วิธีล้มเหลวในฐานะนักวิทยาศาสตร์ข้อมูล: 3 ข้อผิดพลาดทั่วไป

คำถามยอดฮิต 5 ข้อที่นักวิทยาศาสตร์ด้านข้อมูลควรตอบ Tom Merritt ถามคำถามห้าข้อที่นักวิทยาศาสตร์ข้อมูลทุกคนควรมีคำตอบ

เพิ่มเติมเกี่ยวกับ Big Data

  • การจัดการข้อมูล: ชีตชีต
  • วิธีรวมระบบอัตโนมัติของกระบวนการหุ่นยนต์ในโครงการข้อมูลขนาดใหญ่
  • โปรแกรมเมอร์ Hadley Wickham พูดถึงความหลากหลายของชุมชน R
  • วิธีเลือกเครื่องมือวิเคราะห์ข้อมูลที่ถูกต้อง: 5 ขั้นตอน

นักวิทยาศาสตร์ด้านข้อมูลมีหน้าที่รับผิดชอบในการจัดระเบียบและวิเคราะห์ข้อมูลสำหรับธุรกิจ ด้วย บริษัท ที่สร้างข้อมูลมากขึ้นกว่าเดิมผู้เชี่ยวชาญเหล่านี้เป็นที่ต้องการสูงวางอันดับแรกในรายการงานที่ดีที่สุดในอเมริกาของ Glassdoor ตลอดสี่ปีที่ผ่านมา

วิธีสร้างอาชีพนักวิทยาศาสตร์ข้อมูลที่ประสบความสำเร็จ (PDF ฟรี)

ผู้ที่ทำงานด้านวิทยาศาสตร์ข้อมูลคุ้นเคยกับการวิเคราะห์ข้อมูลขนาดใหญ่การเรียนรู้ของเครื่องภาษาการเขียนรหัสอัลกอริทึมและการประเมินปัญหารายงาน Alison DeNisco Rayome ของ TechRepublic อย่างไรก็ตามทักษะทางเทคนิคเพียงอย่างเดียวจะไม่ตัด

การสื่อสารการทำงานร่วมกันและการเรียนรู้อย่างต่อเนื่องเป็นองค์ประกอบที่จำเป็นสำหรับความสำเร็จในด้านวิทยาศาสตร์ข้อมูล หากไม่มีทั้งทักษะด้านเทคนิคและความสัมพันธ์ระหว่างบุคคลนักวิทยาศาสตร์ด้านข้อมูลจะถูกปล่อยออกไปและแทนที่ได้อย่างง่ายดายเมื่อตัวเลขเพิ่มขึ้น

“ การเป็นนักวิทยาศาสตร์ด้านข้อมูลที่ประสบความสำเร็จจำเป็นต้องมีความเชี่ยวชาญด้านเทคนิคการคิดขั้นสูงและการแก้ปัญหาที่เลวร้าย” โรเจอร์ยาร์โบรว์หัวหน้าและผู้ก่อตั้ง บริษัท ที่ปรึกษาด้านการตลาด Stratistry กล่าว "เนื่องจากความสามารถที่หลากหลายนี้ไม่จำเป็นต้องเป็นส่วนหนึ่งของหลักสูตรวิทยาลัยมาตรฐานคุณจะพบนักวิทยาศาสตร์ด้านข้อมูลจำนวนมากที่ไม่มีประสบการณ์โลกแห่งความจำเป็นที่จะเข้าใจถึงข้อผิดพลาดที่อาจเกิดขึ้นที่คุณสามารถพบได้เมื่อทำงานกับข้อมูล"

นักวิทยาศาสตร์ข้อมูลสามารถยอมแพ้ต่อข้อผิดพลาดมากมายเช่นเดียวกับอาชีพใด ๆ นี่คือความผิดพลาดที่ใหญ่ที่สุดของข้อมูลที่นักวิทยาศาสตร์ทำซึ่งทำให้พวกเขาล้มเหลวในที่สุด:

1. มุ่งเน้นไปที่การแก้ปัญหาเท่านั้น

นักวิทยาศาสตร์ด้านข้อมูลถูกเรียกตัวเข้ามาเพื่อแก้ปัญหาทางธุรกิจเช่นเดียวกับการใช้งานการวิเคราะห์ Ganes Kesari หัวหน้าฝ่ายวิเคราะห์ของ Gramener กล่าว "นี่คือจอกศักดิ์สิทธิ์ของวิทยาศาสตร์ข้อมูล" Kesari กล่าว "เราต้องการวางกรอบคำถามทางธุรกิจที่ถูกต้องและพัฒนาลำดับขั้นตอนในการแก้ปัญหา แต่นี่คือสิ่งที่นักวิทยาศาสตร์ด้านข้อมูลส่วนใหญ่สะดุด"

การมุ่งเน้นไปที่วิธีการแก้ปัญหาเพียงอย่างเดียวสามารถสร้างปัญหาไปพร้อมกัน นักวิทยาศาสตร์ด้านข้อมูลต้องจำบริบทที่ปัญหาถูกโพสต์ Keith Williams นักวิทยาศาสตร์ด้านข้อมูลของ Red Ventures กล่าว

“ คุณต้องเข้าใจว่าระบบเหล่านั้นทำงานอย่างไรและพวกเขามีปฏิสัมพันธ์อย่างไรกับโซลูชั่น” เขากล่าว "ความล้มเหลวในการทำสิ่งที่ถูกต้องตามกฎหมายนี้มักจะปรากฏเป็นบั๊กดาวน์สตรีมทำให้คุณถือกระเป๋าด้วยความคิดที่คลุมเครือว่าเกิดอะไรผิดปกติและเกิดขึ้นที่ไหน"

2. ลืมพื้นฐาน

ในขณะที่การทำความเข้าใจว่าปัญญาประดิษฐ์ (AI) และระบบการเรียนรู้ด้วยเครื่องจักรนั้นมีความสำคัญต่ออาชีพด้านข้อมูลศาสตร์ผู้เชี่ยวชาญเหล่านี้มักมองข้ามพื้นฐาน

"ผู้สมัครต้องอวดความแม่นยำ 90% ของแบบจำลอง AI ในโครงการ แต่มันเป็นโศกนาฏกรรมเมื่อพวกเขาพยายามอธิบายว่า p-value คืออะไรหรือจะใช้ excel เพื่อดึงรูปแบบง่าย ๆ ออกจากข้อมูลได้อย่างไร" Kesari กล่าว "นักวิทยาศาสตร์ด้านข้อมูลที่มีทักษะการสร้างแบบจำลองโดยไม่มีปัจจัยพื้นฐานเป็นเหมือนนักบินที่สามารถบินเครื่องบินโดยไม่ทราบว่าคนขับรถแข่งหมายถึงอะไร"

"เครื่องมืออย่างง่ายเช่นการถดถอยเชิงเส้นจริง ๆ แล้วค่อนข้างทรงพลังเมื่อจับคู่กับข้อมูลที่ได้รับการดูแลอย่างดีและรวมเข้ากับระบบที่เอาต์พุตสามารถทำงานได้" วิลเลียมส์กล่าวเสริม นักวิทยาศาสตร์ด้านข้อมูลออพติไมม์จะพยายามใช้เครือข่ายประสาทล้ำลึกล่าสุดกับปัญหาของพวกเขาเพียงเพื่อจะพบว่ากระบวนการต้นน้ำบางอย่างจำเป็นต้องได้รับการแก้ไขก่อนที่จะเกิดสิ่งอื่นใดขึ้นได้โดยใช้วิธีแก้ปัญหาอย่างง่ายก่อน โดยไม่ต้องเผาความน่าเชื่อถือ "

3. การสื่อสารที่ไม่มีประสิทธิภาพ

การค้นพบผลลัพธ์การวิเคราะห์เป็นสิ่งสำคัญ แต่นักวิทยาศาสตร์ด้านข้อมูลที่ประสบความสำเร็จรู้วิธีการสื่อสารผลลัพธ์เหล่านั้นอย่างมีประสิทธิผล Kesari กล่าว

"ยูทิลิตี้ของผลลัพธ์การวิเคราะห์นั้นเป็นสัดส่วนโดยตรงกับการตัดสินใจที่สามารถนำมาใช้ประโยชน์ได้นักวิทยาศาสตร์ด้านข้อมูลคิดว่าผู้ใช้เข้าใจการวิเคราะห์" Kesari กล่าว "พวกเขาไม่ต้องใช้เวลาในการแปลผลลัพธ์เป็นรูปแบบที่ผู้ใช้สามารถทำได้การตีความทางธุรกิจและการสร้างภาพข้อมูลเป็นทักษะที่มีค่าซึ่งมักจะถูกกีดกัน"

นักวิทยาศาสตร์ด้านข้อมูลที่ดีที่สุดตระหนักถึงความผิดพลาดเหล่านี้และใช้มาตรการ จำกัด พวกเขา Yarbrough กล่าวและพวกเขาสามารถทำเช่นนี้ได้เพราะพวกเขามีทักษะด้านเทคนิคและความสัมพันธ์ระหว่างบุคคล

“ สิ่งหนึ่งที่ต้องทำความเข้าใจและนำแนวคิดมาใช้ในสภาพแวดล้อมทางวิชาการเป็นอีกสิ่งหนึ่งที่ต้องทำในโลกแห่งความจริงด้วยแรงกดดันทั้งหมด” Yarbrough กล่าว "ผู้ที่ทำงานอย่างหนักเพื่อปกป้องความถูกต้องของข้อมูลและทำตามขั้นตอนที่ถูกต้องเพื่อให้แน่ใจว่าความถูกต้องของข้อมูลจะพบว่างานของพวกเขามีคุณค่าทั้งต่อตนเองและผู้ที่ต้องพึ่งพาข้อมูลเช่นกัน"

สำหรับข้อมูลเพิ่มเติมให้ตรวจสอบวิธีทำให้ทักษะนักวิทยาศาสตร์ข้อมูลของคุณทันสมัยอยู่เสมอ: 3 เคล็ดลับใน TechRepublic

ข้อมูล, Analytics และจดหมายข่าวของ AI

รับเคล็ดลับจากผู้เชี่ยวชาญเกี่ยวกับการเรียนรู้พื้นฐานของการวิเคราะห์ข้อมูลขนาดใหญ่และติดตามพัฒนาการล่าสุดของปัญญาประดิษฐ์ จัดส่งวันจันทร์

สมัครวันนี้

ยังดู

  • วิธีที่จะเป็นนักวิทยาศาสตร์ข้อมูล: แผ่นโกง (TechRepublic)
  • 60 วิธีในการรับประโยชน์สูงสุดจากข้อมูลขนาดใหญ่ของคุณ (PDF ฟรี) (TechRepublic)
  • การเปรียบเทียบคุณสมบัติ: ซอฟต์แวร์การวิเคราะห์ข้อมูลและบริการ (TechRepublic Premium)
  • ปริมาตรความเร็วและความหลากหลาย: ทำความเข้าใจกับข้อมูลขนาดใหญ่สาม V (ZDNet)
  • สุดยอดบริการคลาวด์สำหรับธุรกิจขนาดเล็ก (CNET)
  • ข้อมูลขนาดใหญ่: พื้นที่ที่ต้องอ่านเพิ่มเติม (TechRepublic บน Flipboard)
ภาพ: iStockphoto / Peshkova

© Copyright 2020 | mobilegn.com