Λίστα καταλόγων δεξιοτήτων δεδομένων και παραδείγματα

Ο "επιστήμονας δεδομένων" είναι ένας ευρύς όρος που μπορεί να αναφέρεται σε έναν αριθμό τύπων σταδιοδρομιών. Γενικά, ένας επιστήμονας δεδομένων αναλύει τα δεδομένα για να μάθει για τις επιστημονικές διαδικασίες. Ορισμένοι τίτλοι εργασίας στην επιστήμη των δεδομένων περιλαμβάνουν αναλυτή δεδομένων, μηχανικό δεδομένων, επιστήμονα έρευνας υπολογιστών και πληροφοριών, αναλυτή έρευνας επιχειρήσεων και αναλυτή συστημάτων πληροφορικής.

Οι επιστήμονες των δεδομένων εργάζονται σε ποικίλες βιομηχανίες, από την τεχνολογία έως την ιατρική έως τις κυβερνητικές υπηρεσίες. Τα προσόντα για μια εργασία στην επιστήμη των δεδομένων ποικίλλουν επειδή ο τίτλος είναι τόσο ευρύς. Ωστόσο, υπάρχουν ορισμένες δεξιότητες που αναζητούν οι εργοδότες σχεδόν σε κάθε επιστήμονα δεδομένων. Οι επιστήμονες δεδομένων χρειάζονται ισχυρές στατιστικές, αναλυτικές δεξιότητες και δεξιότητες αναφοράς.

Ακολουθεί μια λίστα δεξιοτήτων επιστημόνων δεδομένων για βιογραφικά σημειώματα, συνοδευτικές επιστολές, αιτήσεις εργασίας και συνεντεύξεις. Περιλαμβάνεται ένας λεπτομερής κατάλογος των πέντε σημαντικότερων δεξιοτήτων δεδομένων επιστημόνων, που συνοδεύονται από καταλόγους σχετικών δεξιοτήτων και εργασιακών ευθυνών.

Συμβουλές για τη χρήση μιας λίστας δεξιοτήτων

Ένα βασικό μέρος της δημιουργίας ενός βιογραφικού σημειώματος και επιστολής συνοδευτικής επιστολής που παρατηρείται από τους εργοδότες είναι η ενσωμάτωση όσο το δυνατόν περισσότερων λέξεων-κλειδιών και φράσεων-κλειδιών για συγκεκριμένες θέσεις εργασίας. Αυτό οφείλεται στο γεγονός ότι οι εταιρείες που απασχολούν τώρα συχνά χρησιμοποιούν αυτοματοποιημένα συστήματα παρακολούθησης υποψηφίων (συστήματα ATS) για την παροχή πρώτης φάσης ανάλυσης των αιτήσεων εργασίας που λαμβάνουν. Όσο περισσότερες λέξεις-κλειδιά περιέχει το βιογραφικό σας, τόσο πιο πιθανό είναι να περάσετε την πρώτη περικοπή από το σύστημα ATS και, τελικά, να φτάσετε στο ανθρώπινο μάτι ενός διαχειριστή μίσθωσης.

Οι όροι που αναφέρονται εδώ είναι από τις πιο συχνά αναζητούμενες λέξεις-κλειδιά που προγραμματίζονται σε συστήματα ATS και χρησιμοποιούνται σε θέσεις εργασίας για επιστήμονες δεδομένων. Έτσι, θα πρέπει να προσπαθήσετε να ενσωματώσετε πολλές από αυτές τις φράσεις-κλειδιά στο βιογραφικό σας σημείωμα - σε μια πρώτη σύνοψη των προσόντων, στην ενότητα του ιστορικού εργασίας σας, και σε έναν τεχνικό πίνακα που περιγράφει τις δυνατότητες υλικού και λογισμικού.

Θα πρέπει επίσης να περιγράψετε την εντολή σας για τις σημαντικότερες από αυτές τις δεξιότητες στη συνοδευτική επιστολή σας και, τελικά, κατά τις προσωπικές σας συνεντεύξεις. Βεβαιωθείτε ότι έχετε βελτιώσει αυτές τις περιγραφές με συγκεκριμένα παραδείγματα για το πώς έχετε χρησιμοποιήσει κάθε δεξιότητα σε ένα περιβάλλον εργασίας ή κατάρτισης.

Ο καλύτερος οδηγός σας ως προς ποια από αυτές τις λέξεις-κλειδιά πρέπει να συμπεριλάβετε είναι η περιγραφή εργασίας στην οποία υποβάλλετε αίτηση. Κάθε εργασία για την οποία απευθυνθείτε θα απαιτήσει διαφορετικές δεξιότητες και εμπειρίες, γι 'αυτό φροντίστε να διαβάσετε προσεκτικά την περιγραφή της εργασίας και να εστιάσετε στις ικανότητες που απαριθμεί ο εργοδότης, προσαρμόζοντας κάθε βιογραφικό σημείωμα και συνοδευτική επιστολή που υποβάλλετε στα προσόντα που ζητούν διάφοροι εργοδότες.

Top 5 Δεξιότητες Επιστήμονα Δεδομένων

Αναλυτικός

Ίσως η πιο σημαντική δεξιότητα για έναν επιστήμονα δεδομένων είναι να είναι σε θέση να αναλύσει τις πληροφορίες. Οι επιστήμονες των δεδομένων πρέπει να εξετάσουν και να κατανοήσουν τα μεγάλα δεδομένα. Πρέπει να είναι σε θέση να δουν τα πρότυπα και τις τάσεις στα δεδομένα και να εξηγήσουν αυτά τα πρότυπα. Όλα αυτά απαιτούν ισχυρές αναλυτικές δεξιότητες.

• Αναλυτικά εργαλεία
• Analytics
• Μεγάλα δεδομένα
• Κατασκευή προγνωστικών μοντέλων
• Δημιουργία ελέγχων για τη διασφάλιση της ακρίβειας των δεδομένων
• Κριτική σκέψη
• Δεδομένα
• Ανάλυση δεδομένων
• Δεδομένα Analytics
• ΧΕΙΡΑΓΩΓΗΣΗ ΔΕΔΟΜΕΝΩΝ
• Συζητήσεις δεδομένων
• Εργαλεία επιστήμης δεδομένων / Εργαλεία δεδομένων
• Εξόρυξη δεδομένων
• Αξιολόγηση νέων αναλυτικών μεθοδολογιών
• Διερμηνεία δεδομένων
• Μετρήσεις
• Στοιχεία κοινωνικών μέσων εξόρυξης
• Μοντελοποίηση δεδομένων
• Εργαλεία μοντελοποίησης
• Παραγωγή απεικονίσεων δεδομένων
• Ερευνα
• Μοντελοποίηση κινδύνου
• Δοκιμές υποθέσεων

Δημιουργικότητα

Το να είσαι καλός επιστήμονας δεδομένων σημαίνει επίσης να είσαι δημιουργικός. Πρώτον, πρέπει να χρησιμοποιήσετε τη δημιουργικότητα για να εντοπίσετε τις τάσεις στα δεδομένα. Δεύτερον, πρέπει να κάνετε συνδέσεις μεταξύ δεδομένων που μπορεί να φαίνονται άσχετα. Αυτό απαιτεί πολλή δημιουργική σκέψη. Τέλος, πρέπει να εξηγήσετε αυτά τα δεδομένα με τρόπους που είναι σαφείς για τα στελέχη της εταιρείας σας. Αυτό συχνά απαιτεί δημιουργικές αναλογίες και εξηγήσεις.

• Ικανότητα προσαρμογής
• Μεταφορά Τεχνικών Πληροφοριών σε Μη Τεχνικούς
• Λήψη αποφάσης
• Αποφάσεις δέντρων
• Εκτέλεση σε περιβάλλον με γρήγορο ρυθμό
• Λογική σκέψη
• Επίλυση προβλήματος
• Εργασία ανεξάρτητα

Επικοινωνία

Οι επιστήμονες δεδομένων δεν πρέπει μόνο να αναλύουν τα δεδομένα, αλλά πρέπει επίσης να εξηγήσουν αυτά τα δεδομένα σε άλλους. Πρέπει να είναι σε θέση να επικοινωνούν τα δεδομένα στους ανθρώπους, να εξηγούν τη σημασία των προτύπων στα δεδομένα και να προτείνουν λύσεις. Αυτό συνεπάγεται την εξήγηση σύνθετων τεχνικών ζητημάτων κατά τρόπο που είναι εύκολο να κατανοηθεί. Συχνά, η επικοινωνία δεδομένων απαιτεί οπτικές, προφορικές και γραπτές δεξιότητες επικοινωνίας.

• Αβεβαιότητα
• Συνεργασία
• Συμβουλευτική
• Καλλιέργεια σχέσεων με εσωτερικούς και εξωτερικούς ενδιαφερόμενους
• Εξυπηρέτηση πελατών
• Τεκμηρίωση
• Σχεδίαση συναίνεσης
• Διευκόλυνση συναντήσεων
• Ηγετικες ΙΚΑΝΟΤΗΤΕΣ
• Mentoring
• Παρουσίαση
• Διαχείριση έργου
• Μεθοδολογίες διαχείρισης έργων
• Χρονοδιάγραμμα έργου
• Παροχή Οδηγιών στους Επαγγελματίες Πληροφορικής
• Αναφορά
• Εποπτικές δεξιότητες
• Εκπαίδευση
• Λεκτικές επικοινωνίες
• Γραφή

Μαθηματικά

Ενώ οι μαλακές δεξιότητες όπως η ανάλυση, η δημιουργικότητα και η επικοινωνία είναι σημαντικές, οι σκληρές δεξιότητες είναι επίσης κρίσιμες για τη δουλειά. Ένας επιστήμονας δεδομένων χρειάζεται μαθηματικές δεξιότητες, ιδιαίτερα σε πολυπαραγωγικούς λογισμούς και γραμμική άλγεβρα.

• Αλγόριθμοι
• Δημιουργία αλγορίθμων
• Ρυθμίσεις δεδομένων ανάκτησης πληροφοριών
• Γραμμική άλγεβρα
• Μοντέλα μηχανικής μάθησης
• Τεχνικές μηχανικής μάθησης
• Πολύ μεταβλητός υπολογισμός
• Στατιστική
• Στατιστικά μαθησιακά μοντέλα
• Στατιστική Μοντελοποίηση

Προγραμματισμός και τεχνικές ικανότητες

Οι επιστήμονες δεδομένων απαιτούν βασικές δεξιότητες πληροφορικής, αλλά οι δεξιότητες προγραμματισμού είναι ιδιαίτερα σημαντικές. Η ικανότητα κωδικοποίησης είναι κρίσιμη για σχεδόν οποιαδήποτε θέση επιστήμονα δεδομένων. Η γνώση των γλωσσών προγραμματισμού όπως Java, R, Python ή SQL είναι απαραίτητη.

• AppEngine
• Υπηρεσίες Amazon Web (AWS)
• C ++
• Υπολογιστικές δεξιότητες
• CouchDB
• js
• ECL
• Φωτοβολίδα
• API Google Visualization
• Hadoop
• HBase
• Ιάβα
• Matlab
• Microsoft Excel
• Perl
• PowerPoint
• Πύθων
• R
• js
• Λογισμικό εργαλείων αναφοράς
• SAS
• Γλώσσες συγγραφής
• SQL
• Ζώσα σκηνική εικών

Πρόγραμμα εργασίας για τους επιστήμονες δεδομένων

Σύμφωνα με το Γραφείο Στατιστικών Εργασίας, απασχολούν 27.900 άτομα ως επιστήμονες έρευνας και πληροφορικής το 2016. ο μέσος ετήσιος μισθός τους το 2017 ήταν 114.520 δολάρια. Οι ευκαιρίες σταδιοδρομίας σε αυτόν τον τομέα αναμένεται να αυξηθούν κατά 19% έως το 2026, πολύ πιο γρήγορα από τον μέσο όρο.