Nie musisz umieć programować, żeby spełnić marzenia o pracy z danymi. Jeżeli programowanie potraktujesz jako narzędzie, a z ogromnych zbiorów danych potrafisz wydobyć cenne wnioski i spostrzeżenia, to kariera w roli data scientist stoi przed Tobą otworem. Tylko jak wytłumaczyć rodzinie, o co tak naprawdę chodzi w pracy z danymi? W kryminale „Pulp Fiction” człowiekiem od rozwiązywania problemów był Winston Wolf. W biznesie technologicznym za te sprawy odpowiada data scientist. Wabi Cię praca w data science? Rozpraw się z mitami.

Praca w data science ma to do siebie, że często jest jak w rodzinie, gdzie każdy jest odpowiedzialny za swoją część domowych obowiązków. Jedni planują, inni analizują, jeszcze inni spinają i ogarniają. Data scientist to taka głowa rodziny, dzięki której wszyscy wychodzą na rodzinnych fotografiach z uśmiechem i radością. Rozprawiamy się z mitami na temat przedstawicieli tego zawodu, którzy nie zawsze w prostych słowach mogą wyjaśnić, czym właściwie zajmują się na co dzień.

Mit 1: data scientist musi umieć programować

Programiści w swojej pracy skupiają się na umiejętnościach pisania kodu, tak by możliwie najlepiej rozwijać dany produkt. Ich zadanie to niemal ciągła poprawa i aktualizacja działających już procesów i oprogramowania. Na nieco innym poziomie pracuje analityk danych, który pozyskuje dane z różnych źródeł, buduje modele analityczne i na ich podstawie formułuje i wyciąga wnioski. W karierze specjalisty od danych bardzo przydaje się zmysł biznesowy, łączenie kropek i patrzenie szeroką perspektywą na wnioski płynące z danych.

To dlatego, że firmy z różnych sektorów, od zdrowia po przemysł, chcą zamienić dane na konkretne decyzje i w ten sposób usprawniać produkcję, dystrybucję czy świadczenie usług. W tym ma pomóc data scientist. We wszystkich wymienionych zawodach przydaje się wiedza z matematyki, ekonometrii, języków programowania i narzędzi do obsługi baz danych, ale również bez znajomości wzorów skróconego mnożenia i całkowania można zaczepić się w tej branży.

Mit 2: data science nie można się nauczyć w Polsce

Nie tylko wielkie korporacje zatrudniają ludzi od danych. Coraz częściej mniejsi przedsiębiorcy chcą wyprzedzić konkurencję i wykorzystać do budowania przewagi rynkowej najnowsze osiągnięcia w obszarze analityki. Problem w tym, że potrzebują specjalistów. Nie trzeba było długo czekać, żeby ten poszukiwany kierunek znalazł się w programach uczelni wyższych.

Język polski lubi płatać figle przy tłumaczeniach anglojęzycznych, stąd nazwa kierunku, gdzie między innymi kształci się specjalistów w obszarze data science, brzmi dość niepozornie – danologia. Tymi, którzy przetarli szlaki w dziedzinie polskiej danologii, albo też danetyki, w wydaniu akademickim byli naukowcy z Uniwersytetu Warszawskiego i Politechniki Wrocławskiej. To tam w 2017 roku nauka o danych stała się jedną ze specjalności studiów. Wcześniej w wielu miejscach w kraju uczelnie wyższe – te zorientowane na biznes, finanse i technologie – również kształciły specjalistów data science. Powstało wiele j kierunków związanych z big data czy zaawansowaną analityką. Obecnie na wielu uczelniach ekonomicznych i technicznych szkolenie ekspertów z zakresu data science stało się codziennością.

Mit 3: data scientist będzie zawodem przyszłości

Nieprawda – data scientist jest pracą teraźniejszości. Od co najmniej dekady żyjemy w erze big data i nieograniczonego gromadzenia danych dotyczących niemal każdego aspektu ludzkiego życia. Dane stały się czymś w rodzaju fundamentu rozwoju naszej cywilizacji. Szczególnie że pierwsze wzmianki o nauce o danych pochodzą z lat 70. XX wieku. Duński informatyk Peter Naur mówił wówczas o nauce radzenia sobie z danymi i wykorzystania ich w mieszance matematyki, statystyki i informatyki. Dopiero postępująca cyfryzacja i rozkwit internetu nadały danym taką moc, że są one nazywane ropą naftową XXI wieku. Można więc zaryzykować stwierdzenie, że specjaliści od danych mają przed sobą nie tylko świetlaną przyszłość, ale już teraz mają świetne warunki do rozwoju kariery.

Mit 4: data scientist nie ma życia, bo ciągle pracuje

To obiegowa opinia, w której pokutuje stereotyp ludzi z różnych branż, którzy nie odrywają się od ekranu komputera przez całą dobę. Przez lata grupa zawodowa IT stała się obiektem dowcipów, głównie przez niesforne działy informatyczne wielkich firm, których pracownicy na każdą awarię reagowali słowem: reset.

Czasy mocno się zmieniły, a ostatnie kilka lat to ciągle przyspieszająca rzeczywistość, w której na barkach specjalistów od rozwijających się technologii stoją całe firmy i korporacje. Od głów tych ekspertów zależy teraźniejszość i przyszłość. W tej grupie bez wątpienia są specjaliści data science, w tym zajmujący się big data, AI, ML, IoT i wielu innych. To duża odpowiedzialność i dużo pracy, ale coś za coś.

Obecnie ci, którzy pracują z danymi, to wykwalifikowani, dobrze opłacani eksperci, którzy najczęściej mają komfort wyboru miejsca pracy. Ich unikalne umiejętności sprawiają, że pracodawcy biją się o takich specjalistów, proponując im środowisko pracy, które wspiera twórcze myślenie. Nieodłączne w tym zawodzie. Komfort zawodowy daje też elastyczne godziny pracy i więcej wolnego czasu, który można poświęcić na rozwój intelektualny czy życie prywatne.

W wielu firmach liczy się zespół, team, współpraca i wymiana myśli. Umiejętność efektywnego komunikowania się z drugim człowiekiem, najczęściej klientem, ale też współpracownikiem, to absolutna podstawa.

Mit 5: data science to bardziej analiza niż research

Eksperci z wieloletnim stażem mówią, że praca w data science wiąże się z dużym wyzwaniem pozyskiwania i integrowania danych w różnych formatach i z różnych źródeł. Nic nie może być w świecie idealne, stąd dane, na których pracują specjaliści od data science, bywają niekompletne. Czasem trzeba je przetworzyć, ujednolicić, urealnić – tak by nie wyciągać pochopnych wniosków z tego, że gdzieś na świecie termometr wskazał przez pomyłkę 80 stopni Celsjusza, myląc jednostkę z Fahrenheitem.

Potrzebna jest więc ciekawość świata, otwartość na interpretację, czasami empatia, bo doświadczenia klientów i ich emocje również można potraktować jako wartościowe dane biznesowe. Kluczową umiejętnością w tej pracy jest wizualizacja, bo miliardy negatywnych komentarzy mają przecież wspólny mianownik – łapkę w dół. W pracy specjalistów data science liczy się zarówno jakość, jak i ilość.