۱۰ عنوان شغلی مختلف در علوم داده و معنی آن‌ها

منتشرشده در TowardsDataScience به تاریخ ۸ نوامبر ۲۰۲۰
لینک مطلب اصلی: 10 Different Data Science Job Titles and What They Mean

پیدا کردن شغل همیشه دردسر ساز است؛ یک بازی وحشیانه است که در آن باید در میان صدها و گاهی هزاران متقاضی دیگر برای گرفتن «این شغل» برجسته شوید. اما پیدا کردن شغل برای درخواست دادن در وهله اول کار آسانی نیست.

وقتی برای اولین بار کار خود را در علم داده شروع کردم، در مورد مسئولیت‌های نقش‌های مختلف مربوط به علم داده گیج شدم. نمی‌خواستم نقشی را انتخاب کنم که در مورد مسئولیت‌ها و کارهای آن مطمئن نیستم.

به دلیل اینکه نقش‌ها و نام‌های مختلفی وجود دارد، ممکن است متقاضیان گیج شوند و ندانند که کدام نقش با مهارت‌های ویژه آن‌ها مطابقت دارد یا بر روی چه نقشی می‌خواهند کار کنند.

با توجه به افزایش محبوبیت این حوزه-که به این زودی‌ها سرعتش پایین نمی‌آید- من تصمیم گرفتم این مقاله را بنویسم تا تفاوت بین نقش‌ها را توضیح داده و هرگونه سردرگمی در ظاهر یک شغل جدید را از بین ببرم.

قبل از شروع باید بگویم که این عناوین ثابت نیستند و ممکن است در آینده تغییر کنند. همچنین، برخی نقش‌ها ممکن است همپوشانی داشته باشند و براساس شرایط شرکت مسئولیت‌های کم و بیش بیشتری داشته باشند. با این حال، این مقاله باید به شما کمک کند تا حد ممکن ۱۰ نقش برتر علم داده را کشف کنید.

۱. دانشمند داده

بیایید با عمومی‌ترین نقش شروع کنیم، دانشمند داده. یک متخصص یا دانشمند داده بودن مستلزم این است که شما با تمام جنبه‌های پروژه سر و کار داشته باشید. از بخش تجاری تا جمع‌آوری و تحلیل داده‌ها، و در نهایت تجسم و آماده‌سازی.

یک متخصص داده همه چیز، یعنی هر مرحله از پروژه، را می‌داند، به همین دلیل است که می‌تواند بینش بهتری درباره بهترین راه‌حل برای یک پروژه خاص ارائه کرده و الگوها و روندها را آشکار کند. علاوه بر این، آن‌ها مسئول تحقیق و توسعه الگوریتم‌ها و رویکردهای جدید خواهند بود.

اغلب، در شرکت‌های بزرگ، رهبران تیم و مسئول افراد دارای مهارت‌های تخصصی، دانشمندان داده هستند؛ مجموعه مهارت‌های آن‌ها به آن‌ها اجازه می‌دهد تا یک پروژه را بررسی کرده و آن‌ها را از ابتدا تا انتها راهنمایی کنند.

۲. تحلیلگر داده

دومین نقش شناخته‌شده، تحلیلگر داده است. ممکن است گاهی در شرکتی دانشمند داده و تحلیلگر داده تا حدی همپوشانی داشته باشند و شما به‌عنوان «دانشمند داده» استخدام شوید؛ اما بیشتر کاری که انجام خواهید داد تجزیه و تحلیل داده‌ها است.

تحلیل گران داده‌ها مسئول وظایف مختلفی مانند تجسم، تغییر و دستکاری داده‌ها هستند. گاهی اوقات آن‌ها مسئول ردیابی تحلیل‌های وب و آنالیز تست A / B نیز هستند.

از آنجا که تحلیلگران داده‌ مسئول تجسم هم هستند، اغلب مسئول آماده‌سازی داده‌ها برای ارتباط با طرف تجاری پروژه با تهیه گزارش‌هایی هستند که به طور موثر روندها و بینش‌های جمع‌آوری‌شده از تحلیل خود را نشان می‌دهند.

۳. مهندس داده

مهندسان داده مسئول طراحی، ساخت و نگهداری کانال‌های ارتباطی داده هستند. آن‌ها باید اکو سیستم‌ها را برای کسب و کارها آزمایش کنند و آن‌ها را برای دانشمندان داده آماده کنند تا الگوریتم های خود را اجرا کنند.

مهندسان داده همچنین بر روی پردازش دسته‌ای داده‌های جمع‌آوری‌شده کار می‌کنند و فرمت آن را با داده‌های ذخیره‌شده مطابقت می‌دهند. به طور خلاصه، آن‌ها اطمینان حاصل می‌کنند که داده‌ها آماده پردازش و تحلیل هستند.

در نهایت، آن‌ها باید اکوسیستم و کانال ارتباطی را بهینه و کارآمد نگه دارند و اطمینان حاصل کنند که داده‌ها برای استفاده دانشمندان و تحلیلگران داده در دسترس است.

۴. معمار داده

معمار داده مسئولیت‌های مشترکی با مهندس داده دارد. هر دوی آن‌ها باید اطمینان حاصل کنند که داده‌ها برای دانشمندان و تحلیلگران داده به خوبی قالب‌بندی و در دسترس هستند و عملکرد کانال‌های ارتباطی داده را بهبود ببخشند.

علاوه بر آن، معماران داده نیاز به طراحی و ایجاد سیستم‌های پایگاه‌داده جدیدی دارند که با نیازهای یک مدل تجاری خاص و نیازهای شغلی مطابقت داشته باشد.

آن‌ها باید این سیستم‌های پایگاه‌داده را هم از دیدگاه کارکرد و هم از دیدگاه اجرایی حفظ کنند. بنابراین، آن‌ها باید اطلاعات را دنبال کنند و تصمیم بگیرند که چه کسی می‌تواند بخش‌های مختلف داده‌ها را مشاهده، استفاده و دستکاری کند.

۵. داستان‌سرای داده

این احتمالا جدیدترین نقش شغلی در این لیست، و از نظر من، یک نقش مهم و خلاقانه است.

اغلب، داستان‌سرایی داده با تجسم داده اشتباه گرفته می‌شود. اگر چه این دو ویژگی‌های مشترک دارند اما تفاوت مشخصی بین آن‌ها وجود دارد. داستان‌سرایی داده تنها در مورد تجسم داده‌ها و تهیه گزارش و وضعیت نیست؛ بلکه در مورد پیدا کردن روایتی است که به بهترین شکل داده‌ها را توصیف می‌کند و از آن برای بیان آن استفاده می‌کند.

این نقش درست در وسط داده‌های خالص و خام و ارتباطات انسانی قرار می‌گیرد. یک داستان‌سرای داده باید اطلاعات را در نظر بگیرد، آن را ساده کند، بر یک جنبه خاص تمرکز کند، رفتار آن را تحلیل کند، و از بینش خود برای ایجاد یک داستان جذاب که به مردم کمک می‌کند اطلاعات را بهتر درک کنند، استفاده کند.

۶. دانشمند یادگیری ماشین

اغلب وقتی اصطلاح «دانشمند» را در یک نقش شغلی می‌بینید، نشان می‌دهد این نقش شغلی نیاز به تحقیق و یافتن الگوریتم‌ها و بینش‌های جدید دارد.

یک دانشمند یادگیری ماشین درباره رویکردهای تغییر داده جدید تحقیق کرده و الگوریتم‌های جدیدی را برای استفاده طراحی می‌کند. آن‌ها اغلب بخشی از دپارتمان تحقیق و توسعه هستند و کار آن‌ها معمولا منجر به مقالات تحقیقاتی می‌شود. کار آن‌ها به محیط دانشگاهی نزدیک‌تر است تا یک محیط صنعتی.

عناوین نقش شغلی که می‌تواند برای توصیف دانشمندان یادگیری ماشین استفاده شود، محقق یا مهندس تحقیق هستند.

۷. مهندس یادگیری ماشین

امروزه تقاضا برای مهندسان یادگیری ماشین بسیار زیاد است. آن‌ها باید با الگوریتم‌های مختلف یادگیری ماشین مانند خوشه‌بندی، دسته‌بندی و طبقه‌بندی آشنا باشند و هود را با آخرین پیشرفت‌های تحقیقاتی در این زمینه به روز نگه‌دارند.

مهندسان یادگیری ماشین برای انجام درست کار خود نیاز به داشتن مهارت‌های قوی آمار و برنامه‌نویسی و همچنین دانش اصول مهندسی نرم‌افزار دارند.

علاوه بر طراحی و ساخت سیستم‌های یادگیری ماشین، مهندسان یادگیری ماشین نیاز به اجرای آزمون‌هایی مانند آزمون‌های A / B و نظارت بر عملکرد و کارایی سیستم‌های مختلف دارند.

۸. توسعه دهنده هوش تجاری

توسعه دهندگان هوش تجاری-که توسعه دهندگان BI نیز نامیده می‌شوند-مسئول طراحی و توسعه استراتژی‌هایی هستند که به کاربران کسب‌وکار اجازه می‌دهد تا اطلاعاتی را که برای تصمیم‌گیری سریع و موثر نیاز دارند، پیدا کنند.

گذشته از آن، آن‌ها باید در استفاده از ابزارهای جدید BI یا طراحی ابزارهای سفارشی که تجزیه و تحلیل و بینش‌های تجاری را برای درک بهتر سیستم‌هایشان فراهم می‌کنند، نیز مهارت داشته باشند.

کار توسعه دهندگان BI اغلب کسب‌وکار محور است؛ به همین دلیل است که آن‌ها باید حداقل درک پایه‌ای از اصول مدل‌های کسب‌وکار و نحوه اجرای آن‌ها داشته باشند.

۹. مدیر پایگاه‌داده

گاهی تیمی که پایگاه‌داده را طراحی می‌کند و کسی که از آن استفاده می‌کند، متفاوت هستند. در حال حاضر، بسیاری از شرکت‌ها می‌توانند یک سیستم پایگاه‌داده براساس نیازهای تجاری خاص طراحی کنند. با این حال، مدیریت پایگاه داده توسط شرکت خریدار پایگاه‌داده یا درخواست‌کننده طراحی آن انجام می‌شود.

در چنین مواردی، هر شرکت یک یا چند نفر را استخدام می‌کند تا مسئول مدیریت سیستم پایگاه‌داده باشند. یک مدیر پایگاه‌داده مسئول نظارت بر پایگاه‌داده خواهد بود؛ اطمینان حاصل می‌کند که به درستی کار می‌کند، پی‌گیری داده‌ها را دنبال می‌کند، و پشتیبانی و بازیابی ایجاد می‌کند.

آن‌ها همچنین مسئول اعطای مجوزهای مختلف به کارمندان مختلف براساس نیازهای شغلی و سطح اشتغالشان هستند.

۱۰. نقش‌های تخصصی تکنولوژی

علم داده هنوز یک حوزه در حال توسعه است؛ هرچه بیشتر رشد می‌کند، تکنولوژی‌های خاص تری ظهور خواهند کرد؛ مانند الگوریتم های هوش مصنوعی یا الگوریتم‌های خاص ML.

زمانی که این حوزه به این شکل توسعه یابد، نقش‌های شغلی تخصصی جدیدی ایجاد خواهد شد-برای مثال، متخصصان هوش مصنوعی، متخصصان یادگیری عمیق، متخصصان NLP و غیره.

این نقش‌های شغلی برای دانشمندان و تحلیلگران داده نیز به کار می‌روند. برای مثال، متخصص حمل و نقل DS، یا داستان‌سرای بازاریابی و غیره. چنین نقش‌های شغلی در مسئولیت‌هایی که دارند خاص خواهند بود و حجم کاری دانشمند عمومی و مهندسان را از بین خواهند برد.

در نهایت

با رشد حوزه علم داده، تقاضا برای دانشمندان داده نیز افزایش می‌یابد. علاوه بر این، نقش‌های شغلی جدیدی ایجاد می‌شوند تا تقاضای بزرگ صنعت را برآورده سازند.

تنوع نقش‌های مربوط به علم داده‌ها اغلب به این معنی است که مسئولیت‌های مربوطه آن‌ها کمی هم پوشانی دارند-و گاهی اوقات باعث سردرگمی برای متقاضیان در تلاش برای به دست آوردن شغل رویایی خود می‌شوند.

در این مقاله، من ۱۰ مورد از عناوین نقش‌های علوم داده مورد استفاده را بررسی کرده و توضیح مختصری درباره مسئولیت های مورد انتظار برای هر یک از آن‌ها دادم. امیدوارم این لیست به شما کمک کند تا کار درست را برای مهارت‌های خود پیدا کنید و یا حداقل به شما ایده‌ای از آنچه در دسترس است بدهد.

این مقاله با استفاده از ربات ترجمه متن تخصصی یادگیری ماشین ترجمه شده و به صورت محدود مورد بازبینی انسانی قرار گرفته، در نتیجه ممکن است دارای برخی اشکالات ترجمه باشد.