Un practicante de Data Science se llama un Data Scientist. Los Data Scientist resuelven problemas complejos mediante el empleo de datos de amplia experiencia en alguna disciplina científica. En general se espera que los datos científicos sean capaces de trabajar con diversos elementos de matemáticas, estadística e informática, aunque expertos en estos temas no son necesarios. Sin embargo, un Data Scientist es más probable que sea un experto en sólo una o dos de estas disciplinas y competente en otras dos o tres. Probablemente no hay persona viva que sea un experto en todas estas disciplinas - por lo que si sería extremadamente raro. Esto significa que Data Science debe ser practicado en equipo, donde todos los miembros del equipo tengan experiencia y competencia en todas las disciplinas.
Los buenos Data Scientist son capaces de aplicar sus conocimientos para lograr una amplia gama de resultados finales. Algunos de estos incluyen la capacidad de encontrar e interpretar las fuentes de datos enriquecidos, gestionar grandes cantidades de datos a pesar de las limitaciones de hardware, software y ancho de banda, combinar fuentes de datos en conjunto, por la coherencia de los conjuntos de datos, crear visualizaciones para ayudar en la comprensión de los datos y la creación de herramientas enriquecidas para que otros puedan trabajar con eficacia. Según algunos expertos, el mejor Data Scientist tienden a ser "científicos" duros en particular, en lugar de los que tienen experiencia en la informática. Los conjuntos de habilidades y competencias que los científicos emplean con los datos son muy variables. Los Data Scientist son una parte integral de la inteligencia competitiva, un campo emergente que abarca una serie de actividades, como la minería de datos y los análisis, que pueden ayudar a las empresas a obtener una ventaja competitiva.
Un objetivo importante de Data Science es hacer que sea más fácil para que otros puedan encontrar y unir los datos con mayor facilidad. Las tecnologías Data Science afectan a la forma en que accedemos a los datos y llevar a cabo la investigación en diversos ámbitos, incluyendo las ciencias biológicas, la informática médica, las ciencias sociales y las humanidades. "Desde la búsqueda de la inteligencia que integra una mejor comprensión del texto y las intenciones del usuario, a la integración de múltiples modalidades cuando se accede a la información, a la capacidad de información realmente global de múltiples fuentes y consultas de los usuarios en las respuestas, las posibilidades son infinitas."
El ser "innovador" es un negocio de riesgo. Y no tiene que mirar más allá del significado de la palabra para darse cuenta del por qué. La palabra "innovación" se deriva de la palabra latina "innovare" que significa "para renovar o cambiar". El cerebro humano parece estar cableado para tener una respuesta involuntaria a cambiar, que es a lo largo de las líneas de "¿Qué ...?, Tantos no están bien aquí". Y no parece importar cuánto la preparación se ha realizado en el establecimiento para el cambio, la respuesta inicial es el mismo ("algo no está bien"). A raíz de esta respuesta inicial viene nuestra naturaleza instintiva para colocarlo en la categoría de "bueno" o "malo". Cuando estamos hablando de cambios que implican datos digitales y software también tenemos un poco de sesgo cognitivo que superar, debido a los años de malos recuerdos en la pérdida de datos valiosos, la pérdida de incontables horas de conversión de formatos y cantidades inconmensurables de cerebro-deformación debido a las cosas constantemente cambiando. Por lo tanto, es muy probable que un cambio (cuando se experimenta) se coloca inmediatamente en la categoría de "malo" por aquellos que lo experimentan, y permanece allí hasta que se demuestre lo contrario. Además, nuestros recuerdos contaminados proporcionar una energía sin explotar para las mentes felinas para estar listo para cuando algo sale mal una vez, y parece exclamar "¡AH HUH!, Yo sabía que esto era una mala idea". Cada vez que un reto menor emerge. Y a la inversa, cuando vemos una mejora de más de un indeciso "humm bien, este podría ser mejor ... Voy a seguir intentándolo y lo veréis ". Así que para ser etiquetado como "innovadoras", cuando se trata de datos digitales y software, al parecer, una buena cantidad de las necesidades para convencer a suceder antes de que el cambio sea honrado con el precursor de "un cambio para mejor" estado.
Data Scientist: proceso de 3 pasos para combatir esto son:
1. Predicar con el ejemplo al abrazar el cambio. La próxima vez que se encuentre reaccionando a un cambio, observe su mente habitualmente etiquetado como "bueno" o "malo" y luego pasar a tomar un perspectiva "neutral" antes de tomar la decisión definitiva. Aún podría terminar en la categoría de "malo" pero dándole un campo de juego neutral que permite una evaluación más precisa. Al abrazar el cambio lo verá como lo que realmente es.
2. Que el cambio sea iniciado por los usuarios. Se puede sentir contrario a la intuición, pero en algunos casos todo lo posible para dejar las cosas como están. Si nadie se queja de algún problema, no "despertar al perro" por así decirlo. Esto no quiere decir que debe ocultar nada a nadie, pero asegúrese de que tiene el apoyo del usuario antes de "mirar al perro a los ojos".
3. Presentar el valor del cambio siempre que sea posible. Conseguir recordar por qué se inició un cambio que es siempre una buena cosa, especialmente si han surgido problemas imprevistos. Proporcione una oportunidad para validar el valor que el cambio trae y que todavía vale la pena.
El uso de este proceso de 3 pasos, puede reducir el riesgo de implementar un cambio positivo sólo para que se vista por los que la utilizan como un cambio negativo. La tecnología avanza a una velocidad tal que se ejecuta a cabo la evolución de nuestros circuitos de cableado en el cerebro humano. El papel de un Data Scientist está perfectamente posicionado para iniciar el cambio positivo, sin embargo, no es necesario ser un Data Scientist antes de comenzar a practicar la manera de un Data Scientist.
La Cultura de un Data Scientist contiene los siguientes principios:
1. Aceptar el cambio.
2. Aprende a amar el aprendizaje.
3. Creer de forma transparente.
4. Sirve para inspirar.
5. Enseñar para la acción y la transformación.
Así que en resumen, el papel del Data Scientist puede dar un nivel de satisfacción en el trabajo que le permite trabajar en la industria que le apasiona. Sin embargo, no es una solución rápida. Es necesario trabajar en ello y mientras se toma el enfoque del trabajo más inteligente en lugar de trabajar más duro, usted no conseguirá quemarse por las demandas que el papel conlleva. Comience con el juego interior. Traiga más control y dirección en la forma de manejar las situaciones. Esfuércese fuera de su zona de confort. Y escuche. Una vez que domine estas cuestiones, entonces el resto es fácil.
Si está interesado en aprender más, únase a la lista de correo en DataScientists.Net. Han creado DataScientists.Net para los interesados en este nuevo campo de compartir experiencias y conocimientos para que podamos servir para inspirar e instruir a otros en la organización, embalaje y entrega de información. La visión de DataScientists.Net es ser el número uno para la colaboración en línea para los Data Scientist para reunirse, aprender y enseñar.
Artículos relacionados:
¿Qué es Data Sandbox?
¿Qué es Big Data?
Gestion de los Registros (Records Management) (I)
Gestión de los Registros (Records Management) (II)
Gestión de los Registros (Records Management) (III)
Gestion de los Registros (Records Management) (IV)
No hay comentarios:
Publicar un comentario
Puedes dejar tu comentario--muchas gracias--You can leave a comment-- Thank you very much--