დიჯეი პატილი, თეთრი სახლის პირველი მთავარი მეცნიერი, ყოფილი პრეზიდენტის ბარაკ ობამას დროს.abin Botsford / Washington Post Getty Images– ის საშუალებით თუ ამ ბოლო დროს ოდნავი ყურადღებაც კი მიაქციეთ სამუშაო ბაზარს, ამ დღეებში ალბათ შეამჩნევდით აყვანის ამაღელვებელ ტენდენციას: ყველა რეკრუტერი, მსხვილი კორპორაციიდან და პატარა სტარტაპებიდან, ცდილობს შეავსოს პოზიცია, რომელსაც უწოდებენ მონაცემთა მეცნიერს. თუ კარგად დააკვირდებით, სავარაუდოა, რომ თქვენს ზოგიერთ მეგობარს, რომლებსაც არ გააჩნიათ მეცნიერების ცოდნა, უკვე მოჰყვა ხმაური და მოახდინეს საკუთარი პროფესიონალური რებრენდის შექმნა, როგორც LinkedIn– ის მონაცემთა მეცნიერები.
მონაცემების მეცნიერი ტერმინი, რომელიც ფაქტობრივად მხოლოდ რამდენიმე წლის წინ არ ყოფილა, ახლა 25000-ზე მეტ შედეგს იბრუნებს LinkedIn's Jobs გვერდზე - ეს 2,000-ით მეტია, ვიდრე უნივერსალური ტენდენციური ფინანსური ანალიტიკოსის ძიების შედეგები (ყოველ შემთხვევაში ჩვენთვის, ნიუ-იორკელებისთვის).
რატომ მოხდა მოულოდნელი ინტერესი? რას ნიშნავს ეს, მაგალითად, რას აკეთებენ მონაცემთა მეცნიერები? ეს კითხვები მივმართე იმ ადამიანს, ვინც ვხვდებოდი, რომ ყველაზე კვალიფიციური პასუხი გასცა მათ: ბიჭს, რომელმაც გამოიყენა ტერმინი მონაცემთა მეცნიერი.
დიჯეი პატილი, ა LinkedIn– ის ყოფილი აღმასრულებელი (2008 წლიდან 2011 წლამდე), რომელიც მოგვიანებით მსახურობდა თეთრი სახლის მთავარ მონაცემთა მეცნიერად პრეზიდენტ ბარაკ ობამას მეთაურობით, ცნობილია როგორც მონაცემთა პირველი მეცნიერი აშშ-ში. მისი მთავრობის როლი შეიქმნა ადმინისტრაციის მასშტაბით დიგიტალიზაციის მცდელობაში. ობამა, მაგრამ ამ როლის აღსაწერად გამოყენებული სიტყვების არჩევანი გადაწყდა მის დღეებში LinkedIn- ში.
მე ვიყავი LinkedIn– ის მონაცემთა ჯგუფის მშენებლობაში, ხოლო ჯეფ ჰამერბახერი [Cloudera– ს თანადამფუძნებელი] აქტიური იყო Facebook– ის მონაცემთა გუნდში, და ჩვენ ვთანამშრომლობდით და შევადარებდით ხოლმე შენიშვნებს. ერთი რამ, რაც მივხვდით, იყო ის, რომ არ ვიცოდეთ რა უნდა გვეწოდებინა, - თქვა პატილმა გასულ თვეში Braganca- თან ინტერვიუში.
საკუთარ თავს ანალიტიკოსს უწოდებთ? ძალიან გრძნობს უოლ სტრიტს. მკვლევარი მეცნიერი თუ სტატისტიკოსი? ის თავს ძალიან აკადემიურად გრძნობს, გაიხსენა მან. რადგან LinkedIn- ში ვმუშაობდი, მე უბრალოდ გამოვცადე ყველა სამუშაო სათაური, რომელთა მოფიქრებაც შეგვეძლო, რომ ენახა, რომელი იყო ყველაზე მეტად დაინტერესებული სამუშაოს განმცხადებლებისგან. აღმოჩნდა, რომ ყველას სურდა ყოფილიყო მონაცემთა მეცნიერი, ამიტომ ჩვენ ვგავართ, კარგი, ასე ვუწოდებთ საკუთარ თავს.
სათაური საკმაოდ დახვეწილი და საკმაოდ ბუნდოვნად ჟღერს იმისთვის, რომ მრეწველობა გადალახოს და სერიოზულად აღიქვას, თუნდაც იმ ადამიანებმა, რომლებსაც წარმოდგენა არ აქვთ რა არის ეს.
მე ვფიქრობ, რომ ამის ფუნდამენტური მიზეზი ის არის, რომ ხალხი ნამდვილად არ არის დარწმუნებული რას ნიშნავს ეს. და ეს არის ძალა, თქვა პატილმა. როდესაც შენ თავს რაღაცას აფასებ, ხალხი იმასაც აფასებს, რაც შენ არ უნდა იყო. ასე რომ, როდესაც ოთახში ხართ და ამბობთ, რომ მონაცემთა ანალიტიკოსი ხართ, ისინი იფიქრებენ, რომ თქვენ არ უნდა იყავით შეხვედრების ამ დონეზე. მაგრამ როდესაც იტყვი, რომ მონაცემების მეცნიერი ხარ, ისინი ისე იქნებიან, მადლობა ღმერთს, რომ აქ ჭკვიანი ხალხი გვყავს.
მონაცემების მეცნიერებზე მოთხოვნილება გარკვეულწილად განპირობებულია ინტერნეტის ეპოქაში დაგროვილი მონაცემების უპრეცედენტო სიმრავლით, რამაც გაზარდა სხვადასხვა ინდუსტრიაში დიდი მონაცემებთან დაკავშირებული სამუშაოების ბუმი. სექსუალურად ჟღერადობის სათაურის მიხედვით, რეკრუტერებმა გაუადვილეს სამუშაოს რეკლამების განთავსება და სამუშაოს მაძიებლებისთვის ხელსაყრელი იყო საკუთარი თავის პოპულარიზაციისთვის. მაგრამ მისმა ბუნებრივმა ბუნდოვანებამ ასევე გამოიწვია კრიტიკა მათგან, ვინც შეცბუნებულია იმის შესახებ თუ რას ნიშნავს ეს სინამდვილეში.
კლინტ ჩეგინმა, კარიერის საიტის პროდუქტის მენეჯერმა, მართლაც გამოხატა იმედგაცრუება ა საშუალო პოსტი სახელწოდებით, მონაცემთა მეცნიერის მსგავსი რამ არ არსებობს.
მონაცემთა მეცნიერების სამუშაო აღწერილობების აბსოლუტური უმრავლესობა არ გამოხატავს იმ პოზიციის რეალურ მოთხოვნებს, რასაც ისინი აცხადებენ, წერდა ჯერემი ჰარისი, SharpestMinds- ის კარიერული სწავლების პლატფორმის დამფუძნებელი.
ზოგადად წინააღმდეგი ვარ მისი ძალიან მკაცრად განსაზღვრისა, - თქვა პატილმა. მთავარია, როგორ იყენებთ მონაცემებს სამყაროსთან ურთიერთობისთვის, შეისწავლეთ ისინი და შეეცდებით ახალი რამის მოფიქრებას.
ზოგი მათგანი ახალი პროდუქტია, მაგალითად, თვითმართვადი მანქანა ან თქვენი ამინდის აპლიკაცია . სხვები მონაცემების ანალიზს იყენებენ, რაც ხალხს ეხმარება სესხებით დამთავრებული, ჯანდაცვის გადაწყვეტილებებამდე ყველაფრის შეფასებაში. არსებობს მონაცემთა ყველა სახის მეცნიერი.იქნებ სათაური გადარჩა და შეიძლება ის რაღაც სხვად იქცეს. მე ვფიქრობ, რომ ყველაზე ძლიერი აქ არის ის, რომ ჩვენ ვიყენებთ მონაცემებს ნივთების ასაშენებლად ახალი ფორმებით.
