Bagaimana Memilih Karir yang Tepat di Dunia Data?
Seotechman.com, Bogor 25/01/2021. Data Scientist, Data Analyst, or Data Engineer? Bagaimana Cara Anda Memilih Karir yang Tepat di Dunia Data?
Ini adalah fakta yang jelas bahwa memilih karir pekerjaan yang tepat di Dunia Data sperti, Data Engineer, Data Scientist, dan Data Analyst adalah pekerjaan utama yang banyak orang lihat dan harapkan untuk dimasuki. PWC menggambarkan masing-masing dari ketiganya sebagai "di antara situasi yang paling dikejar di Amerika" sementara Data Scientist dan Data Engineer berada di peringkat # 3 dan # 8, secara individual, di antara 15 pekerjaan yang muncul terbaik di Laporan Pekerjaan Berkembang 2020 LinkedIn.
Pekerjaan-pekerjaan ini secara tegas diidentifikasi satu sama lain; bahkan, banyak organisasi bahkan dapat menggunakan istilah tersebut secara timbal balik. Jadi, jika Anda mempertimbangkan untuk masuk ke dunia informasi, memilih pekerjaan yang tepat mungkin tampak seperti usaha yang berat yang disertai dengan banyak pertanyaan: Bisakah saya menjadi Ilmuwan Data tanpa gelar Ph.D.? Apakah saya perlu menggunakan Python atau R jika saya ingin menjadi Analis Data? Sebagai individu yang dulunya mengisi sebagai Ilmuwan Data, hingga sekarang berfungsi sebagai Analis Data, dan telah bekerja erat dengan banyak Insinyur Data di dua posisi, saya akan mencoba untuk memisahkan perbedaan untuk Anda dan mengarahkan Anda menuju aset yang benar untuk masing-masing.
Ulasan - Perbedaan Tingkat Tinggi dan Tumpang Tindih
Jika kita biasanya memisahkan organisasi ke dalam sisi yang berbeda - sisi perancangan dan sisi bisnis - kita dapat menggunakan grafik Venn di bawahnya untuk menguraikan hubungan dan penutup antara pekerjaan dan kedua sisi organisasi. Perhatikan bahwa pengakuan ini berlaku untuk sebagian besar organisasi berukuran adil dan besar; meskipun demikian, di perusahaan baru yang kecil, batas antara pekerjaan ini menjadi kabur; seringkali pekerjaan bisa merupakan campuran dari ketiganya.
Insinyur Informasi adalah yang paling dekat dengan menjalankan bagian insinyur pabrik di antara ketiganya, dan paling jauh dari sisi bisnis. Insinyur informasi menginvestasikan sebagian besar dari perencanaan energi, pengorganisasian, pembuatan, dan pemeliharaan kumpulan data.
Sebagian besar organisasi memiliki informasi yang datang dari berbagai sumber, di dalam maupun di luar; itu adalah tanggung jawab arsitek informasi untuk mengumpulkan dan memelihara pusat distribusi informasi untuk membuat informasi terbuka secara efektif dan dapat digunakan oleh seluruh organisasi. Bagaimana tabel informasi yang berbeda dapat bergabung satu sama lain? Apa yang seharusnya menjadi kunci penting untuk setiap tabel? Ini adalah sebagian dari pilihan model yang dibuat oleh Data Engineer di tempat kerja.
Insinyur Informasi jarang bekerja sama dengan sisi bisnis organisasi untuk mengkarakterisasi desain tabel karena grup bisnis secara teratur merupakan klien akhir dari banyak tabel yang dibangun oleh Data Engineers.
Informasi Ilmuwan mungkin adalah judul pekerjaan yang paling terkenal dan paling dirujuk di antara ketiganya. Salah tafsir tentang pekerjaan ini adalah Anda harus memiliki gelar Ph.D. di Machine Learning atau bidang yang sebanding. Ini berlaku untuk subkelompok Ilmuwan Data, orang-orang yang berpusat di sekitar tampilan dan perhitungan. Para Ilmuwan Data ini (~ 30% di antara semua Ilmuwan Data dalam suatu organisasi) sebagian besar berasal dari dasar ilmiah yang sangat kuat dan sangat kuantitatif serta memiliki informasi hipotetis yang luas dan keterlibatan yang berguna dengan subjek ML yang canggih.
Bagaimanapun, sebagian besar (~ 70%) dari Ilmuwan Data berasal dari yayasan yang lebih berbeda. Mereka menginvestasikan sebagian besar energi mereka untuk melakukan tes dan investigasi AB yang diidentifikasi dengan berbagai pengukuran bisnis; model yang mereka buat akan cenderung untuk perkiraan permintaan atau pemeriksaan dadakan daripada mendukung pembelajaran atau jaringan saraf yang mendalam. Artikel ini akan menyinggung pertemuan terakhir saat mereferensikan Data Scientist.
Analis Informasi digunakan secara timbal balik dengan Ilmuwan Data di banyak organisasi karena kedua pertemuan tersebut bekerja erat dengan pengukuran dan pemeriksaan dadakan. Jika ada perbedaan yang harus dibuat, kemungkinan besar pakar informasi bekerja lebih banyak pada pemahaman bisnis dan representasi pengukuran sementara Ilmuwan Data menghabiskan banyak energi untuk melakukan penyelidikan faktual tentang mereka.
Penutup adalah normal di antara tiga pekerjaan. Setiap individu yang telah menyumbang pada proyek Ilmu Data menyadari bahwa biasanya ~ 80% dari waktu dihabiskan untuk pembersihan informasi dan kekambuhan atau karakterisasi pada akhirnya hanya membutuhkan ~ 20%, jika tidak kurang. Itulah alasan mengapa sangat penting bagi peneliti informasi dan pemeriksa informasi untuk bekerja secara dekat dengan insinyur informasi; mereka dapat menyelamatkan siapa saja dari informasi yang buruk dengan mengatur dan membersihkan informasi secara langsung sebelum masuk ke tabel.
Untuk lebih mudah menggambarkan bagaimana ketiga pekerjaan ini bekerja sama, bayangkan sebuah organisasi yang perlu mengungkapkan tes AB untuk elemen lain pada aplikasi mereka; Ilmuwan Data akan memimpin pengerahan tenaga untuk mengukur tes dan menyimpulkan bagaimana membagi kontrol dan pengumpulan tes; Insinyur Data akan menyiapkan kumpulan data di luar pandangan untuk memastikan bahwa ketika pengujian AB dikirim, tindakan klien dan kejadian sedang direkam dan kursus informasi sampai ke kumpulan data dalam konfigurasi dan konstruksi yang sah.
Setelah tes, Ilmuwan Data dan Analis Data akan melakukan pemeriksaan terukur pada efek samping dari tes AB dan menelusuri sebagian dari pengukuran yang mereka pedulikan mungkin seperti mengumpulkan persepsi untuk tujuan pengungkapan.
Prasyarat Khusus
Beberapa tingkat keahlian pengkodean adalah persyaratan yang tidak perlu dipertanyakan untuk masing-masing dari ketiganya, namun sebenarnya apa bahasa pemrograman dan tahap penyelidikan apa yang merupakan kebutuhan mutlak untuk masing-masing?
Insinyur Informasi adalah spesialis di berbagai pusat distribusi informasi dan tahap komputasi terdistribusi, seperti cara merakit jalur pipa informasi Ekstrak / Transform / Muat (ETL). Mereka bekerja dengan AWS, Google Cloud, Snowflake, dan banyak perangkat berbeda untuk pekerjaan sehari-hari mereka. Insinyur Informasi tahu tentang SQL dan Python, dan beberapa dapat diterima di C ++ dan Java.
Informasi Ilmuwan memiliki informasi faktual yang mendalam dan tidak asing dengan SQL, R, dan Python. Seorang Ilmuwan Data yang baik juga tahu, pada tingkat yang lebih tinggi, beberapa perhitungan AI dasar pada prinsipnya seperti bagaimana menerapkannya.
Analis Informasi adalah profesional dalam SQL dan memiliki tingkat fungsional informasi terukur. Mereka menyadari cara cepat membuat interpretasi pertanyaan bisnis menjadi pertanyaan ilmiah dan menggunakan perangkat seperti Tableau dan Looker untuk membuat representasi yang hebat.
Kemampuan Penting Lainnya
Kowing cara Google. Sungguh, sadari apa dan bagaimana Google. Anda pasti akan terhenti dan ketika Anda melakukannya, Google dan StackOverflow adalah teman Anda.
Belajar di tempat kerja. Ini cukup melekat pada poin terakhir. Banyak orang belajar di tempat kerja dengan Googling atau bercakap-cakap dengan mitra di seluruh organisasi. Setiap organisasi memiliki berbagai set data dan perangkat, masyarakat informasi yang beragam (umumnya tidak luar biasa), proses kerja, dan praktik terbaik; jadi terbuka dan siap untuk terus belajar di tempat kerja adalah hal mendasar bagi siapa pun di asosiasi informasi organisasi.
Berpartner dengan dewan. Semua upaya ilmiah pada akhirnya akan dimanfaatkan untuk mendorong pilihan bisnis. Jadi mengklarifikasi hasil dan ide ilmiah kepada mitra bisnis dan mengikatnya kembali ke hasil bisnis adalah bagian penting dari rangkaian tanggung jawab kerja kemampuan informasi. Hadiah informasi yang hebat adalah yang memiliki informasi investigasi yang cukup dan secara bersamaan memiliki intuisi bisnis.
Secara keseluruhan, bagaimana Anda memahami bagian mana yang harus diikuti?
Untuk menanggapi ini, ada dua elemen terpisah yang berperan: 1. Apa yang ingin Anda lakukan? apa lagi, 2. Pekerjaan apa yang sesuai dengan tagihan Anda tergantung pada kemampuan dan pengalaman Anda saat ini?
Apa yang ingin kamu lakukan?
Ketiga pekerjaan yang dibahas dalam artikel ini memiliki tingkat keterbukaan yang berubah terhadap sisi bisnis, yang menyiratkan bahwa mereka membutuhkan berbagai tingkat kemitraan dewan. Atau bisa dikatakan tidak begitu unik, lebih banyak kolaborasi manusiawi dan lebih banyak pertemuan Zoom, yang ditakuti banyak pengamat ilmiah. Namun di sisi lain, lebih banyak keterbukaan bisnis juga mengimplikasikan efek yang lebih substansial / nyata dan keterbukaan kepada pemimpin.
Mungkin analisis psikologis ini akan membantu: Pikirkan kembali model pengujian AB kita; Apakah Anda akan menjadi yang paling kuat dan sukses jika Anda menyelesaikan penelitian terukur yang cermat untuk mewakili kecenderungan dalam pertemuan uji-kontrol atau menyusun model untuk menghindari dampak jaringan yang mengotori hasil pengujian AB (Ilmuwan Data)? Atau kemudian lagi ketika Anda melalui minggu-minggu pengkodean pipa informasi dan pemecahan masalah namun pada akhirnya akan menonton aliran informasi ke dalam kumpulan data yang terorganisir dengan mudah seperti sihir (Data Engineers)? Atau mungkin lagi ketika Anda dengan cermat menyaring pengukuran Anda membantu bisnis dengan mengkarakterisasi dan menyadari bahwa persepsi Anda membantu mengarahkan pilihan ketika Anda mendengar rekan Anda mendiskusikan komponen baru yang mereka hargai dalam aplikasi (Analis Data).
Pekerjaan apa yang Anda penuhi semua persyaratannya?
Atau di sisi lain, pekerjaan apa yang Anda memiliki kesempatan untuk mengembangkan kemampuannya? Mengesampingkan faktor-faktor yang tidak dapat Anda alihkan atau ganti rugi seperti keterlibatan dalam jangka waktu yang lama (dan untungnya sebagian besar pekerjaan terkait informasi tidak memiliki kebutuhan yang parah untuk yayasan atau jurusan di sekolah), sebagian besar perbedaan antara rangkaian tanggung jawab kerja dan resume Anda dapat dibuat dengan kelas online dan persiapan pertemuan (saya akan membuat posting yang berbeda tentang bagaimana merencanakan wawancara untuk pekerjaan itu segera, jadi pantau terus!).
Setengah bulan kelas online dalam SQL dan R / Python dasar serta praktik investigasi kontekstual gaya McKinsey akan membantu Anda masuk ke bagian penguji informasi dengan mendorong Anda lulus penyaringan khusus dan segmen ketangkasan bisnis dalam rapat.
Dalam kasus, jika Anda ingin dilengkapi dengan pemrograman yang cukup dan informasi ETL untuk pekerjaan Data Engineer, atau jika Anda ingin menjadi spesialis di bidang nyata dan peragaan untuk pekerjaan Data Scientist yang dikembangkan lebih lanjut, mungkin diperlukan Anda berbulan-bulan atau bertahun-tahun.
Namun, berita yang menggembirakan adalah, sebagian besar organisasi membuat perpindahan di antara berbagai pekerjaan informasi menjadi sangat sederhana; dan karena seberapa mudah beradaptasi berbagai kemampuan informasi, Anda tidak akan pernah bisa mengkategorikan diri Anda ke dalam cara kerja yang tidak dapat diterima.
Jadi… jika Anda benar-benar tidak memiliki petunjuk tentang pekerjaan mana yang Anda butuhkan, mulailah dengan informasi terkait pekerjaan, mencobanya, dan beralihlah seperti startup tahap awal.
Belum ada Komentar untuk "Bagaimana Memilih Karir yang Tepat di Dunia Data?"
Posting Komentar