数据分析在做什么？ UpGrad 的团队数据发声！

Team Data Analytics 正在为 UpGrad 的工作专业人士创造最身临其境的学习体验。

Data Insider 最近联系了我，了解我对数据分析行业的见解； 包括当今开发人员需要注意的趋势和必备技能。 事情是这样的：

当今数据分析行业的竞争力如何？ 对这类专业人士的需求是什么？

让我们谈谈一些数字，一份被广泛引用的麦肯锡报告指出，到 2018 年，美国将面临约 150 万数据专业人员的严重短缺。在正在成为全球分析中心的印度，此类专业人员的短缺可能会增加高达20万。 仅在印度，从 2015 年 6 月到 2016 年 6 月，分析工作的数量就增加了 120%。因此，我们显然面临着挑战。 自然，由于人才严重短缺，人才需求量很大。

您今天关注数据分析行业的哪些趋势？ 你为什么对他们感兴趣？

我们应该注意三个关键趋势：

个性化

我认为使用数据创建个性化系统是一个关键趋势，被极速采用，全面。 大多数互联网服务正在消除在线用户的匿名性，并朝着差异化的方向发展。 例如，当您输入消息时的单词推荐或使用优步时的目的地推荐。

摩尔定律的终结

另一个值得关注的有趣趋势是，随着摩尔定律的终结，公司如何变得越来越有创意。 摩尔定律基本上表明，两年前，我们将能够在芯片上安装两倍数量的晶体管。 因为这条定律，我们释放了存储和处理海量数据的力量，负责整个数据革命。 但接下来会发生什么？

物联网

另一个需要注意的趋势，因为它带来的纯粹可能性。 云、大数据和 IoT（物联网）的结合使智能系统的出现成为可能。

哪些技能对当今的数据工程师至关重要？ 他们需要知道什么才能保持竞争力？

一个优秀的数据科学家在三个领域罕见地重叠：

领域知识

这有助于理解和理解业务问题的细微差别。 例如，电子商务公司希望向其买家推荐互补产品。

统计知识

统计和数学知识有助于为数据驱动的决策提供信息。 例如，可以使用购物篮分析为特定购买提供互补产品。

技术知识

这有助于大规模执行复杂的分析； 例如创建一个推荐系统，显示买家可能更愿意在购买笔记本的同时购买笔。
如何过渡到数据分析？

除了他们的技术专长之外，数据分析和商业智能领域的人员还应该培养哪些其他技能？

归根结底，数据科学家是问题解决者。 每个问题背后都有特定的背景、内容和故事。 在这里，将所有这些因素联系在一起成为一个共同的叙述变得非常重要。 基本上所有的数据专业人士都需要成为出色的讲故事的人。

在这方面，分析师需要提高的关键技能之一是为与他们一起工作的其他人分解分析的复杂性。 他们可以欣赏从中获得的实际见解，并朝着共同的业务目标努力。

此外，同样重要的是养成不断学习的习惯。 即使这意味着每天早上醒来并阅读您所在领域的相关内容和最新内容。

这些专业人士应该做些什么来保持领先于该领域的趋势和创新？

如今，专业人士需要不断提高自己的技能，并愿意忘记和重新学习。 工作世界和数据分析等技术密集型领域的工业格局每年都在变化。 保持领先甚至与这些趋势保持一致的唯一方法是投资于学习，从事令人兴奋的行业相关项目，参加Kaggle等比赛。

指导在数据行业有多重要？ 专业人士可以指望谁来帮助他们进一步发展自己的职业和技能？

极其重要。 考虑到这个领域出现的速度有多快，学术界和大学一般都没有机会跟上同样的速度。 因此，在该领域保持行业相关性的唯一方法是进行行业特定的学习。

这只能通过两种方式完成——通过现实生活中的案例研究和来自数据分析行业的工作/高级专业人士的导师。
事实上，在 UpGrad，为有抱负的数据专家提供行业指导的压力很大。 这是对大量案例研究和行业相关项目的补充。

获得世界顶尖大学的数据科学认证。 学习行政 PG 课程、高级证书课程或硕士课程，以加快您的职业生涯。

数据专业人员寻找导师的最佳地点在哪里？

虽然对于崭露头角或有抱负的数据专业人员来说，利用他们的网络找到合适的导师很重要，但确实很难做到。 有两个主要原因可以归咎于此。

• 首先，由于行业处于起步阶段，因此很难找到具有必要技能的人担任导师。
• 即使您找到在该领域具有丰富经验的人，也不是每个人都有时间和意愿成为有效的导师。 因此，大多数人不知道去哪里接受指导。

这就是像 UpGrad 这样的平台的用武之地，它为您提供丰富的、与行业相关的学习体验。 在其他任何地方，您都不会有机会获得如此广泛的行业合作或协会，以获得非常资深和知名专业人士的指导。

数据分析行业的人员应该使用哪些资源来确保他们受过教育并了解最新的发展、趋势和技能？

有许多。 对于初学者，这里有一些不错且非常有趣的博客和资源，可以很好地为有抱负的/当前的数据分析师提供服务，以跟上 Data Skeptic、Freakonomics、Talking Machines 等播客的步伐。

这篇采访最初发表在 Data Insider 上。