Jako ludzkość, od wielu lat gromadzimy różnego rodzaju dane. Początkowo metody zapisu były niedopracowane, a same zbiory informacji - dość okrojone. Dziś są one tak szerokie, że w wielu przypadkach nie sposób ich objąć rozumem; dokładnie w tym miejscu do akcji wkracza data scientist, czyli człowiek zajmujący się analityką, weryfikacją i prezentacją wyników działań bazodanowych.
![]()
Data science - czym jest i dlaczego warto tym się zajmować?
Chociaż wielu osobom data science kojarzy się głównie z IT, programowaniem i operacjami w obrębie baz danych, to takie zawężanie tego zajęcia jest błędem. Dziedzina ta jest interdyscyplinarna, czyli może dotyczyć znajomości wielu różnych branż i obszarów życia: od medycyny, przez ekonomię, po zasady funkcjonowania w społeczeństwie. Dlaczego tak? Zastanówmy się: zbiory danych są obecne wszędzie, zarówno w działaniach marketingowych, jak i podczas próby ratowania ludzkiego życia.
Zadaniem data scientist jest nie tylko sprawne poruszanie się wśród danych, ale przede wszystkim umiejętność wyciągania wniosków, a jeszcze dalej – atrakcyjnego prezentowania ich.
Wygląda więc na to, że mamy do czynienia z zadaniem trudnym i jest tak w istocie. Dlaczego zatem warto się tym zajmować?
- To zajęcie dobrze płatne. Firma, która zatrudnia osoby pracujące w obszarach data science doskonale wie, jakie przewagi rynkowe może w ten sposób wypracować, dlatego tego typu eksperci zaliczają się do grona najcenniejszych.
- Nie ma wielkiej konkurencji. Jeśli chcesz aplikować na stanowisko programisty-juniora w 2024 roku, to przygotuj się na ogromną konkurencję. W data science jest zupełnie odwrotnie – to pracodawcy szukają, często bezskutecznie. Inną kwestią pozostaje to, że w tym zawodzie liczy się doświadczenie i mało kto chce inwestować w „juniorów”…
- Zyskasz dużo satysfakcji. Ciągły rozwój i nauka to twoje „strefy komfortu”? Jeśli tak, a przy okazji chcesz dokonać kilku przełomowych odkryć, to data science będzie ścieżką kariery, która da ci nie tylko duży zarobek, ale i jeszcze większe zadowolenie z wykonywanych działań.
I chociaż powyższa lista jest zachęcająca, to jednak pozostaje wieloma godzinami zdobywania odpowiednich kompetencji. Sprawdźmy jakich!
Czytaj również: "Programowanie w Minecraft: kreatywne możliwości i nauka kodowania dla graczy"
![]()
Jakie umiejętności są kluczowe w data science?
Wcześniej pisaliśmy, że data science należy kojarzyć nie tylko z IT, lecz mówiąc o umiejętnościach, to właśnie w tę stronę najczęściej idą podstawy działania osób pracujących z danymi.
Warto umieć programować, szczególnie w SQL i Pythonie
Najprościej rzecz ujmując, dane są zgromadzone w cyfrowych bazach danych (najczęściej) i to właśnie te zbiory trzeba poddać analizie. Aby potrafić to zrobić, trzeba nie tylko znać ich konstrukcję, ale też umieć zadać odpowiednie pytanie, jak również posiłkować się programami, które wykonują pewne obliczenia i pomogą w szukaniu interesujących nas zmiennych. Od lat siedemdziesiątych ubiegłego wieku, niezmiennie w tych zagadnieniach potrzebny jest SQL, pozwalający swobodnie pracować z tabelarycznymi bazami danych. Oprócz tego warto znać też Pythona (jeden z najbardziej „trendy” języków w IT obecnie), R, konstrukcję baz NoSQL.
Trzeba mieć studia? Zazwyczaj tak, ale liczy się doświadczenie
W większości ogłoszeń o pracę, osoby zlecające życzą sobie, aby kandydat posiadał dyplom bądź był w trakcie jego zdobywania (np. aby móc odbyć praktyki w korporacji, duże przedsiębiorstwa w ten sposób pozyskują zdolnych przyszłych specjalistów). Przy czym nie musi to być koniecznie magister związany z IT/programowaniem, ale – w niektórych przypadkach to szczególnie cenne – branżą, do której aplikuje. Im więcej doświadczenia, tym lepsze spojrzenie pracodawcy (i wyższe zarobki). Warto mieć za sobą przynajmniej 5 lat przepracowanych na podobnym stanowisku, zanim udamy się szukać posady z wyższą pensją.
Poza sprawnym liczeniem, warto też znać się na biznesie i… sztucznej inteligencji
Warto zdawać sobie sprawę komu i dlaczego jest potrzebna praca data scientist. Są to głównie ludzie biznesu, którzy wiedzą, że po przeanalizowaniu odpowiedniego zbioru – np. klientów własnych, bądź konkurencji – poznają klucz do maksymalizacji zarobków, odkryją rynkową niszę, wyprzedzą innych w dostarczaniu kluczowych produktów. Dlatego w szeroko pojętym data science warto posiadać też kilka kompetencji miękkich z szeroko pojętej wiedzy biznesowej. Co ciekawe, w wielu przypadkach można też sięgać do machine learning, AI, czyli bardzo modnych obecnie tematów, aby nie tylko sprawniej analizować dane, ale też jeszcze lepiej umieć je zaprezentować.
Jak zacząć przygodę z data science?
Jakie powinny być absolutne początki? Przede wszystkim skupienie na nauce, jeśli to tylko możliwe – już w szkole podstawowej. Warto tym samym wziąć dodatkowe lekcje z matematyki, nawet, jeśli mamy do czynienia z uczniem „piątkowym”. Z perspektywy rodzica, jeśli zauważony zostanie talent do analizowania u dziecka, łatwość poruszania się w cyfrowych interfejsach i zainteresowanie programowaniem, to dobrze jest rozwijać u dziecka te zdolności jak najszybciej, intensywnie.
Co ciekawe, z usług nauczyciela indywidualnego można skorzystać właściwie na każdym etapie rozwoju i zaawansowania wiekowego. Tzw. korepetycje są bowiem nie tylko domeną uczniów przygotowujących się do egzaminów, ale też tych, którzy w intensywny sposób pragną poszerzać wiedzę z różnych dziedzin. Nic nie stoi bowiem na przeszkodzie, aby na zajęciach spotkać się zarówno z matematykiem, jak i programistą, czy też osobą z ukończonymi studiami medycznymi. Gdzie jest tak szeroki wybór? Oczywiście w internecie, a osoby chętne do nauczania i nauki skupia specjalistyczny serwis BUKI. Tak jak wspominamy – nie należy go traktować tylko i wyłącznie jako wsparcie dla uczniów z trudnościami, ale też jako perspektywę pogłębienia wiedzy i kompetencji twardych i miękkich.
Oczywiście właściwy początek z data science warto odbyć poprzez pójście na odpowiednio sprofilowane studia, a dalej – jak najszybsze rozpoczęcie praktyk. Po raz kolejny warto podkreślić, że dla większości pracodawców liczy się doświadczenie, które można zdobyć np. podczas pracy programistycznej przy bazach danych, stopniowo przenosząc ciężar na typową analitykę.
