Data Scientist

מה הוא תפקיד Data Scientist?

אז מהו בעצם ה-Data Science שכולם מדברים עליו בשנים האחרונות? על רגל אחת מדובר בתורה שלמה שהמטרה שלה היא לקחת מידע גולמי בכמויות גדולות ולהפיק ממנו תובנות קריטיות וחשובות לצמיחה ולהתפתחות של ארגונים. Data Science יעשה שימוש בכלים שונים לרבות אלגוריתמים ותוכנות, עקרונות של Machine Learning וראיונות עומק עם גורמים מרכזיים בחברה על מנת להפיק תובנות חשובות שיאפשרו להצעיד את העסק קדימה. על פניו אפשר לחשוב כי מדובר בתפקיד טכני מאוד, אך המידע שיודע להפיק דאטה סיינטיסט טוב ומקצועי הוא כל כך חשוב שיש לו נגיעה ישירה בכל היבטי החברה. הוא יכול לקבוע ולהמליץ לאיזה אפיקים החברה תפנה מבחינת מכירות וייצור, כיצד היא תפעל מבחינת גיוס עובדים, איך יש להתנהל עם הלקוחות, איזה צעדים פיננסיים חשובים כדאי לעשות ועוד. מכאן אפשר כבר להתחיל להבין מדוע התפקיד הזה כל כך חשוב לחברות גדולות במשק.

מה הצורך בתפקיד של Data Scientist?

לפני המהפכה הטכנולוגית הנוכחית לא הייתה אפשרות לאחסון מידע בכמויות גדולות כפי שמתאפשר היום. המידע שאספה כל חברה היה מוגבל ובעיקר ליניארי, ועל כן סידור שלו והפקת תובנות ממנו היו משימות פשוטות למדי, כאלו המצריכות ניתוח בסיסי בלבד ובטח שלא תורה מדעית שלמה. כיום התמונה שונה בתכלית, טכנולוגיות האחסון המתקדמות הביאו לכך שלכל חברה במשק, בטח כזו הנעזרת או מפתחת טכנולוגיות מתקדמות, ישנה כמות אדירה של מידע שהיא מאחסנת ומנהלת. נוסף על כך, לא מדובר במידע ליניארי וסדור, אלא על מידע רב מסוגים שונים – טבלאות נתונים, רשימות לקוחות, תמונות וסרטוני וידאו, קטעי קול ובעצם הכול פחות או יותר. עם השנים נפלו האסימונים והחברות הגדולות הבינו שעל מנת להתייעל ולנהל עסק בצורה טובה, חייבים לדעת קודם כל לסדר את המידע הזה כמו שצריך, ושנית להפיק ממנו תובנות ותועלת, שכן אחרת הוא אינו אלא מעמסה על החברה. מתוך כך בעצם נולד תחום ה- Data Science וכיום אין חברה רצינית במשק שיכולה להתנהל בלעדיו. ככל שמדובר בפעילות ענפה יותר וככל שהחזון של חברה הוא רציני יותר, כך הולך וגובר הצורך בסידור המידע בצורה חכמה ונכונה ובהפקת תובנות ממנו.

מה ההבדלים בין Data Science ל- QA  

אז ראשית בואו נדבר על ההבדלים העיקריים בין Data Science לבין Data Analysis. שני התחומים עוסקים אומנם בנתונים ובניתוח שלהם, אך יש הבדל מהותי במיקוד של כל אחד מהתפקידים. Data Analysis עוסקים ברמת המיקרו ובניתוח של נתונים ספציפיים בכמות קטנה יחסית כדי להפיק מהם תובנות מידיות לביצוע מידי. לעומת זאת, מדעני מידע Data Science מתמחים במבט מאקרו על הדברים ומנתחים את הנתונים מהזווית הרחבה ביותר. כמו כן, בניגוד לניתוח הנתונים, Data Science הוא תחום שנוגע גם בשכלול כלי הניתוח ובייעול שמירת המידע והשימוש בו בחברות, ולא רק בניתוח.

באשר לבודקי תוכנה, קיים תפקיד שעשוי להיראות דומה אך הוא ממוקד הרבה יותר, בטח בהשוואה לתחום של Data Science אבל גם בהשוואה לניתוח מידע בודק התוכנה אחראי לבחון את אופן הפעולה של תוכנה, להצביע על כשלים ולהציע הצעות לייעול ושיפור. ישנם עוד תפקידים דומים כמו מפתח DEVOPS, אך אין ספק שבסופו של יום הראייה הכוללת של מדעני הדאטה היא רחבה הרבה יותר ועל כן זהו תפקיד כל כך חיוני לחברות.

מה הן התעשיות בהן אפשר לעבוד בתחום ה- Data Science?

באופן טבעי למדי אפשר לחשוב כי התפקיד הזה הוא כזה שנדרש אך ורק בחברות הייטק, אבל בפועל הנחיצות שלו היא רבה גם בהרבה סקטורים אחרים. כיום אפשר למצוא אגפים של Data Science גם בחברות ביטוח, חברות העוסקות בשירותי בריאות, בתי השקעות, באקדמיה, בתעשיית הפרסום ואפילו בתעשייה הביטחונית.

למי מתאים התפקיד?

התפקיד מתאים בלי ספק למועמדים בעלי רקע אלגוריתמי, יכולות אנליטיות, היכרות של סטטיסטיקה ושל חישובים סטטיסטיים ובוודאי ידע במספרים. כמובן שחשובה התשוקה למקצוע הזה ולתחומים הללו, אך צריך לזכור כי התפקיד הוא לא תפקיד משעמם וטכני, אלא כזה שנוגע בהרבה מאוד היבטים של חברה, החל מניהול העובדים, דרך פיתוח מוצרים ושירותים ועד לניהול לקוחות. שווה בהחלט להציץ ולראות טבלאות שכר בהייטק ולהבין בקלות כי מדובר באחד התפקידים הנחשקים ביותר וכי חברות רבות מציעות שכר של 30K בחודש ומעלה אפילו לעובדים מתחילים בעלי ניסיון של שנתיים בסך הכול. מי שאכן מתחבר לעולם הזה יוכל ללמוד את המקצוע באופן שיאפשר להתחיל לעבוד בתוך חצי שנה עד שנה.

לסיכום

Data Science הוא בלי ספק אחד התחומים המבוקשים ביותר בענף ההייטק בפרט ובשוק העבודה בכלל, כשמציצים בלוח דרושים בהייטק אפשר להבין זאת ממש בקלות. מי שמעוניין בדריסת רגל בחברות מובילות בהחלט שווה שיכוון לשם. זהו בהחלט מקצוע חשוב שיאפשר למי שרוכש אותו ליהנות מקריירה מבטיחה ויציבה של שנים ארוכות. בהצלחה!