Wie man als Datenwissenschaftler scheitert: 3 häufige Fehler

Die fünf wichtigsten Fragen, die ein Datenwissenschaftler beantworten sollte Tom Merritt stellt die fünf Fragen, auf die jeder Datenwissenschaftler die Antworten haben sollte.

Mehr über Big Data

  • Datenverwaltung: Ein Spickzettel
  • Integration der Roboter-Prozessautomatisierung in Big-Data-Projekte
  • Der Programmierer Hadley Wickham wirbt für die Vielfalt der R-Community
  • So wählen Sie die richtigen Datenanalysetools aus: 5 Schritte

Datenwissenschaftler sind für die Organisation und Analyse von Daten für ein Unternehmen verantwortlich. Da Unternehmen mehr Daten als je zuvor generieren, sind diese Fachleute sehr gefragt und stehen in den letzten vier aufeinander folgenden Jahren an erster Stelle auf der Liste der besten Jobs in Amerika von Glassdoor.

So bauen Sie eine erfolgreiche Karriere als Datenwissenschaftler auf (kostenloses PDF)

Diejenigen, die in der Datenwissenschaft arbeiten, sind mit Big-Data-Analyse, maschinellem Lernen, Codierungssprachen, Algorithmen und Problembewertung vertraut, berichtete Alison DeNisco Rayome von TechRepublic. Technische Fähigkeiten allein reichen jedoch nicht aus.

Kommunikation, Zusammenarbeit und ständiges Lernen sind ebenfalls notwendige Komponenten für den Erfolg in der Datenwissenschaft. Ohne technische und zwischenmenschliche Fähigkeiten werden Datenwissenschaftler entlassen und bei steigender Anzahl leicht ersetzt.

"Ein erfolgreicher Datenwissenschaftler zu sein, erfordert eine Mischung aus technischen Fähigkeiten, übergeordnetem Denken und schmutziger Problemlösung", sagte Roger Yarbrough, Principal und Mitbegründer des Marketing-Beratungsunternehmens Stratistry. "Angesichts der Tatsache, dass dieser Talentmix nicht unbedingt Teil des Standardlehrplans für Hochschulen ist, gibt es viele Datenwissenschaftler, die nicht über die erforderliche Erfahrung in der Praxis verfügen, um die potenziellen Fallstricke zu verstehen, die bei der Arbeit mit Daten auftreten können."

Datenwissenschaftler können wie bei jedem Beruf vielen Fallstricken erliegen. Hier sind die größten Fehler, die Datenwissenschaftler machen und die letztendlich zum Scheitern führen:

1. Konzentrieren Sie sich nur auf die Lösung

Datenwissenschaftler werden hinzugezogen, um geschäftliche Probleme zu lösen und Analysen zu implementieren, sagte Ganes Kesari, Leiter Analytics bei Gramener. "Dies ist der heilige Gral der Datenwissenschaft", sagte Kesari. "Man muss die richtigen Geschäftsfragen formulieren und eine Abfolge von Schritten entwickeln, um sie zu lösen. Aber hier geraten die meisten Datenwissenschaftler ins Wanken."

Wenn Sie sich nur auf die Lösung konzentrieren, kann dies zu Problemen führen. Datenwissenschaftler müssen sich an den Kontext erinnern, in dem das Problem veröffentlicht wurde, sagte Keith Williams, Datenwissenschaftler bei Red Ventures.

"Man muss verstehen, wie diese Systeme normalerweise funktionieren und wie sie mit der Lösung interagieren", sagte er. "Wenn Sie diese Beinarbeit nicht ausführen, manifestiert sich dies häufig als nachgeschalteter Fehler, sodass Sie die Tasche nur mit einer vagen Vorstellung davon halten, was falsch läuft und wo es passiert."

2. Die Grundlagen vergessen

Während das Verständnis, wie künstliche Intelligenz (KI) und maschinelle Lernsysteme funktionieren, für eine Karriere in der Datenwissenschaft von entscheidender Bedeutung ist, übersehen diese Fachleute häufig die Grundlagen, sagte Kesari.

"Kandidaten zeigen eine 90% ige Genauigkeit von KI-Modellen in Projekten. Aber es ist eine Tragödie, wenn sie Schwierigkeiten haben zu erklären, was ein p-Wert ist oder wie man Excel verwendet, um einfache Muster aus Daten zu extrahieren", sagte Kesari. "Ein Datenwissenschaftler, der über Modellbaufähigkeiten ohne Grundlagen verfügt, ist wie ein Pilot, der ein Flugzeug fliegen kann, ohne zu wissen, was die Cockpit-Wählscheiben bedeuten."

"Einfache Tools wie die lineare Regression können tatsächlich sehr leistungsfähig sein, wenn sie mit gut kuratierten Daten kombiniert und in ein System integriert werden, in dem die Ausgaben umsetzbar sind", fügte Williams hinzu. "Ein technooptimistischer Datenwissenschaftler wird versuchen, das neueste tiefe neuronale Netzwerk auf sein Problem anzuwenden, nur um herauszufinden, dass ein vorgelagerter Prozess angegangen werden muss, bevor etwas anderes auftreten kann. Durch die Verwendung einfacher Lösungen werden solche Probleme schnell identifiziert ohne Glaubwürdigkeit zu brennen. "

3. Ineffektiv kommunizieren

Es ist wichtig, analytische Ergebnisse zu finden, aber erfolgreiche Datenwissenschaftler wissen, wie sie diese Ergebnisse produktiv kommunizieren können, sagte Kesari.

"Der Nutzen von Analyseergebnissen ist direkt proportional zu den Entscheidungen, die damit getroffen werden können. Datenwissenschaftler gehen davon aus, dass die Benutzer die Analyse verstehen", sagte Kesari. "Sie nehmen sich nicht die Zeit, um die Ergebnisse in ein Format zu übersetzen, auf das Benutzer reagieren können. Geschäftsinterpretation und Datenvisualisierung sind unschätzbare Fähigkeiten, die häufig außer Acht gelassen werden."

Die besten Datenwissenschaftler werden sich dieser Fehler bewusst und ergreifen Maßnahmen, um sie zu begrenzen, sagte Yarbrough, und sie sind in der Lage, dies zu tun, weil sie sowohl über technische als auch zwischenmenschliche Fähigkeiten verfügen.

"Es ist eine Sache, Konzepte in einem akademischen Umfeld zu verstehen und anzuwenden, aber eine andere Sache, dies in der realen Welt mit all ihrem Druck zu tun", sagte Yarbrough. "Diejenigen, die hart daran arbeiten, die Integrität ihrer Daten zu schützen und die richtigen Schritte zu unternehmen, um deren Richtigkeit sicherzustellen, werden feststellen, dass ihre Arbeit sowohl für sich selbst als auch für diejenigen, die sich darauf verlassen, wertvoll ist."

Weitere Informationen finden Sie unter So halten Sie Ihre Fähigkeiten als Datenwissenschaftler auf dem neuesten Stand: 3 Tipps zu TechRepublic.

Daten-, Analyse- und KI-Newsletter

Holen Sie sich Expertentipps zur Beherrschung der Grundlagen der Big-Data-Analyse und bleiben Sie über die neuesten Entwicklungen in der künstlichen Intelligenz auf dem Laufenden. Montags geliefert

Heute anmelden

Siehe auch

  • So werden Sie Datenwissenschaftler: Ein Spickzettel (TechRepublic)
  • 60 Möglichkeiten, um den größtmöglichen Nutzen aus Ihren Big-Data-Initiativen zu ziehen (kostenloses PDF) (TechRepublic)
  • Funktionsvergleich: Datenanalysesoftware und -dienste (TechRepublic Premium)
  • Volumen, Geschwindigkeit und Vielfalt: Die drei Vs von Big Data (ZDNet) verstehen
  • Beste Cloud-Services für kleine Unternehmen (CNET)
  • Big Data: Mehr Muss-Berichterstattung (TechRepublic on Flipboard)
Bild: iStockphoto / Peshkova

© Copyright 2021 | pepebotifarra.com