數據分析在做什麼？ UpGrad 的團隊數據發聲！

Team Data Analytics 正在為 UpGrad 的工作專業人士創造最身臨其境的學習體驗。

Data Insider 最近聯繫了我，了解我對數據分析行業的見解； 包括當今開發人員需要注意的趨勢和必備技能。 事情是這樣的：

當今數據分析行業的競爭力如何？ 對這類專業人士的需求是什麼？

讓我們談談一些數字，一份被廣泛引用的麥肯錫報告指出，到 2018 年，美國將面臨約 150 萬數據專業人員的嚴重短缺。在正在成為全球分析中心的印度，此類專業人員的短缺可能會增加高達20萬。 僅在印度，從 2015 年 6 月到 2016 年 6 月，分析工作的數量就增加了 120%。因此，我們顯然面臨著挑戰​​。 自然，由於人才嚴重短缺，人才需求量很大。

您今天關注數據分析行業的哪些趨勢？ 你為什麼對他們感興趣？

我們應該注意三個關鍵趨勢：

個性化

我認為使用數據創建個性化系統是一個關鍵趨勢，被極速採用，全面。 大多數互聯網服務正在消除在線用戶的匿名性，並朝著差異化的方向發展。 例如，當您輸入消息時的單詞推薦或使用優步時的目的地推薦。

摩爾定律的終結

另一個值得關注的有趣趨勢是，隨著摩爾定律的終結，公司如何變得越來越有創意。 摩爾定律基本上表明，兩年前，我們將能夠在芯片上安裝兩倍數量的晶體管。 因為這條定律，我們釋放了存儲和處理海量數據的力量，負責整個數據革命。 但接下來會發生什麼？

物聯網

另一個需要注意的趨勢，因為它帶來的純粹可能性。 雲、大數據和 IoT（物聯網）的結合使智能係統的出現成為可能。

哪些技能對當今的數據工程師至關重要？ 他們需要知道什麼才能保持競爭力？

一個優秀的數據科學家在三個領域罕見地重疊：

領域知識

這有助於理解和理解業務問題的細微差別。 例如，電子商務公司希望向其買家推薦互補產品。

統計知識

統計和數學知識有助於為數據驅動的決策提供信息。 例如，可以使用購物籃分析為特定購買提供互補產品。

技術知識

這有助於大規模執行複雜的分析； 例如創建一個推薦系統，顯示買家可能更願意在購買筆記本的同時購買筆。
如何過渡到數據分析？

除了他們的技術專長之外，數據分析和商業智能領域的人員還應該培養哪些其他技能？

歸根結底，數據科學家是問題解決者。 每個問題背後都有特定的背景、內容和故事。 在這裡，將所有這些因素聯繫在一起成為一個共同的敘述變得非常重要。 基本上所有的數據專業人士都需要成為出色的講故事的人。

在這方面，分析師需要提高的關鍵技能之一是為與他們一起工作的其他人分解分析的複雜性。 他們可以欣賞從中獲得的實際見解，並朝著共同的業務目標努力。

此外，同樣重要的是養成不斷學習的習慣。 即使這意味著每天早上醒來並閱讀您所在領域的相關內容和最新內容。

這些專業人士應該做些什麼來保持領先於該領域的趨勢和創新？

如今，專業人士需要不斷提高自己的技能，並願意忘記和重新學習。 工作世界和數據分析等技術密集型領域的工業格局每年都在變化。 保持領先甚至與這些趨勢保持一致的唯一方法是投資於學習，從事令人興奮的行業相關項目，參加Kaggle等比賽。

指導在數據行業有多重要？ 專業人士可以指望誰來幫助他們進一步發展自己的職業和技能？

極其重要。 考慮到這個領域出現的速度有多快，學術界和大學一般都沒有機會跟上同樣的速度。 因此，在該領域保持行業相關性的唯一方法是進行行業特定的學習。

這只能通過兩種方式完成——通過現實生活中的案例研究和來自數據分析行業的工作/高級專業人士的導師。
事實上，在 UpGrad，為有抱負的數據專家提供行業指導的壓力很大。 這是對大量案例研究和行業相關項目的補充。

獲得世界頂尖大學的數據科學認證。 學習行政 PG 課程、高級證書課程或碩士課程，以加快您的職業生涯。

數據專業人員尋找導師的最佳地點在哪裡？

雖然對於嶄露頭角或有抱負的數據專業人員來說，利用他們的網絡找到合適的導師很重要，但確實很難做到。 有兩個主要原因可以歸咎於此。

• 首先，由於行業處於起步階段，因此很難找到具有必要技能的人擔任導師。
• 即使您找到在該領域具有豐富經驗的人，也不是每個人都有時間和意願成為有效的導師。 因此，大多數人不知道去哪裡接受指導。

這就是像 UpGrad 這樣的平台的用武之地，它為您提供豐富的、與行業相關的學習體驗。 在其他任何地方，您都不會有機會獲得如此廣泛的行業合作或協會，以獲得非常資深和知名專業人士的指導。

數據分析行業的人員應該使用哪些資源來確保他們受過教育並了解最新的發展、趨勢和技能？

有許多。 對於初學者，這裡有一些不錯且非常有趣的博客和資源，可以很好地為有抱負的/當前的數據分析師提供服務，以跟上 Data Skeptic、Freakonomics、Talking Machines 等播客的步伐。

這篇採訪最初發表在 Data Insider 上。