Дата Сциентист

БраинСтатион-ов водич за каријеру Дата Сциентист може вам помоћи да направите прве кораке ка уносној каријери у науци о подацима. Читајте даље за преглед области науке о подацима, као и улоге Дата Сциентист.

Постаните Дата Сциентист

Разговарајте са саветником за учење да бисте сазнали више о томе како наши кампови и курсеви могу да вам помогну да постанете научник података.

Кликом на Пошаљи, прихватате наше Услови .

прихвати

Није могуће послати! Освежити страницу и покушати поново?

Сазнајте више о нашем кампу за обуку о науци о подацима

Хвала вам!

Ускоро ћемо бити у контакту.

Погледајте страницу Дата Сциенце Боотцамп

Шта је Дата Сциентист?

Научници за податке прикупљају, организују и анализирају велике скупове великих података – структурираних и неструктурираних података – да би креирали пословна решења и планове за компаније и друге организације засноване на подацима. Комбинујући смисао за математику, рачунарство и бизнис, научници података морају да поседују и техничке вештине за обраду и анализу великих података и пословну способност да открију корисне увиде скривене у тим подацима.

Дата Сциенце вс. Дата Мининг

Постоји неколико разлика између науке о подацима и рударења података. Погледајмо ближе:

Дата Сциенце

• То је широко поље које тежи да укључује машинско учење, вештачку интелигенцију, предиктивну каузалну аналитику и прескриптивну аналитику
• Бави се свим врстама података, укључујући и структуриране и неструктуриране податке
• Има за циљ да изгради производе оријентисане на податке и доноси одлуке засноване на подацима
• Фокусира се на научно проучавање података и образаца

Претрага података

• Представља подскуп науке о подацима који укључује чишћење података, статистичку анализу и препознавање образаца, а понекад укључује визуелизацију података, машинско учење и трансформацију података
• Бави се првенствено структурираним подацима, а не неструктурираним подацима
• Има за циљ да преузме податке из различитих извора и учини их употребљивим
• Фокусира се на пословну праксу

Шта ради научник података?

Дата Сциентист анализира велике скупове података да би открио обрасце и трендове који воде до практичних пословних увида и помажу организацијама да реше компликоване проблеме или идентификују прилике за приход и раст. Дата Сциентист може да ради у практично свакој области и мора бити вешт у руковању структурираним и неструктурираним скуповима података. То је мултидисциплинаран посао и да бисте постали научник за податке, морате имати разумевање математике, рачунарства, пословања и комуникације да бисте ефикасно обављали свој посао.

Иако ће се специфични послови и одговорности стручњака за податке у великој мери разликовати у зависности од индустрије, позиције и организације, већина улога Дата Сциентист-а ће укључивати следеће области одговорности:

Истраживања

Дата Сциентист треба да разуме могућности и болне тачке специфичне за индустрију и појединачну компанију.

Припрема података

Пре него што се дођу до било каквих вредних увида, Дата Сциентист мора да дефинише који скупови података су корисни и релевантни пре прикупљања, издвајања, чишћења и примене структурираних и неструктурираних података из различитих извора.

Креирање модела и алгоритама

Користећи принципе машинског учења и вештачке интелигенције, Дата Сциентист мора бити способан да креира и примени алгоритме неопходне за имплементацију алата за аутоматизацију.

Анализа података

За стручњака за податке је важно да буде у стању да брзо анализира своје податке како би идентификовао обрасце, трендове и могућности.

Визуелизација и комуникација

Научник за податке мора бити у стању да исприча приче откривене путем података креирањем и организовањем естетски привлачних контролних табли и визуелизација, док такође поседује комуникацијске вештине да убеди заинтересоване стране и друге чланове тима да су налази у подацима вредни деловања.

Најновија БраинСтатион-ова анкета о дигиталним вештинама показала је да професионалци за податке проводе већину свог времена на препирку и чишћење података. Испитаници су такође закључили да је циљ њиховог рада најчешће оптимизација постојеће платформе, производа или система (45 одсто), или развој нових (42 одсто).

Врсте науке о подацима

Шире поље науке о подацима укључује много различитих дисциплина, укључујући:

Инжењеринг података

Дизајнирање, изградња, оптимизација, одржавање и управљање инфраструктуром која подржава податке као и проток података у целој организацији.

Припрема података

Чишћење и трансформација података.

Претрага података

Екстраховање (и понекад чишћење и трансформација) употребљивих података из већег скупа података.

Предиктивна аналитика

Коришћење података, алгоритама и техника машинског учења за анализу вероватноће различитих могућих будућих исхода на основу анализе података.

Машинско учење

Аутоматизација изградње аналитичког модела у процесу анализе података ради учења из података, откривања образаца и оснаживања система за доношење одлука без велике људске интервенције.

Визуелизација података

Коришћење визуелних елемената (укључујући графиконе, мапе и графиконе) за илустровање увида пронађених у подацима на приступачан начин како би публика могла да разуме трендове, одступања и обрасце пронађене у подацима.

Предности науке о подацима

Компаније у свим индустријама у свим деловима света посвећују све више новца, времена и пажње науци о подацима и желе да додају Дата Сциентист свом тиму. Истраживања показују да су компаније које заиста прихватају доношење одлука засновано на подацима продуктивније, профитабилније и ефикасније од конкуренције.

Наука о подацима је кључна за помоћ организацијама да идентификују праве проблеме и прилике, док истовремено помажу да се формира јасна слика понашања и потреба купаца и клијената, перформанси запослених и производа и потенцијалних будућих проблема.

Наука о подацима може помоћи компанијама:

• Доносите боље одлуке
• Сазнајте више о клијентима и клијентима
• Искористите трендове
• Предвидите будућност

Како наука о подацима може побољшати вредност компаније?

Наука о подацима је све популарнија инвестиција за предузећа јер је потенцијални повраћај улагања на откључавање вредности великих података огроман. Наука о подацима је вредна инвестиција јер:

Уклања нагађање и пружа корисне увиде.Компаније доносе боље одлуке засноване на подацима и доказима који се могу мерити.Компаније боље разумеју своје место на тржишту.Наука о подацима ће помоћи компанијама да анализирају конкуренцију, истраже историјске примере и дају препоруке засноване на бројевима.Може се искористити за идентификацију врхунских талената.У великим подацима се крије много увида о продуктивности, ефикасности запослених и укупном учинку. Подаци се такође могу користити за регрутовање и обуку талената.Сазнаћете све о својој циљној публици, клијенту или потрошачу.Сви сада генеришу и прикупљају податке, а компаније које не улажу правилно у науку о подацима једноставно прикупљају више података него што знају шта да раде. Увид у понашање, приоритете и преференције прошлих или потенцијалних купаца или клијената је непроцењив и они једноставно чекају да квалификовани научник за податке открије.

Плате за Дата Сциентистс

Док се плате за научнике података увелико разликују у зависности од региона и индустрије, просечна плата за научника података у САД је пријављена од 96.000 до 113.000 долара, у зависности од извора. Виши научник података може у просеку донети око 130.000 долара.

Потражња за научницима података

Научници података су у великој потражњи и недостатку у готово свим индустријама. Извештај Делоитте Аццесс Ецономицс-а открио је да 76 одсто предузећа планира да повећа потрошњу у наредним годинама на могућности анализе података, док је ИБМ предвидео пораст потражње за науком о подацима од 28 процената почетком деценије.

Амерички биро за статистику рада предвиђа раст науке о подацима од 31 одсто у наредних 10 година. У међувремену, Извештај о тржиштима и тржиштима открио је да се предвиђа да ће глобално тржиште великих података порасти на 229,4 милијарде долара до 2025. године, док ће платформа за науку података порасти за 30 одсто до 2024. године.

Чини се да се свуда у свету очекује пораст инвестиција у науку о подацима, а са тим и потражња за научницима података.

Које алате користе научници података?

Научници података користе низ различитих алата и програма за активности, укључујући анализу података, чишћење података и креирање визуализација.

Питхон је најбољи програмски језик за научнике података који су анкетирани у БраинСтатион Дигитал Скиллс Сурвеи. Програмски језик опште намене, Питхон је користан за апликације за обраду националних језика и анализу података. Р се такође често користи за анализу података и рударење података. За веће мерење бројева популарни су алати засновани на Хадооп-у као што је Хиве. За машинско учење, научници података могу да бирају између широког спектра алата укључујући х2о.аи, ТенсорФлов, Апацхе Махоут и Аццорд.Нет. Алати за визуелизацију су такође важан део арсенала Дата Сциентист-а. Програми као што су Таблеау, ПоверБИ, Бокех, Плотли и Инфограм помажу Дата Сциентистс да креирају визуелно привлачне дијаграме, топлотне мапе, графике, дијаграме расејања и још много тога.

Научници за податке би такође требало да буду изузетно задовољни и СКЛ-ом (који се користи на низу платформи, укључујући МиСКЛ, Мицрософт СКЛ и Орацле) и програмима за табеларне прорачуне (обично Екцел).

Које вештине су потребне научницима за податке?

Постоје бројне вештине које би сви амбициозни научници података требало да развију, укључујући:

Екцел.Алат који се најчешће користи за 66 одсто стручњака за податке који су анкетирани у БраинСтатион анкети о дигиталним вештинама, Екцел је и даље кључан за научнике података.СКЛ.Овај језик упита је неопходан у управљању базом података и користи га отприлике половина испитаника.Статистичко програмирање.Питхон и Р обично користе Дата Сциентистс за покретање тестова, креирање модела и спровођење анализа великих скупова података.Визуелизација података.Алати као што су Таблеау, Плотли, Бокех, ПоверБл и Матплотлиб помажу Дата Сциентистима да креирају убедљиве и приступачне визуелне представе својих налаза.

Каријера дата Сциентист-а

Као релативно нова професија, каријера Дата Сциентист-а није записана у камену, а многи људи проналазе пут до науке о подацима из позадина у рачунарству, ИТ-у, математици и бизнису. Али четири главне осе за каријеру стручњака за податке су генерално подаци, инжењеринг, посао и производ. Многе мултидисциплинарне улоге у науци о подацима захтевају савладавање неколико или свих тих области.

Људи који раде у науци о подацима су на самом челу технолошких промена које ће највише утицати на будућност. Пошто наука о подацима може да допринесе напретку у практично свим другим областима, научници података су у позицији да даље истражују у свему, од финансија и трговине до актуарске статистике, зелене енергије, епидемиологије, медицине и фармације, телекомуникација – листа је практично бесконачна. Свака индустрија преноси своје различите врсте података, користећи их на различите начине за постизање различитих циљева. Где год да се то деси, научници података могу да усмере боље доношење одлука, било да се ради о развоју производа, анализи тржишта, управљању односима са клијентима, људским ресурсима или нечему сасвим другом.

Не само да су апликације за науку о подацима широке и дотичу много различитих сектора, већ постоје и различите врсте науке о подацима. Оно што је заједничко свим овим активностима је да све оне покушавају да податке претворе у знање. Тачније, научници података користе методички приступ да организују и анализирају необрађене податке како би идентификовали обрасце из којих се корисне информације могу идентификовати или закључити.

С обзиром на обим њиховог утицаја, није ни чудо што научници података заузимају позиције које су веома утицајне - и веома тражене. Иако пут ка томе да постанете научник података може бити захтеван, сада постоји више ресурса за амбициозне научнике података него икада, и више могућности за њих да изграде каријеру какву желе.

Али за све начине на које научници података могу да допринесу различитим индустријама, и све различите путеве каријере које Дата Сциентист може да прати, врсте посла које обављају могу се поделити у неколико главних категорија. Не уклапају се све науке о подацима добро у ове групе, посебно на челу рачунарске науке, где се непрестано разбијају нови терени – али ће вам дати неку идеју о начинима на које научници података претварају податке у увид.

Статистика

У срцу науке о подацима, статистика је област математике која описује различите карактеристике скупа података, било да су то бројеви, речи, слике или нека друга врста мерљивих информација. Велики део статистике је концентрисан на једноставно идентификовање и описивање онога што постоји – посебно са веома великим скуповима података, само сазнање шта информације чине, а шта не укључују је задатак за себе. У области науке о подацима, ово се често назива дескриптивна аналитика. Али статистика може ићи још даље, тестирајући да ли су ваше претпоставке о ономе што се налази у подацима тачне, или, ако су тачне, да ли су значајне или корисне. Ово може укључивати не само испитивање података, већ и манипулисање њима како би се извукле њихове истакнуте карактеристике. Постоји много различитих начина да се то уради – линеарна регресија, логистичка регресија и дискриминантна анализа, различите методе узорковања и тако даље – али на крају, свака од ових техника се односи на разумевање карактеристика скупа података и колико су тачне ове карактеристике одражавају неку смислену истину о свету коме одговарају.

Анализа података

Иако је изграђена на темељима статистике, анализа података иде мало даље, у смислу разумевања узрочности, визуелизације и преношења налаза другима. Ако статистика има за циљ да дефинише шта и када скупа података, анализа података покушава да идентификује зашто и како. Аналитичари података то раде тако што чисте податке, сумирају их, трансформишу их, моделирају и тестирају. Као што је горе поменуто, ова анализа није ограничена само на бројеве. Иако већина анализа података користи нумеричке податке, такође је могуће спровести анализу и на другим врстама података – писаним повратним информацијама купаца, на пример, или објавама на друштвеним медијима, или чак сликама, аудио и видео записима.

Један од главних циљева аналитичара података је разумевање узрочности, која се затим може користити за разумевање и предвиђање трендова у широком спектру апликација. У дијагностичкој анализи, аналитичари података траже корелације које сугеришу узрок и последицу, а тај увид се може користити за модификовање исхода. Предиктивна анализа на сличан начин тражи обрасце, али их затим даље проширује, екстраполирајући њихове путање изван познатих података да би помогла у предвиђању како би се неизмерени или хипотетички догађаји – укључујући будуће догађаје – могли одиграти. Најнапреднији облици анализе података имају за циљ да обезбеде смернице за специфичне одлуке моделирањем и предвиђањем исхода различитих избора како би се идентификовао најприкладнији правац деловања.

Вештачка интелигенција и машинско учење

Један од великих напретка који се тренутно дешава у науци о подацима – и који је спреман да изврши огроман утицај у будућности – је вештачка интелигенција, и тачније, машинско учење. Укратко, машинско учење укључује обуку рачунара за обављање задатака за које обично сматрамо да захтевају неки облик интелигенције или расуђивања, као што је могућност да идентификујемо објекте на фотографији. Ово се обично постиже тако што му се дају обилни примери врсте одлучности за коју обучавате мрежу. Као што можете замислити, ово захтева и гомиле (обично структурираних) података и способност да се рачунар натера да схвати те податке. Јаке вештине статистике и вештине програмирања су неопходне.

Корисни ефекти машинског учења су практично неограничени, али прво и најважније је способност обављања сложених или дуготрајних задатака брже него што би било који човек икада могао, као што је идентификација специфичног отиска прста из складишта милиона слика или унакрсно референцирање десетине варијабли у хиљадама медицинских досијеа да би се идентификовале асоцијације које би могле понудити назнаке о томе шта узрокује болест. Са довољно података, стручњаци за машинско учење могу чак и да обуче неуронске мреже да производе оригиналне слике, извлаче значајне увиде из масивног писаног текста, да предвиђају будуће трендове потрошње или друге тржишне догађаје и доделе ресурсе који зависе од веома сложене дистрибуције, попут енергије , са максималном ефикасношћу. Предност коришћења машинског учења за обављање ових задатака, за разлику од других облика аутоматизације, је у томе што ненадгледани А.И. систем може аутоматски да учи и да се побољшава током времена – чак и без новог програмирања.

Пословна интелигенција

Као што сте могли да претпоставите из ранијег позивања на догађаје на тржишту, свет пословања и финансија једно је од места на које је машинско учење извршило један од својих најранијих и најдубљих утицаја. Захваљујући огромној количини доступних нумеричких података – маркетиншке базе података, анкете, банкарске информације, подаци о продаји и тако даље, од којих је већина високо организована и релативно лака за рад – научници података могу да користе статистику, анализу података и машинско учење за добијање увида у безброј аспеката пословног света, усмеравајући доношење одлука и оптимизујући резултате, до те мере да је пословна интелигенција постала област науке о подацима за себе.

Често програмери пословне интелигенције не гледају једноставно све податке који су доступни да би видели шта могу да открију; они проактивно спроводе прикупљање података и развијају технике и производе како би одговорили на одређена питања и постигли одређене циљеве. У том смислу, програмери и аналитичари пословне интелигенције су кључни за стратешки развој у свету пословања и финансија – помажу руководству да доноси боље одлуке и доноси их брже, разуме тржиште да идентификује пословне могућности и изазове и побољша укупну ефикасност пословања. системи и рад предузећа, а све са свеобухватним циљем постизања конкурентске предности и повећања профита.

Инжењеринг података

Коначна главна област студија у којој научници података често раде обухвата читав низ различитих назива послова – инжењер података, архитекта система, архитекта апликација, архитекта података, архитекта предузећа или архитекта инфраструктуре, да споменемо само неке. Свака од ових улога има свој скуп одговорности, при чему неке развијају софтвер, друге дизајнирају ИТ системе, а треће усклађују унутрашњу структуру и процесе компаније са технологијом коју користи за спровођење својих пословних стратегија. Оно што их све повезује је да научници података који раде у овој области примењују податке и информациону технологију за креирање или побољшање система са специфичном функцијом на уму.

Архитекта апликација, на пример, посматра како предузеће или друго предузеће користи специфична технолошка решења, затим дизајнира и развија апликације (укључујући софтвер или ИТ инфраструктуру) за побољшане перформансе. Архитекта података на сличан начин развија апликације – у овом случају, решења за складиштење, администрацију и анализу података. Архитекта инфраструктуре може да развије свеобухватна решења која компанија користи за свакодневно пословање како би осигурала да та решења испуњавају системске захтеве компаније, било да је то ван мреже или у облаку. Инжењери података се, са своје стране, фокусирају на обраду података, осмишљавање и имплементацију цевовода података који прикупљају, организују, чувају, преузимају и обрађују податке организације. Другим речима, дефинишућа карактеристика ове широке категорије науке о подацима је да она укључује пројектовање и изградњу ствари: система, структура и процеса помоћу којих се спроводи наука о подацима.

Који су послови у науци о подацима најтраженији?

Наука о подацима уопштено је веома тражена вештина, тако да постоји много могућности које се могу наћи у свакој области и специјалности ове области. У ствари, 2019. ЛинкедИн је навео Дата Сциентист као посао који највише обећава у години, а КуантХуб је предвидео акутни недостатак квалификованих научника за податке у наредној години.

Кључна реч овде је квалификована. Често су технички захтеви које Дата Сциентист мора да испуни толико специфични да може потрајати неколико година искуства рада у индустрији да би се изградио потребан опсег компетенција, почевши као генералиста, а затим полако додајући све више и више склоности и способности у њихов скуп вештина.

Ово су само неки од најчешћих начина на које научници података могу то да ураде – постоји онолико потенцијалних каријера колико и научника података, али у сваком случају, напредак у каријери зависи од стицања нових вештина и искуства током времена.

Аналитичар података

Као што име сугерише, аналитичари података анализирају податке – али тај кратки наслов обухвата само мали део онога што аналитичари података заправо могу да постигну. Као прво, подаци ретко почињу у облику који је једноставан за коришћење, и обично су аналитичари података ти који су одговорни за идентификацију врсте података који су потребни, њихово прикупљање и састављање, а затим чишћење и организовање – претварање у више података. употребљив облик, одређивање шта скуп података заправо садржи, уклањање оштећених података и процена њихове тачности. Затим, ту је и сама анализа – коришћењем различитих техника за испитивање и моделирање података, тражење образаца, издвајање значења из тих образаца и екстраполирање или моделирање. Коначно, аналитичари података стављају своје увиде на располагање другима тако што представљају податке на контролној табли или бази података којој други људи могу да приступе и саопштавају своје налазе другима путем презентација, писаних докумената и графикона, графикона и других визуелизација.

Каријера аналитичара података

Дата Аналист је одлична улазна тачка у свет науке о подацима; то може бити позиција на почетном нивоу, у зависности од потребног нивоа стручности. Нови аналитичари података обично улазе у ову област одмах након школе – са дипломом из статистике, математике, рачунарства или слично – или прелазе на анализу података из сродне области као што су бизнис, економија или чак друштвене науке, обично надоградњом својих вештине у средини каријере кроз боотцамп анализе података или сличан програм сертификације.

Али било да су недавно дипломирани или искусни професионалци који праве промену у каријери, нови научници података обично почињу обављањем рутинских задатака као што су прикупљање и манипулација подацима помоћу језика као што су Р или СКЛ, изградња база података, обављање основне анализе и генерисање визуелизације помоћу програма као што је Таблеау. Неће сваки аналитичар података морати да зна како да ради све ове ствари – може постојати специјализација, чак и на млађој позицији – али требало би да будете у могућности да обављате све ове задатке ако се надате да ћете напредовати у каријери. Флексибилност је велика предност у овој раној фази.

Како напредујете као аналитичар података зависи у одређеној мери од индустрије у којој радите – маркетинга, на пример, или финансија. У зависности од сектора и врсте посла који обављате, можете изабрати да се специјализујете за програмирање у Питхон-у или Р-у, да постанете професионалац у чишћењу података или да се концентришете искључиво на изградњу сложених статистичких модела или генерисање прелепих визуелних приказа; с друге стране, такође можете одлучити да научите понешто о свему, што ће вас поставити да преузмете лидерску позицију док преузимате титулу вишег аналитичара података. Са довољно широким и дубоким искуством, виши аналитичар података је спреман да преузме водећу улогу надгледајући тим других аналитичара података, да би на крају постао менаџер одељења или директор. Уз додатну обуку за вештине, аналитичари података су такође у јакој позицији да пређу на напреднију позицију Дата Сциентист.

Дата Сциентист

Сами научници података обично могу да раде све оно што аналитичари података могу да ураде, плус још неколико ствари – у ствари, уз одговарајућу обуку и искуство, аналитичар података може на крају напредовати до позиције Дата Сциентист. Дакле, да, научници података би требало да буду у стању да прибављају, чисте, манипулишу, складиште и анализирају податке – али и да разумеју и раде са различитим методама машинског учења, и да буду у стању да програмирају на Питхон, Р или сличном статистичком програмском језику за изградити и проценити напредније моделе.

Каријера Дата Сциентист-а

Многи људи улазе у ову област као аналитичари података пре него што стекну искуство и додатне вештине потребне да би себе назвали научницима података. Затим, од Јуниор Дата Сциентист-а, следећи корак је типично Сениор Дата Сциентист – иако та једноставна промена у наслову пориче рад који је потребан да се изврши та транзиција; Сениор Дата Сциентист ће или имати супериорно разумевање практично свих аспеката науке о подацима – АИ, складиштења података, рударења података, рачунарства у облаку, и тако даље – поред њиховог познавања области специфичних за индустрију као што су пословна стратегија или аналитика здравствене заштите , или ће се специјализовати у једној од ових области са експертизом на нивоу гуруа.

Вреди напоменути да док неки научници података започињу своју каријеру у аналитици и напредују до виших позиција у специјализованим областима као што су психологија, маркетинг, економија и тако даље, други почињу као професионалци у једној од тих различитих области пре него што пређу у податке. научна улога.

За многе, виши научник података је крајњи циљ каријере; ово је већ толико напредна улога да се, барем у области науке о подацима, често ради о највишој позицији која се може постићи – једноставно постајете бољи, способнији виши научник података са већим областима специјализације. За неке, међутим, посебно оне који имају општији приступ, могуће је додатно напредовати на менаџерској позицији као што је водећи научник за податке, који води тим или одељење, или чак главни службеник за податке, који води стратегију података институције на највишем нивоу и одговара само генералном директору.

Дата Енгинеер

Оно што разликује инжењере података од других професионалаца који раде у области података јесте чињеница да они дизајнирају и граде читаве системе – укључујући инфраструктуру и процесе које компанија користи да би максимално искористила те податке. То јест, инжењери података су људи који одређују начине на које други научници података могу да раде свој посао. Које облике података може да прихвати систем компаније? Које методе се користе за прикупљање података из продаје и маркетинга, или резултата анкете о здравственој заштити, и стављање на располагање за анализу? Да би то урадили, инжењери података морају да буду веома упознати са врстама посла које обављају други професионалци у области науке о подацима – администратори база података, аналитичари података, архитекти података и тако даље – до те мере да инжењери података често могу обављати сваку од ових улога као добро. Али пошто су они градитељи, инжењери података обично проводе више времена радећи на развоју од других професионалаца у области науке о подацима – пишу софтверске програме, праве релационе базе података или развијају алате који омогућавају компанијама да деле податке између одељења.

Каријера инжењера података

Као и други послови који се баве подацима, први корак да постанете инжењер података често је универзитетска диплома (обично дипломирани или мастер инжењер, рачунарство или математика) – али не увек. Неко са доста искуства у раду у ИТ или развоју софтвера може открити да већ има све потребне вештине да постане инжењер података осим самих вештина података, у ком случају неке преквалификације, као што је обука за обуку података, могу помоћи да их стекну до брзине. Многе вештине које су потребне инжењеру података (као што су СКЛ, УНИКС и Линук, развој ЕТЛ-а или конфигурисање ИТ система) могу се развити радом у суседној области; други (попут машинског учења или изградње цевовода података) ће захтевати фокусираније учење.

Имајући то у виду, већина инжењера података започиње своју каријеру радећи у неком подобласти рачунарства пре него што стекне све вештине које су потребне да постану млађи инжењер података – заиста, већина огласа за посао млађих инжењера података захтева између једне и пет година радног искуства. Одатле, следећи логичан корак је виши инжењер података и водећи инжењер података. Али, са њиховим познавањем многих аспеката ИТ-а, софтверског инжењеринга и науке о подацима, постоји много других позиција отворених и за инжењере података – укључујући архитекту података, архитекту решења или архитекту апликација. За некога ко жели да ради мање практичног посла и више управљања запосленима, друге опције укључују менаџера за развој производа – или, на крају, с обзиром на праве вештине људи, чак и главног директора за податке или главног службеника за информације.

Да ли научници података могу да раде од куће?

Као и многи послови у области технологије, улоге Дата Сциентист-а се често могу обављати на даљину — али то на крају зависи од компаније у којој радите и врсте посла који обављате.

Када научници података могу да раде на даљину?

Позиције у области науке о подацима које раде са веома осетљивим или поверљивим подацима и информацијама (што укључује велики број њих, чак и изван области које су тешке за приватност као што су банкарство и здравство, пошто власнички подаци могу бити једна од највреднијих средстава велике компаније) откриће да суочавају се са много више ограничења у погледу рада на даљину. У овим случајевима, вероватно ћете морати да радите у канцеларији током радног времена.

Неки други фактори које треба узети у обзир:

• Колико је ваша компанија традиционална. Веће, старије компаније обично нису тако погодне за даљинско управљање—иако је ЦОВИД можда донео велике промене у овој области.
• Колико лако можете да радите са другим саиграчима и одељењима на даљину. Ако је ваш посао веома сараднички, вероватније је да ћете морати да се појавите лично.
• Научници података који раде по уговору — или чак на консултантској основи — такође могу имати већу флексибилност при избору сопствене локације.