जर आपण अलीकडेच नोकरीच्या बाजाराकडे अगदी थोडेसे लक्ष दिले असेल तर कदाचित आपणास आजकाल नोकरी घेताना एक उत्तेजन देणारी प्रवृत्ती लक्षात आली असेल: मोठ्या कंपन्यांमधून आणि लहान स्टार्टअप्समधील प्रत्येक भरती मिळणारे डेटा सायंटिस्ट नावाची जागा भरण्याचा विचार करीत आहेत. आपण बारकाईने पाहिले तर असे होऊ शकते की आपल्या विज्ञानातील काही पार्श्वभूमी नसलेल्या काही मित्रांनी आधीच चर्चा सुरु केली आहे आणि लिंक्डइनवर डेटा शास्त्रज्ञ म्हणून व्यावसायिकांनी स्वत: चे नाव बदलले आहे.
शब्द वैज्ञानिक हा शब्द, काही वर्षांपूर्वी अक्षरशः ऐकलेला नव्हता, आता लिंक्डइन च्या जॉब पेजवर २ page,००० हून अधिक निकाल मिळतो - हा सार्वत्रिक ट्रेंडी आर्थिक विश्लेषक (किमान आमच्यासाठी न्यूयॉर्कर्स) च्या शोध निकालापेक्षा २,००० अधिक आहे.
अचानक व्याज वाढ का? आणि याचा अर्थ काय आहे, डेटा वैज्ञानिक काय करतात? हे प्रश्न मी ज्या व्यक्तीला शोधून काढले त्या व्यक्तीकडे गेलो ज्याचे उत्तर देण्यास मी सर्वात योग्य आहे: डेटा शास्त्रज्ञ हा शब्द तयार करणारा माणूस.
डीजे पाटील, ए माजी लिंक्डइन कार्यकारी (२०० to ते २०११ पर्यंत) ज्यांनी नंतर राष्ट्राध्यक्ष बराक ओबामा यांच्या नेतृत्वात व्हाईट हाऊसचे मुख्य डेटा वैज्ञानिक म्हणून काम केले होते, अमेरिकेतील पहिल्यांदा डेटा वैज्ञानिक म्हणून ओळखले जाणारे त्यांच्या सरकारच्या भूमिकेच्या नेतृत्वात प्रशासनाच्या कार्यकाळात डिजीटलायझेशनच्या व्यापक प्रयत्नांचा एक भाग म्हणून तयार केली गेली होती. ओबामा, परंतु या भूमिकेचे वर्णन करण्यासाठी वापरल्या जाणार्या शब्दांच्या निवडीचा निर्णय लिंक्डइन येथे त्याच्या काळात घेण्यात आला.
मी लिंक्डइन येथे डेटा टीम तयार करीत होतो आणि जेफ हॅमरबॅकर [क्लोडेराचे सह-संस्थापक] फेसबुकच्या डेटा टीममध्ये खळबळ माजवत होते आणि आम्ही कधीकधी नोट्समध्ये सहयोग आणि तुलना करू. आमच्या लक्षात आले की एक गोष्ट म्हणजे आम्हाला स्वतःला काय म्हणावे हे माहित नव्हते, असे पाटील यांनी गेल्या महिन्यात ऑब्झर्व्हरला दिलेल्या मुलाखतीत सांगितले.
आपण स्वतःला विश्लेषक म्हणता? हे खूप वॉल स्ट्रीट वाटते. संशोधन शास्त्रज्ञ की सांख्यिकीशास्त्रज्ञ? तो खूप शैक्षणिक वाटतो, तो आठवला. परंतु मी लिंक्डइन येथे काम करत असल्यामुळे नोकरी अर्जदारांकडून कोणत्या व्यक्तीला सर्वात जास्त रस मिळेल हे पाहण्याच्या विचारात असलेल्या सर्व जॉब टाइटलची मी नुकतीच परीक्षा घेतली. प्रत्येकाला डेटा वैज्ञानिक व्हायचं आहे हे कळते, म्हणून आम्ही आहोत, ठीक आहे, आपण स्वतःला कॉल करू.
हे शीर्षक परिष्कृत आणि उद्योगांना ओलांडण्यासाठी पुरेसे अस्पष्ट वाटत आहे आणि गंभीरतेने घेतले जाऊ शकते, अशा लोकांद्वारे जरी ते काय आहे याची कल्पना नसते.
मला असे वाटते की त्याने हे उचलले आहे याचे मूल कारण म्हणजे लोकांना खरोखर काय माहित आहे याची खात्री नसते. आणि ती शक्ती आहे, असे पाटील म्हणाले. जेव्हा आपण स्वत: ला एखादी वस्तू म्हणून लेबल लावता तेव्हा लोक आपण काय न मानता ते देखील लेबल लावतात. म्हणूनच, जेव्हा आपण एका खोलीत असता आणि आपण डेटा विश्लेषक आहात असे म्हणता तेव्हा ते असे विचार करतील की आपण या सभेच्या पातळीवर नसावेत. परंतु जेव्हा आपण म्हणता की आपण डेटा वैज्ञानिक आहात, तेव्हा ते असेच असतील, आमच्याकडे स्मार्ट लोक असलेल्या चांगुलपणाचे आभार.
इंटरनेटच्या युगात आपल्याकडे जमा झालेल्या अभूतपूर्व आकडेमोडीमुळे डेटा शास्त्रज्ञांची मागणी वाढण्याची शक्यता आहे ज्यामुळे विविध उद्योगांमधील मोठ्या डेटाशी संबंधित नोकरींचा जोर वाढला आहे. मादक-आवाज देणार्या नोकरीच्या शीर्षकामुळे नोकरभरती करणार्यांना नोकरीच्या जाहिराती ठेवणे आणि नोकरी शोधणा for्यांना स्वत: ची जाहिरात करण्यास सोयीचे केले आहे. परंतु त्यातील मूळ संदिग्धपणामुळे खरं म्हणजे काय याबद्दल संभ्रम असलेल्यांनीही टीका केली आहे.
खरंच करिअर साइटवरील प्रॉडक्ट मॅनेजर क्लिंट चेजिनने ए मध्ये निराशा व्यक्त केली मध्यम पद शीर्षक, डेटा सायंटिस्ट म्हणून अशी कोणतीही गोष्ट नाही.
बहुतेक डेटा सायन्स जॉब वर्णनांमध्ये ते ज्या जाहिराती देत आहेत त्या स्थानाची वास्तविक आवश्यकता दर्शवित नाहीत, लिहिले जेरेमी हॅरिस, करिअर मेंटर्सशिप प्लॅटफॉर्म शार्पस्टमाइंड्सचे संस्थापक.
हे अधिक कडकपणे परिभाषित करण्याचा प्रयत्न करण्याला माझा विरोध आहे, असे पाटील म्हणाले. जगाशी संवाद साधण्यासाठी, त्याचा अभ्यास करण्यासाठी आणि नवीन गोष्टींबरोबर पुढे येण्याचा प्रयत्न करण्यासाठी डेटा कसा वापरता हे महत्त्वाची गोष्ट आहे.
त्यापैकी काही नवीन उत्पादने आहेत जसे की स्वत: ची ड्रायव्हिंग कार किंवा आपली हवामान अॅप . काही लोक कर्जापासून ते आरोग्याच्या काळजी घेण्याच्या निर्णयापर्यंतच्या प्रत्येक गोष्टीचे मूल्यांकन करण्यास मदत करण्यासाठी वापरल्या जाणार्या डेटा विश्लेषणे आहेत. सर्व प्रकारचे डेटा वैज्ञानिक आहेत.कदाचित शीर्षक टिकून असेल आणि कदाचित ते दुसर्या कशा प्रकारे बदलले असेल. परंतु मला वाटते की येथे सर्वात सामर्थ्यवान गोष्ट म्हणजे आपण गोष्टी तयार करण्यासाठी नवीन मार्गांचा डेटा वापरत आहोत.