Czym jest Data Science

Data Science, a raczej analiza danych, wciąż ewoluuje jako jedna z obiecujących branż dla wykwalifikowanych specjalistów IT. Dziś specjaliści od danych rozumieją, że muszą wykraczać poza tradycyjne umiejętności analizowania dużych ilości danych, eksploracji danych i umiejętności programistycznych. Aby odkrywać przydatne dane dla swoich organizacji, analitycy danych muszą opanować pełne spektrum cyklu życia Data Science i mieć poziom elastyczności i zrozumienia, aby zmaksymalizować zwroty na każdym etapie procesu.
Do czego potrzebna jest Data Science?
Dane, które posiadaliśmy, były przeważnie ustrukturyzowane i zajmowały mniej miejsca. W przeciwieństwie do danych w tradycyjnych systemach, dziś większość danych jest nieustrukturyzowana lub częściowo ustrukturyzowana. Według statystyk, ponad 80% danych jest nieuporządkowanych. Dane te generowane są z różnych źródeł, takich jak logi finansowe, pliki tekstowe, formy multimedialne czy sensory. Proste narzędzia biznesowe nie są w stanie przetwarzać tak dużej ilości i różnorodności danych. Dlatego potrzebujemy bardziej złożonych i zaawansowanych narzędzi analitycznych i algorytmów do ich przetwarzania, analizy i wydobywania z nich znaczących spostrzeżeń. Jest to jeden z głównych powodów, dla których Data Science jest przydatna, ale nie jedyny. Analiza danych pomaga w wielu obszarach i przypadkach. Jednym z nich jest szeroko pojęty marketing. Zrozumienie dokładnych wymagań klientów na podstawie istniejących danych, takich jak historia przeglądania przez klienta, historia zakupów, wiek i dochody. Dzięki różnorodności i rozmiarowi dostępnych danych znacznie łatwiej jest stworzyć precyzyjny i skuteczny model oraz polecić produkty klientom. Data science może być również wykorzystywana do analizy predykcyjnej. Ilość dostępnych danych jest ogromna, a dobra analiza pomaga budować znacznie lepsze modele predykcyjne. Mogą one przewidywać takie rzeczy jak pogoda czy różne katastrofy naturalne, ale nie tylko. Takie precyzyjne modele predykcyjne pozwalają na wcześniejsze podjęcie działań zapobiegawczych.
Podstawy wiedzy o danych
Specjaliści od danych powinni znać cztery podstawowe obszary, które są związane z Data Science:

• Aspekty biznesowe
• Statystyka i prawdopodobieństwo
• Technologie informacyjne i programowanie
• Komunikacja międzyludzka

Oczywiście, oprócz tych czterech podstaw, istnieją inne umiejętności i rodzaje wiedzy, które specjaliści z tej dziedziny powinni posiadać.
Opierając się na tych filarach, analityk danych to osoba, która powinna być w stanie wykorzystywać istniejące źródła danych i tworzyć nowe, gdy jest to potrzebne, aby uzyskać odpowiednie informacje i praktyczne spostrzeżenia. Te spostrzeżenia mogą być wykorzystane do podejmowania decyzji biznesowych i wprowadzania zmian w celu osiągnięcia celów biznesowych. Odbywa się to poprzez specjalistyczną wiedzę z zakresu biznesu, skuteczną komunikację i interpretację wyników oraz wykorzystanie wszystkich odpowiednich technik statystycznych, języków programowania, pakietów i bibliotek oprogramowania, infrastruktury danych i tak dalej.
Co tak naprawdę robi Data Scientist?
W ciągu ostatniej dekady analitycy danych stali się niezastąpionymi zasobami i są obecni w prawie wszystkich organizacjach. Ci specjaliści to osoby o wysokich umiejętnościach technicznych, zdolne do budowania złożonych algorytmów ilościowych do organizowania i syntetyzowania dużych ilości informacji wykorzystywanych do odpowiadania na pytania i kierowania strategią w ich organizacji. Ponadto posiadają doświadczenie komunikacyjne i cechy przywódcze niezbędne do dostarczania wyników dla różnych stron w organizacji lub firmie.
Kluczowe narzędzia techniczne i umiejętności w tej branży to:

• R
• Python
• Apache Hadoop
• MapReduce
• Apache Spark
• Bazy danych NoSQL
• D3
• Apache Pig
• Tableau
• iPython
• GitHub

Etapy pracy w Data Science?
Odkrycie: Przed rozpoczęciem projektu ważne jest, aby zrozumieć różne specyfikacje, wymagania, priorytety i wymagany budżet. Musisz mieć zdolność zadawania właściwych pytań. Tutaj oceniasz, czy posiadasz wymagane zasoby w postaci ludzi, technologii, czasu i danych, aby wspierać projekt. Na tym etapie musisz również sformułować problem biznesowy i sformułować wstępne hipotezy do przetestowania.
Przygotowanie danych: W tej fazie musisz przeprowadzać analizy przez cały czas trwania projektu. Musisz badać, przetwarzać i kondycjonować dane przed modelowaniem. Dodatkowo dane muszą być dopracowane. Możesz użyć R do czyszczenia, transformacji i wizualizacji danych. Pomoże to zobaczyć wartości odstające i ustalić związek między zmiennymi. Po wyczyszczeniu i przygotowaniu danych nadszedł czas na analizę eksploracyjną. Zobaczmy, jak możesz to osiągnąć.
Planowanie modelu: Tutaj określisz metody i techniki do wyciągania relacji między zmiennymi. Relacje te będą stanowić podstawę dla algorytmów, które zostaną zaimplementowane w następnej fazie. Wykorzystasz eksploracyjną analizę danych za pomocą różnych wzorów statystycznych i narzędzi wizualizacyjnych.
Budowanie modelu: Na tym etapie będziesz tworzyć zestawy danych do celów szkoleniowych i testowych. Zastanowisz się, czy istniejące narzędzia będą wystarczające do uruchomienia modeli, czy też będą wymagały bardziej niezawodnego środowiska (takiego jak szybkie i równoległe przetwarzanie). Przeanalizujesz różne techniki uczenia się, takie jak klasyfikacja, asocjacja i grupowanie, aby zbudować model.
Operacjonalizacja, czyli przekładanie teorii na praktykę: Na tym etapie dostarczasz ostateczne raporty, streszczenia, kod i dokumenty techniczne. Ponadto, czasami projekt pilotażowy jest również wdrażany w środowisku produkcyjnym w czasie rzeczywistym. To zapewni jasny obraz wydajności i innych powiązanych ograniczeń na małą skalę, zanim zostanie w pełni wdrożony.
Prezentacja wyników: Na tym etapie ważne jest, aby ocenić, czy osiągnąłeś cel zaplanowany w początkowej fazie. Tak więc w ostatniej fazie identyfikujesz wszystkie kluczowe wnioski, komunikujesz się z interesariuszami i określasz, czy wyniki projektu są sukcesem czy porażką, na podstawie kryteriów opracowanych w początkowej fazie odkrycia.
Specjaliści od danych pełnią niezwykle ważną i wymagającą rolę, która może mieć znaczący wpływ na zdolność firmy do osiągnięcia jej celów, czy to finansowych, operacyjnych, czy strategicznych.
Firma zbiera ogromne ilości danych, które w większości są zaniedbywane lub niewykorzystywane. Dane te, poprzez znaczące wydobywanie informacji i odkrywanie praktycznych spostrzeżeń, mogą być wykorzystywane do podejmowania kluczowych decyzji biznesowych i wprowadzania znaczących zmian w biznesie. Mogą być również wykorzystywane do optymalizacji sukcesu klienta, a następnie pozyskiwania, utrzymywania i wzrostu. Badacze danych mogą mieć ogromny pozytywny wpływ na sukces firmy, a czasem nieumyślnie powodować straty finansowe, co jest jednym z wielu powodów, dla których zatrudnienie najwyższej klasy specjalisty od danych jest kluczowe.