Data Analyst 👉 Kompletny plan kariery

Ale ja postanowiłem Ci dać tutaj inne zakończenie ścieżki analitycznej. Wybacz, że wbijam się w temat. Chciałem tylko przypomnieć, że najlepsze kursy z analizy danych, z wszystkich najważniejszych technologii, takich jak Excel, SQL, Power Query, Power BI, Tableau, Python i wiele więcej znajdziesz na mojej stronie kajodata.com. Więc jeśli chcesz zmienić pracę albo poprawić swoje umiejętności, to zapraszam kajodata.com. Na Data Scientist'a można de facto przeskoczyć z wcześniejszych ról. Na Data Scientist'a można przeskoczyć, tylko musimy się to już bardzo postarać, z Middle Analityka. Jesteśmy w stanie to zrobić. Z Data Analyst'a jesteśmy w stanie przejść na Data Scientist'a.

Senior Analyst tym bardziej, tak? Analytics Engineer tym bardziej. I tutaj w jakimś sensie wracamy trochę do świata bardziej tematów niż środowiska. Bo zobacz, jeżeli sobie spojrzymy na typowe zadania, to co my tu mamy? Budowę modeli predykcyjnych. Forecasting, segmentacje klientów, systemy rekomendacyjne, scoring, testowanie hipotez i eksperymenty, feature engineering, przygotowywanie danych, wdrażanie modeli na produkcję. Mamy bardzo dużo narzędzi i jeżeli chodzi o te twarde kompetencje, to o tyle się przydaje doświadczenie analytics inżyniera, że data scientist też będzie bardzo często pracował na pipeline.

Bo ta ścieżka od przygotowania danych do wdrożonego modelu na produkcji To jest spora ścieżka. To jest naprawdę coś, co zajmuje sporo czasu w takim fizycznym sensie, tak byśmy powiedzieli, jako taką metaforę. Ale chodzi o to, że tam jest bardzo dużo różnego rodzaju elementów, a to oznacza, że trzeba użyć wielu technologii, żeby to wszystko się wydarzyło. I tutaj przydaje się nam doświadczenie Analytics Ingeniera, który, tak jak pamiętasz, już nie wchodził głęboko, tylko bardziej szeroko, jeśli chodzi o technologię. To jest myślę, że... Takie często niedoceniane, jak wiele narzędzi i technologii musi Data Scientist ogarnąć, bo nagle my naprawdę pracujemy nie tylko na Pythonie, tylko my ogarniamy cały deployment.

Jak mamy szczęście, to mamy jakiegoś MLOpsa albo DevOpsa, ale często nie mamy i sami musimy to wszystko robić od takiej inżynierii danych na wejściu, Przez pracę typowo data scientistową do na końcu niemalże analitycznej prezentacji i komunikacji wyników tego, jak nasz model działa. Dobrze by było, żeby nasza znajomość biznesu była tutaj na bardzo wysokim poziomie, no bo my nie robimy analiz w sensie tego, co się wydarzyło w przeszłości i tam podebatujmy, tylko my projektujemy modele Które mają niemalże autonomicznie podejmować decyzje, autonomicznie klasyfikować klientów. Czyli na przykład mamy klienta, on jest jakoś klasyfikowany przez nasz model i później różnego rodzaju rekomendacje dla tego klienta będą szły w zależności od tego, jak nasz model działa.

Jeśli chodzi o rzeczy, które są ważne, To jest po prostu, oprócz cierpliwości, komunikacji, krytycznego myślenia i odporności na błędne założenia. To jest dosyć istotne, jeżeli chodzi o data scientist'a. To znaczy, żeby umieć powiedzieć sobie, Czy rzeczywiście to, co ja mówię, to dane też to mówią? Czy to jest jakieś takie moje wewnętrzne założenie, które ja zaczynam na dane projektować? I tutaj wygrywają nam osoby, które są w stanie dobrać model, czasem prosty model, prostszy niż jest potrzebny, do realnego problemu i dowieźć wartość. Czyli ten model jest w stanie dowozić wartość dla firmy.