Sa Paano Buuin ang Iyong Data Science Team Sa 2022, ang data science ay magiging isa sa pinakamahalagang teknolohikal na kasanayan para sa lahat ng empleyado. Ngunit paano mo eksaktong matutulungan ang iyong koponan sa pagbuo ng mga talentong ito at matukoy kung ano ang kailangan nilang matutunan? Kamakailan, nagpadala kami ng tanong sa isang pangkat ng mga data scientist, na humihiling sa kanila na magbigay ng anumang payo na maaaring mayroon sila para sa pagbuo ng isang pangkat ng data science. Ang ilang mga pangunahing takeaway ay nakalista sa ibaba.
Maghanap ng talento sa loob ng iyong organisasyon.
Walang sapat na mga tao sa merkado na nagtataglay ng mga kinakailangang kasanayan upang tumugma sa lumalawak na pangangailangan para sa mga kakayahan sa pagsusuri gaya ng machine learning, data science, at data visualization. Dahil dito, talagang kinakailangan na linangin ang kasanayang ito sa loob ng organisasyon.
Ayon kay Mike Cohen, isang instruktor sa Udemy, ang proseso ng pagbuo ng talento sa loob ng bahay nangangailangan ng dalawang-pronged na diskarte. Ang unang prong ay binubuo ng patuloy na edukasyon at pagsasanay sa pare-parehong batayan. Naniniwala si Mike na ang data science ay palaging umuunlad sa mga bagong lugar.
Ipinahihiwatig nito na ang iyong in-house na staff ay dapat na regular na maglaan ng ilang oras nito upang mapanatili ang pinakabagong mga pag-unlad sa sektor at pag-aralan ang mga pangunahing kakayahan sa matematika at istatistika kung saan binuo ang mga diskarte sa data science.
Sikaping makamit ang isang equilibrium sa pagitan ng saklaw at lalim ng iyong kaalaman
Naniniwala si Mike na kung susubukan mong malaman ang lahat, wala kang masyadong alam tungkol sa anumang bagay. Bilang karagdagan, hindi posible na magkaroon ng kumpletong kaalaman sa larangan ng data science.
Ang layunin para sa mga data scientist ay dapat na magkaroon ng balanse sa pagitan ng pagkakaroon ng malawak na base ng kaalaman at malalim na pag-unawa sa ilang partikular na paksa. Sa ibang paraan, sinabi ni Mike na "ang bawat indibidwal ay dapat magkaroon ng kanilang sariling malalim na kaalaman sa isang maliit na bilang ng mga isyu."
Mabilis na Link:
Bigyan ang mga miyembro ng iyong team ng mga tool na kailangan nila para mabuo ang kanilang mga kakayahan sa data science.
Aling mga teknolohiya ang nagbibigay sa iyong data scientist ng pinakamagandang pagkakataon na maging matagumpay? Naniniwala si Diogo na ang pinaka-epektibong tool para sa data science ay ang mga nagpapadali sa pagtutulungang gawain. Ang sumusunod ay isang listahan ng ilan sa mga partikular na uri ng teknolohiya na kakailanganing gamitin ng mga data scientist sa pare-parehong batayan.
Mga tool para sa mga collaborative na notebook Ang mga notebook ay isang anyo ng interactive na computing na nagbibigay-daan sa mga data scientist na hindi lamang magsulat at magpatakbo ng code kundi tingnan din ang mga resulta at makipagtulungan sa kanilang mga natuklasan.
Pinapatibay nila ang kooperasyon habang sabay-sabay na gumagawa ng mabilis na feedback loop. Mayroong malawak na pagpipilian ng mga tool sa notebook na magagamit, ngunit ang Jupyter na ngayon ang pinakamadalas na ginagamit na alternatibo.
Ayon kay Rebecca Vickery, na nagtatrabaho sa Towards Data Science, "Kailangan ng mga data scientist na gumamit ng GitHub para sa halos parehong dahilan na ginagawa ng mga software engineer," na para sa pakikipagtulungan, "ligtas" na gumagawa ng mga pagbabago sa mga proyekto at nagagawang subaybayan at i-rollback ang mga pagbabago sa paglipas ng panahon. Ang GitHub ay isang version control system (VCS).
Isang database na mabilis at epektibo, pati na rin ang simpleng pagtatanong: Upang maisakatuparan nang epektibo ang kanilang mga tungkulin, kailangan ng mga data scientist na makabuo at makalikha ng mga database pati na rin ang interface sa mga umiiral na.
Ayon kay Sara Metwalli ng Towards Data Science, “Ginagawa ng mga database na ligtas, mahusay, at mabilis ang organisadong imbakan.
” Ang mga ito ay nagsisilbing gabay para sa wastong organisasyon, pag-iimbak, at pagkuha ng mga datos na nakolekta. Kung mayroon kang mga database, hindi mo na kailangang dumaan sa problema sa pag-iisip kung ano ang gagawin sa iyong data para sa bawat bagong proyekto. Ang Hive, Presto, at Redshift ay mga halimbawa ng mga sikat na database management system.
Ang mga teknolohiya ng dashboard na simpleng gamitin ay nagiging popular dahil mas maraming manggagawa ang interesadong makakuha ng mga insight mula sa data, kahit na hindi nila hawak ang opisyal na titulo ng data scientist. Ang Tableau at Looker ay mga halimbawa ng mga solusyon sa dashboard ng visualization ng data na tumutulong na gawing mas madali ang pagpapakita at pagbabahagi ng data.
