I höjdpunkten av Oscar-nominerade filmen Hidden Figures kallas matematikern Katherine Johnson för att verifiera beräkningar för landningskoordinaterna för John Glenns rymdkapsel, Friendship 7. Tekniken har just ersatt mänskliga datorer, de datakalkylande människor som slutförde komplexa ekvationer före datorsystemets ankomst, men datan från maskinen hade avvikelser som måste lösas av en person.
Det var datavetenskap 1961. Idag är saker och ting lite annorlunda. Komplexa datainsamlingssystem gör det möjligt för företag i alla sektorer att lära sig mer om sina företag, kunder och framtidsutsikter. Men precis som i dolda figurer behövs människor fortfarande för att hitta viktiga sanningar från data.
Här är skopan om hur vi använder datavetenskap varje dag och de väsentliga färdigheter du behöver för att vara framgångsrik som datavetare, ingenjör eller analytiker.
Datavetenskap finns överallt
Potentialen för dataforskare långt bortom finans- och teknikindustrin blomstrar. "Det finns ett växande erkännande i alla sektorer att kunskaper i datavetenskap har blivit viktiga för att konkurrera och förbättra sig på dagens marknad", säger Michael Galvin, verkställande direktör för Data Science Corporate Training for Metis, ett datavetenskapligt utbildningsföretag som arbetar med individer och företag .
Tänk på kakor. Nej, inte de du doppar i mjölk - de kraftfulla datainsamlingsverktygen som hjälper dataanalytiker, forskare och ingenjörer att lära sig om konsumentens webbvanor och informera algoritmerna kring dessa "hur-de-vet-jag-var bara-tänka -av det ?! ”-annonser som vi visas på Facebook. Deras mål? Att bedöma konsumentintressen och beteende och använda dessa analyser för att fatta viktiga affärsbeslut - för företag i alla sektorer.
”Det finns en bredare medvetenhet om datavetenskap i mainstream. Påverkar allt från Amazon-köp till Netflix-binges och datavetenskap berör fler människor än någonsin tidigare, säger Galvin.
Hur du passar in
Med tillväxten inom datavetenskapsområden har det skett en ökad överlappning mellan rollerna som datavetare, dataanalytiker och modellerare.
Men enligt Dr. Flavio Villanustre, vice ordförande för teknik och HPCC-system för LexisNexis risklösningar, är skillnaden mellan olika positioner faktiskt ganska unik - och ger möjligheter för de begåvade inom specifika områden.
"Dataanalytiker har traditionellt specialiserat sig på datahanteringstekniker, som kräver utbildning i allt från frågespråk till grafiska datamodeller, " säger Villanustre. "Samtidigt analyserar modellerare numeriska data för korrelationer och mönster."
När det gäller datavetenskap förklarar Villanustre att ideala kandidater bör visa upp en superset av dessa två typer av färdigheter blandade med domän- och företagskunskap. "Datavetare har vanligtvis djupare kunskap än dataanalytiker om programmeringstekniker och bredare kunskap än statistiska modellerare om dataanalysmetoder med mer sofistikerade tekniker."
När du ansöker om dessa tjänster är det viktigt att notera vilka uppgifter ett företag verkligen ser ut att ha utfört.
"Surret kring datavetenskap har resulterat i att många företag anlitar datavetare för att göra en dataanalytikerjobb, som slutar med att rensa och förbereda data och spendera mycket lite tid på att utföra faktiska datavetenskap, " förklarar Nick Kramer, Senior Director of Data and Analytics at SSA & Company, ett företagskonsultföretag som är specialiserat på att omvandla big data-analys till verksamhet för företag.
Nya verktyg gör det möjligt att skapa analysmodeller av dem med lägre kompetensnivåer, så diversifierade, relaterade färdigheter som affärskunskap och effektiv kommunikationsförmåga är viktiga för att skilja arbetssökande. Se till att ställa frågor när du intervjuar exakt vad ett företag söker - visa sedan dina styrkor i enlighet därmed.
Vårt kontor
Vad du behöver för att vara framgångsrik
Det gamla ordet om att inte se skogen för träden är en viktig sak att komma ihåg när man arbetar som datavetare, analytiker eller ingenjör. Även om noggrannheten i kärndata är viktig, är det också att erkänna den övergripande bilden av de problem som ett företag hoppas lösa.
"Det finns en tendens bland datavetare att överkomplicera saker och sugas in i ett svart hål med detaljer, " varnar Galvin. "Istället bör de tänka på affärsproblemet de försöker lösa, få något att fungera och sedan iterera."
Dessutom är ett intresse för vad du gör - vilket gäller alla jobb - också viktigt.
”Företag arbetar med olika typer av data (som bilder, text och ekonomiska data) för olika problem. Du måste vara intresserad av och förstå vilken typ av data du arbetar med för att lyckas, sade Galvin. ”Till exempel är dataforskare som arbetar med medicinska bilder inte vanligtvis läkare själva, men deras slutanvändare eller klient kommer att vara en läkare. Kan du förstå vilka problem de försöker lösa? Är du intresserad av att lösa dessa problem? ”
Och sedan finns det kommunikation. Det sägs att datavetare, analytiker och ingenjörer talar sitt eget språk, men för att lyckas på en arbetsplats måste du kunna kommunicera tydligt med dem som kommer att utnyttja och dra mest nytta av dina kunskaper.
"Samarbete med företagens intressenter blir allt viktigare, " sade Kramer.
Datavetenskap och dess relaterade karriärer har kommit långt från 1960-talet då NASA behövde mänskliga datorer för att utnyttja och verifiera arbetet med nya datormaskiner. Men lysande sinnen som är intresserade av hur data kan forma hur vi lever, arbetar och bedriver verksamhet är fortfarande lika viktiga som någonsin - utan en mänsklig expert för att tolka både insatserna och resultaten kan datavetenskap missbrukas vild eller helt enkelt förvirrande.
