوعی | سعید مجیدی appeared first on مدرسه پردازش و تحلیل داده دقیقه.