Die Zukunft der Datenwissenschaft: Trends in einer wachsenden Branche

Dieser Artikel wurde von Michael Burke, Leiter des PR Intelligence Lab an der BYU, verfasst.

Die globale Digitalisierung hat sich beschleunigt, da die Pandemie viele Menschen ins Haus und online geschickt hat, und diese Digitalisierung setzt sich für die Data-Science-Branche fort. Im Zuge des gesellschaftlichen Wandels müssen steigende Anforderungen in rasantem Tempo bewältigt werden. Kunden sind mehr denn je online, was zu einer Flut von Daten führt. Heute gehört Data Science zu den beste Karrieren für junge Hochschulabsolventen da der Bedarf an datengesteuerter strategischer Entscheidungsfindung in allen Branchen exponentiell zugenommen hat.

Das Engagement von Industrie und Unternehmen für Data Science und digitale Transformation ist nicht gering – es ist praktisch ein Goldrausch für Talente. Schauen Sie sich das Fortune 250 Fintech an, FIS, zum Beispiel. Im vergangenen Jahr haben sie sich verpflichtet 150 Millionen Dollar für Innovationsprojekteintern ein Set aufgebaut Echtzeit-Zahlungsmaschine um B2B-Transaktionen sofort zu verschieben und startete a Impact Labs Inkubator in Denver wer hat schon mal ein produkt genannt GoCartdas verwandelt das Warenkorb-Erlebnis in eine Ein-Klick-Kasse.

Das Finanzwesen, das Gesundheitswesen und andere große „alte“ Branchen sind im Allgemeinen nicht dafür bekannt, am schnellsten digitale Transformationen vorzunehmen. Wenn Sie also diese Art von Metriken sehen, wissen Sie, dass Data Science Wirkung zeigt.

Und diese Wirkung wird nur noch anhalten. Daten sind das Rückgrat von Unternehmen in allen Branchen, und einige Schätzungen deuten darauf hin, dass die Gesamtmenge der erstellten, erfassten und verbrauchten Daten wahrscheinlich erreicht wird 149 Zettabyte bis 2024. Diese erstaunliche Zahl beweist nicht nur, wie stark das Feld wachsen wird, sondern auch, warum es so wichtig ist, Trends zu erkennen und ihnen einen Schritt voraus zu sein. Zwei große aktuelle Trends sind diejenigen, die sich dem Bereich der Datenwissenschaft anschließen, und Konflikte darüber, welche Art von Daten große und kleine Unternehmen priorisieren.

Kandidaten in der Data-Science-Branche

Wir sehen eine Zunahme Menschen, die mit mathematischem Hintergrund zur Schule gegangen sind (oder die mit Data Engineering begonnen haben) und in die Data Science einsteigen möchten. Dies sollte eine herzerwärmende Nachricht für jeden sein, der einen Abschluss in Mathematik (oder einem MINT-bezogenen Bereich) erworben hat und nun eine berufliche Veränderung anstrebt, um Teil dieser schnell wachsenden Branche zu werden. Dies kann auch insofern eine gute Nachricht sein, als es bedeutet, dass Personen mit einem soliden Verständnis für die korrekte Interpretation von Statistiken verfügbar sein werden. Obwohl Fortschritte in der Software es Benutzern möglicherweise erleichtern, Diagramme zu erstellen, werden sie nicht unbedingt in der Lage sein, alle Nuancen und Auswirkungen zu verstehen. Mehr Data-Science-Mathematiker bedeuten fundiertere Entscheidungen.

„Vor 10 Jahren hätte man einen ganz bestimmten Weg einschlagen und eine strukturierte Berufsentscheidung treffen müssen, um in der Datenwissenschaft zu landen“, sagt Michael Tarselli, Chief Scientific Officer bei TetraScience. „Heutzutage kommen Wissenschaftler aus der Schule und sagen: ‚Weißt du was? Ich kann eine Tour zu diesem Thema machen. Ich kann ein einmonatiges Data-Science-Bootcamp machen und mich schnell mit Python, rekursiver Logik oder neuronalen Netzen vertraut machen, und dann, boom, sie sind ein erstklassiger Kandidat für uns.

Sie sehen auch viele Kandidaten, die einen Hintergrund in Data Science oder einen mit Data Science kompatiblen Hintergrund haben, sich aber in andere Bereiche begeben haben. Dies liegt vor allem daran, dass der Bereich Data Science nicht so boomte, als diese Arbeitssuchenden auf den Markt kamen, wie er es jetzt tut. Das bedeutet, dass wir Datenwissenschaftler mit langjähriger Erfahrung haben, die gerade erst in die Branche eingetreten sind, und der Wert dieser Fachkompetenz darf nicht unterschätzt werden. Um Daten zu interpretieren, die sich beispielsweise auf ein Fintech-Unternehmen beziehen, müssen Sie die Finanzsprache verstehen – und dieses Wissen entsteht einfach nicht über Nacht. Zum Glück mit die richtige Ausbildung oder Zertifizierung (die jetzt zugänglicher denn je sind), könnten viele Menschen mit umfangreichem domänenspezifischem Fachwissen in Betracht ziehen, sich der Datenwissenschaft zuzuwenden.

Die Data Science-Kluft

Der andere große Trend ist die Kluft zwischen dem, wonach große Unternehmen bei Data Scientists suchen, und dem, wonach kleinere Unternehmen und Start-ups suchen, und diese Kluft wird immer größer.

Große Unternehmen verfügen bereits über einen Großteil der Infrastruktur, um ihre Daten zu verwalten und zu bereinigen. Sie suchen nach Datenwissenschaftlern und Forschern, die weit und breit kommen und gehen, mit einem fokussierten und engen Aufgabenbereich. Große Unternehmen suchen Wissenschaftler, die ihre volle Aufmerksamkeit auf spezifische Data-Science-Probleme richten.

Startups und kleine Unternehmen hingegen haben wahrscheinlich keine Dateninfrastruktur und finden heraus, wie sie eine einrichten und dann die extrahierten Daten verwenden können. Sie suchen „Handwerker“, die anfangen können, Einblicke in die Produktion zu bekommen und einen größeren Teil des Stapels zu bearbeiten.

Wenn viele Menschen ihre Karriere beginnen, müssen sie über die Art (und Größe) des Unternehmens nachdenken, für das sie arbeiten möchten. Kleine Unternehmen ermöglichen es Ihnen, zu wachsen und sich auf ein breiteres Spektrum von Themen zu konzentrieren, während größere Unternehmen fokussierter und spezifischer bleiben. Diese Kluft wird heute immer größer.

Trends in der Beziehung zwischen Unternehmen und Kandidat

Da das Feld weiterhin schnell wächst, wird der Einstellungsprozess auf beiden Seiten des Spektrums immer wettbewerbsfähiger. Unternehmen haben eine große Auswahl an Mitarbeitern, und Kandidaten wissen, dass Unternehmen Datenwissenschaftler mehr denn je brauchen. Der Einstellungsprozess hängt davon ab, wie weit die Datenreife eines bestimmten Unternehmens fortgeschritten ist.

Kleine Unternehmen suchen nach Leuten mit mehr Fähigkeiten, die Dinge aus einer umfassenden Perspektive angehen können. Große Unternehmen suchen spezifisches Wissen und Universitätsforscher im maschinellen Lernen, um vollständige Modelle zu erstellen. Aber egal, wo sie sich auf diesem Kontinuum befinden, Unternehmen und Arbeitssuchende versuchen, die richtige Lösung zu finden. Diejenigen, die gerade erst mit ihrer Karriere beginnen, suchen möglicherweise nach Mentoring, Wachstum und einem Verständnis dafür, wie Data Science in ein reales Szenario passt. Während sich die Höhergestellten in ihren Positionen auf schwierige, aber erreichbare Probleme konzentrieren wollen.

Eine Sache, die Sie vielleicht von einem erfahreneren Data Scientist hören, ist, dass sie mit Data Science beauftragt wurden, aber das Unternehmen war noch nicht bereit dafür, also wurden sie mit anderen Verantwortlichkeiten (z. B. Data Engineering) beauftragt. Diese Datenwissenschaftler werden hinzugezogen, um an Projekten zu arbeiten, die interessant erscheinen, aber am Ende enttäuschend sind, wenn das Unternehmen offenbart, dass sie nicht zur Ausführung bereit sind.

Dies kann zum Teil auf Mängel im Einstellungsprozess zurückzuführen sein. Da die meisten Personalabteilungen keine Erfahrung mit der Einstellung von Data Scientists haben, tappen sie oft in die Falle, zu breite Stellenbeschreibungen zu veröffentlichen und Kandidaten auf irrelevante Fähigkeiten zu testen. Was auch immer die Gründe sein mögen, dies lässt Datenwissenschaftler in ihrer Karriere in einer interessanten Position zurück (insbesondere wenn sie nicht in der Lage sind, die Arbeit zu erledigen, die sie sich vorgenommen haben), und es könnte sie dazu inspirieren, nach neuen Möglichkeiten zu suchen. Insgesamt geht der Trend in Richtung Data-Science-Spezialisten gegenüber Generalisten bevorzugenData-Science-Experten müssen daher darüber nachdenken, wie sie ihre Stärken verstärken und spezifizieren können, um sich zu übertreffen.

Generell sollte es das Ziel jeder Führungskraft sein, menschliches Potenzial freizusetzen – und dies gilt insbesondere in Bereichen, die auf kontinuierliches Lernen, Innovation und Leidenschaft angewiesen sind. Nur wenige Branchen erleben eine Explosion von Bedarf und Innovation wie diese pandemiegetriebene Branche. Unternehmen werden ihre Digital- und E-Commerce-Bemühungen weiterhin mit Daten stärken, und wir haben die Möglichkeit, die Wirtschaft durch unsere fundierten Bemühungen zu steuern. Glassdoor stufte Data Science sogar als das ein Beruf Nr. 2 für 2021. Während wir als Branche weiter wachsen, werden die Akteure vor Ort auf immer mehr Wachstumschancen stoßen – Chancen, die Unternehmensleiter zu schaffen versuchen müssen.

Michael Burke ist Data Scientist mit einem MS in Data Analytics. Er hat ausführlich über Themen im Zusammenhang mit maschinellem Lernen geschrieben und Industriepreise für seine Studie über Faktoren gewonnen, die SEO beeinflussen. Er führt die Public Relations Intelligence Lab an der School of Communications der BYU.