Datenwissenschaft bei Deloitte

Blog

Datenwissenschaft bei Deloitte

Data Science kann von Unternehmen zu Unternehmen sehr unterschiedlich aussehen, und es ist generell schwierig, sich eine einheitliche Meinung zu der Frage zu bilden, was ein Data Scientist wirklich ist. Deshalb ist es so wichtig, mit Data Scientists zu sprechen, die ihr Handwerk in unterschiedlichen Organisationen anwenden — von Startups bis hin zu Unternehmen. Der einzige Weg, Data Science auf das Wesentliche zu reduzieren, ist der Einblick in das gesamte Spektrum der Rollen und Verantwortlichkeiten, die Data Scientists ausführen müssen. Deshalb wollte ich mit Ian Scott, Chief Science Officer bei ., sprechenDeloitte Omnia, die KI-Praxis von Deloitte. Ian beschäftigte sich bereits Ende der 1980er Jahre mit Datenwissenschaft, als er im Rahmen seiner Doktorarbeit in Harvard statistische Modellierungen auf Daten aus der experimentellen Hochenergiephysik anwandte. Seitdem bekleidete er strategische Positionen bei einer Reihe von Unternehmen, zuletzt bei Deloitte, wo er bedeutende Machine Learning- und Data Science-Projekte leitet. Unser Gespräch konzentrierte sich darauf, herauszufinden, was genau Data Science ist und wie Teams von Data Scientists arbeiten können effizient zusammen. Hier waren einige meiner Lieblings-Take-Homes:

  • Obwohl die meisten Datenwissenschaftler dazu neigen, ähnliche Tools zu verwenden (Python, SQL, Pandas, Sklearn, Jupyter-Notebooks, Visualisierungstools usw.), ist es hilfreicher, Data Science in Bezug auf übergeordnete Verantwortlichkeiten und nicht auf Tools zu definieren. Ian sieht Data Scientists als Menschen, die Erkenntnisse aus Daten liefern, und Menschen, die diese Erkenntnisse an ein nicht technisches Publikum weitergeben können, und nicht als Menschen, die ein neuronales Netzwerk aufbauen oder gestapelte XGBoost-Modelle trainieren können. Zunehmend sind Soft Skills entscheidende Unterscheidungsmerkmale, wenn Sie eine Anstellung suchen. Neue Data Scientists mit hochtechnischem Hintergrund gehen oft davon aus, dass Data Science-Probleme technische Probleme sind. Leider ist dies alles andere als wahr: Algorithmen lösen Data-Science-Probleme nicht allein – wenn doch, dann wäre Data Science bereits ein vollautomatisierter Beruf. Es erfordert Geschäfts- und Produktkenntnisse, um herauszufinden, wie Sie Ihre Funktionen entwickeln und auswählen. Wenn Sie also ein technischer Mensch sind, der Ihre Karriere in den Bereichen Analytik oder maschinelles Lernen beginnt, können Sie wahrscheinlich viel Zeit investieren, um zu verstehen, wie es geht Ihr Unternehmen Geld verdient und wie es seinen Kunden einen Mehrwert bietet.Beratungsjobs erfordern, dass Sie schneller von Kunde zu Kunde wechseln, als es ein interner Datenwissenschaftler normalerweise tun würde. Das bedeutet, dass die Anlaufgeschwindigkeit von entscheidender Bedeutung ist, da Sie den Kontext zu verschiedenen Problemen schnell genug entwickeln müssen, um effektiv zu sein. Viele Beratungsunternehmen haben Strategien entwickelt, um dieses Problem zu mildern, indem sie sicherstellen, dass Partner mit fundierten Domänenkenntnissen im Allgemeinen in Reichweite sind, um bei Anwendungsfällen zu helfen, die diese Art von Fachwissen erfordern.

#data-science #analytics #tds-podcast #machine-learning #consultancy

zudatascience.com

Datenwissenschaft bei Deloitte

Ian Scott im TDS-Podcast. Data Science kann von Unternehmen zu Unternehmen sehr unterschiedlich aussehen und es ist generell schwierig, sich eine einheitliche Meinung zu der Frage zu bilden, was ein Data Scientist wirklich ist. Deshalb ist es so wichtig, mit Data Scientists zu sprechen, die ihr Handwerk in verschiedenen Organisationen anwenden