转行大数据分析必知技能

　　我们收到了很多来自读者的询问，要求他们提供职业建议，其中许多被认为是正在寻求转入数据科学的职业中期。如果您在这个小组中，您将面临初学者面临的一些相同挑战，但也面临您所处环境所特有的挑战。以下是一些可能有价值的想法和观察。
 

　　关于你
 

　　当人们自我认同为职业中期时，他们通常会引用10或20年的经验。根据我的想法，这很可能使您30岁或40岁。这些人中的大多数人说，他们以程序员，分析师，管理员或类似人员的身份参与IT。有些是在大量数据驱动的操作区域中。大多数人拥有学士学位，但有些人没有。我在以下说明中考虑的是您。
 

　　当您阅读本文时，您可能会说“这不适用于我，我与众不同。

 

　　为什么要完全切换?
 

　　因为数据科学很热!我的意思是，我们不断接触称其为中国最佳职位的文章，从内部人士的角度来看，我认为它们是正确的。这项工作既有趣又充满挑战。我们使用快速发展的工具来发展。这意味着我们必须终身学习，这是一件好事。
 

　　每个人都知道合格的数据科学家在结构上是短缺的。公司正在积极招聘，找不到足够的人，这反映在远远高于平均水平的薪酬上。
 

　　大概您对投入的10或20年的回报也有一定的不满意。如果您正在寻找更绿色的牧场，那么这是一个不错的地方。
 

　　切换成本
 

　　好的，短缺正在对您有利，但让我们坦诚。您从事IT或分析工作的年限有一些好处，但您与家人定居的可能性也更大，更不用说薪水增加10或20年的收入了。
 

　　您将要面临的最大障碍是，在哪里找到时间接受培训同时又要谋生。其次，由于您将与应届毕业生争夺这些入门职位，因此起薪实际上可能比您现在所赚的要少。
 

　　未来的前景可能会更光明，但实际上没有办法从拥有博士学位开始进入这一职业。
 

　　雇用新创建的数据科学家的雇主强烈希望获得认可大学的学位。这类信息没有中央票据交换所，但通过阅读和我的个人对话，AAA教育确实可以为最积极的人提供有价值的技能，但是当您面试时，拥有正式学位的人将受到青睐，其他事情是平等的。
 

　　六个月的计划可以成为合格的入门级数据科学家。这不像选择另一种编程语言。

　　该领域最受好评的入门级学位是数据科学硕士学位。在基础水平上装备您将需要大约两年的课程工作和经验。您可以通过远程学习计划做兼职吗?是的，尽管这更多的是自律问题。
 

　　如果您没有学士学位，您会被排除在外吗?绝对不是。越来越多的学士学位课程针对硕士课程教授的相同技能。没有任何理由为什么您无法在同一两年的学士学位课程中获得这些相同的技能。
 

　　这是硕士和学士课程的警告。确保课程是针对数据科学的，而不是针对计算机科学或诸如业务数据分析之类的术语。
 

　　您如何使自己与众不同以得到雇用?
 

　　刚接触或即将毕业的学生经常会问我有关实习或职位空缺的信息。我的回答始终是：详细告诉我您所处理的问题的类型，如何准备数据，用于建模的特定算法，用于此问题的工具或语言(R，Python， SAS，SPSS等)，结果如何。
 

　　最常见的回应是沉默(嘿，我上了你想要的课程)，或者过于深入地研究了一个项目。是的，我想知道您是否使用过R，但是我不想知道任何有关代码细节的信息。我想知道您知道在处理数据，建立模型和解决问题方面的重要问题。
 

　　这有点像从风投中赚钱。您需要一个电梯音调(可能是一分钟)，并由覆盖所有这些点的三个或四个特定示例作为后盾，每个示例不超过5分钟。如果您想要轮廓，则外观如下所示：
 

　　1、什么是要解决的业务问题。
 

　　2、您是如何获得数据的。
 

　　3、您采取了哪些措施来清理和准备数据，包括任何要素工程。
 

　　4、您应用了什么算法，为什么?(您可以在这里告诉我有关R或Python或其他工具的信息，但我更关心算法)。
 

　　5、您如何选择模型。
 

　　结果是什么。如果实施了假设的案例，财务或业务结果将是什么。
 

　　一旦开始与目标公司中的其他数据科学家进行内部采访，您就可以自由探索。现在，最好在与我的业务相关的问题上给我留下深刻的印象。
 

　　在学习期间，无论是通过学校还是您自己，这都是一个不错的策略，即与当地的中型和大型企业联系，并询问您可以从事公益事业的实际业务问题。与您最感兴趣的行业相关的这些“参考项目”中的三到四个就像黄金，只要您使用它们来说明您的学习已得到实际应用。
 

　　请记住，在真实数据科学中，您不会花费所有时间来解决问题。在您的时间成本和一方面的解决方案价值之间可以权衡，而您可以在另一方面花费时间。最好是能谈谈有效和高效地利用你的时间解决问题，而不是谈论在3具有改进的准确性次或4 次小数点。
 

　　机会与市场
 

　　数据科学家有两个主要市场：
 

　　我们最常阅读的内容是深度学习的前沿发展或其在新产品中的应用，主要是在硅谷，洛杉矶，西雅图，奥斯丁和纽约。(有关城市的风险投资水平的最新文章，您将获得此细分的准确地图)。
 

　　核心数据科学市场，包括所有和所有在业务中具有重要百度的主要公司。这些包括(但不限于)保险，银行，抵押金融，电信公司，公用事业，电子商务，政府，咨询等。他们遍布中国各地，并为此在海外。
 

　　如果您的知识和动力是顶尖的，请务必加入可以指挥顶尖学校毕业生的精英公司。尽管该组中出现了最令人兴奋的高级开发，但它所代表的数据却少于(可能更少)所有数据科学工作的10%。
 

　　好消息是，职业中期切换员感兴趣的数据科学机会中有90%位于中国的大城市。
 

　　另外，目前的最佳估计是大约40%的中国公司正在积极使用预测分析。这是一个很难验证的数字，但这听起来是正确的。这意味着100%的大公司已采用该方法，并且随着尺寸的减小而变薄。
 

　　这是一家极其罕有的公司，它充分利用了预测分析，因此，即使是最大的公司，也应该不断涌现新的数据科学机会。
 

　　在哪里看。去哪里上学。
 

　　作为职业过渡者，您可能非常担心自己想住哪里。可能有很好的数据科学工作非常接近您想要的位置。
 

　　同样，当人们问我应该在哪里上学时，我通常会反驳“你想住在哪里”。除非您有机会进入享有声望很高的名字识别的大学，否则请选择您可以住的最好的学校。校友网络和本地知识很可能会为您服务。
 

　　数据科学与数据工程师
 

　　在过去的24个月内，我们开始使数据工程师与数据科学家区分开。并不是每个人都使用或理解这种区别，但是他们很快就会使用。
 

　　数据工程方面与经典计算机科学和IT运营相比，真正的数据科学具有更多的共同点。您可以将这种鸿沟看作是数据科学家，从原始数据开始，一直到建模和实现。数据工程师与支持数据科学所需的基础架构有关。
 

　　自从像Hadoop(现在是Spark)之类的NoSQL数据库问世到物联网和其他流传输方法，并包括数据湖作为EDW的替代方法之后，那些知道如何在其上创建和维护这些工具的人中的专业就在不断增长。数据科学的基础。这尤其扩展到云和SaaS的快速增长的功能。如果您可以学习在AWS，Azure或Google上设置Spark实例，数据湖或流式应用程序，那么这可能是您考虑的一个非常舒适且补偿充分的中间立场。
 

　　虽然了解数据科学家的所有技能将很高兴，但获得此技能水平并不耗时，并且取决于您的公司可以通过AAA教育获得。
 

　　广告的问题
 

　　在阅读求职广告时，与众不同的数据工程师和数据科学家是您的后顾之忧。当需要的是全栈数据科学家时，通常会看到针对数据分析师的广告，反之，针对实际任务和技能不会超过EDW上的SQL的数据科学家，则出现广告。人力资源部门可能需要一段时间才能赶上。同时请注意问题并阅读工作说明的详细信息。
 

　　人工智能，深度学习，选择专业
 

　　在过去的几年中，不同行业的需求已经在数据科学领域创造了特色。奇怪的是，这些技术保持不变，但是它们在每个行业中的应用方式却有所不同。深入了解每个行业的业务模型和典型数据变得很重要。例如，电子商务寻找具有分析网络日志和建立推荐人的工作知识的人员，而保险，银行和抵押贷款正在研究风险，交叉销售和向上销售模型。
 

　　他们的共同点是，数据科学领域90%的工作仍与预测消费者行为有关。如果您想留在该行业，那么您以前的行业经验可能会特别有益。
 

　　另外，人们经常询问有关AI和深度学习的问题。做你的阅读。您很快就会了解到，许多深度神经网络架构，特别是具有LSTM的卷积神经网络和递归神经网络，构成了当今所有商业AI的基础。除非您特别有动力，否则这不是入门级的材料。但是要坚持建立有关消费者行为的建模基础以及一些时间序列建模，而这一切都是您需要开始的。
 

　　尾注
 

　　市场应对数据科学家短缺的方法之一是进一步自动化我们使用的工具。这样一来，较少的数据科学家就可以完成许多工作。
 

　　开发这些更加自动化的工具的人们也希望市场相信它们足够简单，可供非数据科学家使用，该小组被巧妙地称为公民数据科学家。的确，建模任务中一些较死板的元素可以实现自动化，我们对此很高兴。但是，需要对预测分析过程有充分的了解，或者您可以构建一些模型来预测准确的错误。
 

　　最后，您的经验是一把两刃剑。如果您选择一个有经验的行业，那么您将真正拥有几乎没有工作经验的应届毕业生。但是，如果您有10到20年的工作经验，那么在招聘中遇到一些年龄歧视是很可能的。
 

　　不要让任何事情阻止您。这是一个伟大的职业，前景广阔。充分利用自己拥有的一切，继续努力。