Zainteresowanie dziedziną “data” od kilku lat wyłącznie zyskuje na popularności. Wokół zawodów związanych z danymi, a dokładnie z ich sprawnym wykorzystywaniem do celów biznesowych, regularnie pojawia się hasło: “perspektywiczne”, czy też “zawody przyszłości”. Świat, w którym żyjemy, wręcz popycha ten trend poprzez stawianie nam nowych wyzwań w postaci synchronizacji i optymalizowania dostępnych danych, a także przyspieszenia i ulepszenia ich użycia. Lubimy mieć dostęp do klarownych, pełnych, rzetelnych, wyselekcjonowanych, uporządkowanych i zweryfikowanych informacji. Często umiejętność sprawnego zarządzania zbiorami danych i ich wykorzystania jest już standardem czy wymogiem biznesowym nowoczesnych firm.
W palecie zawodów, które stwarzają szanse dla entuzjastów hasła “data” mamy wiele propozycji. Korzystając z pomocy narzędzi AI w wylistowaniu zawodów związanych z “data” natkniemy się na co najmniej 30 pozycji, których podsumowaniem jest wniosek, że wymagają one umiejętności, takich jak rozumienie biznesu, komunikacja i rozwiązywanie problemów, a także programowanie, czy analiza statystyczna. Ciężko w temacie danych wrzucić wszystko do jednego worka, co postaram się udowodnić, opisując cenne spostrzeżenia ekspertów w tej dziedzinie. Spróbujemy przejść – z lotu ptaka do szczegółów – pokazując różnorodność możliwości rozwoju w dziedzinie DATA, aż po konkretne case studies wybranych zawodów.
Przeczytaj także: Zawody przyszłości
Data, data driven, big data i data science – kilka haseł z “data”
Z danymi stykamy się wszędzie – od najmłodszych lat mobilizują nas do rozwijania umiejętności ich rozumienia, przetwarzania, gromadzenia, selekcjonowania, weryfikowania, a także podejmowania decyzji na ich podstawie. Im dalej w las, tym więcej danych, większe ich skomplikowanie, a co za tym idzie – coraz większy trud w ich sprawnym, pewnym i wygodnym zastosowaniu.
W biznesie otoczenie dużą ilością danych jest dzisiaj absolutną normą, a przyspieszający trend w dynamice ich zbierania, dostępności i różnorodności popycha firmy do tego, by coraz sprawniej organizować proces sprawnego zarządzania danymi.
To wszystko wpływa na rozwój popularności pojęcia “Data” – w nazwach narzędzi, koncepcji, kultury organizacji i wreszcie samych zawodów. Zanim jednak o zawodach – prześledźmy szybko kilka haseł, które pomogą uchwycić specyfikę hasła “data” i dalej – lepiej zrozumieć, dlaczego zawody wokół tego tematu są tak perspektywiczne i atrakcyjne.
#data – często stosuje się jako zamiennik słowa “dane”. Bierze się to ze światowego trendu w kwestii rozwoju związanego z tą dziedziną, więc i w Polsce w bardzo powszechnym użyciu stosuje się słowo “data”, a zawody często przyjmują nazewnictwo w formie angielskiej.
#data driven – to określenie stało się bardzo popularne w środowisku osób zajmujących się analizą danych w najnowocześniejszym wydaniu, a także firm stawiających na wyciągnięcie najlepszej jakości z obszaru gromadzonych danych. Podejście “data driven” podkreśla to, że osoba/firma wykorzystuje dane do umiejętnego przekształcenia ich w trafne decyzje i działania. Inaczej mówiąc: chodzi o holistyczne podejście w zastosowaniu danych, tak aby użycie ich było zrozumiałe i jasne z perspektywy różnych pracowników, zaś ważne ruchy biznesowe opierały się na zbiorach faktów bazujących na danych, nie zaś intuicji, czy ryzykownych założeniach.
#big data – brzmi jak “olbrzym” i do tego w sumie się odnosi. Tam, gdzie danych jest naprawdę dużo, a zbiory pękają w szwach – wkracza big data. Wg Komisji Europejskiej do 2025 r. całkowita ilość danych na świecie wzrośnie o 530% w porównaniu z rokiem 2018! To imponujące i właśnie temu stawia czoła dziedzina Big Data – tu do wyciągnięcia najlepszych wniosków z szerokich zbiorów danych używa się już wsparcia nowoczesnych technologii, w tym machine i deep learning, a także AI. Technologia Big Data pozwala połączyć dane pochodzące z wielu różnych źródeł i aplikacji.
#data science – dziedzina, w której analizę danych wspiera się tworzeniem algorytmów oraz modeli predykcyjnych, które skutecznie wspomagają i przyspieszają proces przetwarzania danych i wyciągania wniosków. Z pomocą przychodzą tu machine i deep learning, a także programowanie, dzięki czemu większe zbiory danych analizowane są w sposób znacznie prostszy i szybszy.
Po tym krótkim wprowadzeniu przejdźmy do konkretów – jakie możliwości w tej dziedzinie możemy zobaczyć na horyzoncie ambicji zawodowych i co poza chęcią i zainteresowaniem będzie tu kluczowe?
Przeczytaj także: Data Science: pasjonująca branża z wysokimi zarobkami
Architekt baz danych, analityk danych, data scientist, deweloper power BI – business intelligence, czyli kariera w “data”
We współpracy z osobami, których ścieżki zawodowe w różnych kontekstach zetknęły się z pracą z danymi, pokusiłam się o zgłębienie tajników kilku zawodów poprzez wyjaśnienie to słowami praktyków. Poniżej przedstawię zatem kilka kontekstów – od tego edukacyjnego (o zawodach/rynku pracy) po mocno praktyczny – o wnioskach z pracy w tychże zawodach. Spróbujemy to zestawić i porównać, aby w efekcie pokazać tu mnogość możliwości rozwoju w pracy z danymi
Zawody data – jakie i dla kogo?
Budując pigułkę wiedzy i inspiracji, nie mogłam pominąć strony mapakarier.org jako największego polskiego zasobu informacji o zawodach wraz z ich szczegółowymi opisami. Baza powstaje od kilku lat i ewoluuje wraz ze zmieniającym się rynkiem pracy, dzięki czemu jest bardzo pomocnym źródłem przy poszukiwaniu możliwości rozwoju karier.
Klaudia Stano, Project Manager i Analityczka Danych w Katalyst Education (fundacja budująca Mapę Karier), bazując na swoim doświadczeniu w pracy wokół tematyki zawodów, a także jako ogromna entuzjastka wizualizacji danych – twórczyni, autorka i edukatorka portalu jezykdanych.pl odpowiedziała mi na kilka ważnych pytań, które komfortowo wprowadzą nas w ścieżki kariery związane z danymi.
W pakiecie zawodów związanych z danymi, słyszymy o data scientistach, inżynierach danych, analitykach – czym się zajmują specjaliści tych dziedzin i jakie jeszcze stanowiska związane z danymi funkcjonują na rynku pracy?
Klaudia Stano, Katalyst Education:
Wszystkie ścieżki kariery w obszarze data wymagają dociekliwości i pasji do liczb, ale możesz zdecydować:
- czy bliżej Ci do stanowisk technicznych i inżynieryjnych (data engineer, data architect),
- czy raczej ciągnie Cię do modelowania, analizowania i prezentowania danych (data scientist, analityk danych, BI developer),
- czy wolisz zająć się badaniami i pozyskiwaniem danych od konsumentów/respondentów (praca badacza)
- …a może planujesz wykorzystywać umiejętność pracy z danymi do lepszego zarządzania zespołem, prognozowania sprzedaży lub szacowania retencji w dziale HR? (kompetencja data literacy przydaje się w bardzo wielu branżach)
Czym w skrócie zajmują się specjaliści, których przede wszystkim kojarzymy z branżą data?
Inżynierowie i architekci baz danych odpowiadają za efektywne gromadzenie, przechowywanie i przetwarzanie ogromnych wolumenów danych. Dbają całościowo o architekturę informacji w firmie i automatyzują procesy pozyskiwania danych.
Analitycy danych szukają wzorców, trendów i anomalii, aby wyciągać wnioski wspierające biznes. Tworzą raporty i przygotowują rekomendacje.
Data scientists zajmują się bardziej zaawansowaną analizą danych. Tworzą modele i za pomocą metod statystycznych oraz uczenia maszynowego szukają w zbiorach danych (często bardzo dużych – big data) nieoczywistych zależności i optymalnych rozwiązań dla firmy.
Granica między obowiązkami analityka danych a data scientista jest nieostra i w praktyce te dwa obszary często się przenikają, dlatego nie warto patrzeć jedynie na nazwę stanowiska.
Firmy zatrudniają też coraz częściej deweloperów BI (business intelligence), których zadaniem jest raportowanie danych w jak najczytelniejszej formie i tworzenie interaktywnych dashboardów, co ułatwia innym działom monitorowanie postępów w czasie rzeczywistym i podejmowanie szybkich decyzji.
Analiza danych to domena wielu specjalistów na rynku pracy, nie tylko tych wymienionych wyżej. Sprawdź na bezpłatnym portalu Mapa Karier, jak wiele ścieżek kariery związanych jest z analizą danych >>.
Z praktyki pracy z danymi – doświadczenia specjalistów “data”
Jak widać “data” niejedno ma imię, a analityka danych dotyczy wielu różnych stanowisk. Po wprowadzeniu w kuluary definicji zawodów “data” i związanych z nimi najważniejszych preferencji, czas na pigułkę wiedzy bezpośrednio z doświadczeń absolwentów infoShare Academy! Ich ścieżki karier w różnych kontekstach wiążą się z danymi, o czym zgodzili się opowiedzieć. Skupimy się na analizie kilku stanowisk, głównie poprzez porównanie ich specyfiki, a także próbę rozszyfrowania tego, co kryje się pod hasłami: data analyst, data engineer i data scientist.To, co łączy moich rozmówców – to kontekst edukacyjny w infoShare Academy. Cała czwórka ukończyła różne edycje bootcampu Data Science, a ich dalsze losy zawodowe wiodą w 4 różne nazwy stanowisk związanych z “data”. Ich zawodowy feedback pozwala na rozróżnienie kilku niuansów dotyczących stanowisk związanych z analizą danych. Zapraszam do przeglądu ich wypowiedzi:
Data Analyst vs Data Scientist
Elżbieta Markiewicz, Junior Data Scientist w PSignite (absolwentka bootcampu Data Science):
Z nazwami stanowisk często tak bywa, że możemy otworzyć dwa ogłoszenia rekrutujące na pozornie tę samą pozycję, a jednak zakres obowiązków, wykorzystywane narzędzia i charakter pracy będzie diametralnie różny. Gdybym miała dosłownie dwoma słowami opisać, z czym mi się kojarzą te stanowiska, to w przypadku Data Analyst moją pierwszą myślą jest Power BI, a w przypadku Data Scientist – Machine Learning. Zbyt lakoniczne rozróżnienie, nieoddające całego sedna tych stanowisk? To teraz zejdźmy poziom głębiej i rozbudujmy tę myśl: Data Analyst analizuje przeszłość – na przykład jak różne akcje przeprowadzone przez firmę wpłynęły na zachowania klientów, czym charakteryzowali się klienci, którzy odpowiedzieli na kampanię itp. Data Scientist skupia się na przyszłości – na przykład na estymacji sprzedaży, optymalizacji dystrybucji produktów, przewidzeniu kresu żywotności maszyn. Narzędzie do wizualizacji danych jak Power BI pomoże Data Analitykowi wysnuć wnioski i porównać efekty działań firmy, a Data Scientist nie obejdzie się bez algorytmów ML. Oczywiście moglibyśmy schodzić coraz głębiej i głębiej, wyszukując więcej różnic i podobieństw, ale proste objaśnianie skomplikowanych tematów i subtelnych niuansów jest istotne w obu zawodach, a te skojarzenia wydają mi się przystępne dla laika i dość solidnie nakreślające istotę rzeczy.
Andrzej Kończyk, Data Analyst w UBS, (absolwent bootcampu Data Science):
Pracuję jako Data Analyst od dwóch lat i jednocześnie jestem certyfikowanym Data Scientist po ukończeniu Bootcampu Data Science, co pozwala mi wskazać różnice między tymi dwoma zawodami. Staram się ciągle rozwijać w obszarze Data Science, a moja obecna firma również posiada stanowisko Data Scientist. Z mojego doświadczenia wynika, że zadania Data Analyst koncentrują się głównie na analizie danych w celu zrozumienia obecnej sytuacji biznesowej i dostarczenia konkretnych wniosków. Spędzam wiele czasu na zbieraniu, czyszczeniu i przetwarzaniu danych, aby stworzyć raporty i wizualizacje. Moje obowiązki skupiają się na analizie danych i ich wstępnym przetwarzaniu, oraz raportowaniu. Z kolei jako Data Scientist, moja praca (na bazie Bootcampu) była znacznie bardziej zaawansowana. Spędzałem czas tworząc szczegółowe modele prognostyczne, algorytmy uczenia maszynowego i eksplorując dane w poszukiwaniu nowych wzorców. Wymagało to głębszego zrozumienia matematyki, statystyki i programowania (dlatego uważam, że kluczowym jest również bardzo dobra znajomość Pythona bądź R, choć ten ostatni już rzadziej). Mogę zauważyć, że Data Analyst częściowo stanowi element składowy Data Scientist. Jednakże, moim zdaniem, projekty Data Analyst są często krótkoterminowe, skupione na dostarczaniu konkretnych analiz i raportów. Natomiast Data Scientist pracuje nad projektami długoterminowymi, które wymagają ciągłego dostosowywania modeli do zmieniających się danych. Mimo tych różnic, obie role mają swoje wspólne elementy. Oba zajmują się analizą danych i mają wspólny cel wsparcia podejmowania decyzji biznesowych. Na mojej obecnej pozycji mogę więc współpracować zarówno z Data Scientistami, dostarczając im dane, natomiast Data Scientist mogą wykorzystać moje analizy do tworzenia bardziej zaawansowanych modeli prognostycznych, które mogą mieć bezpośredni wpływ na decyzje biznesowe.
Joanna Garwacka, Associate Analytics Manager w Payback Polska (absolwentka bootcampu Data Science):
Zasadniczo mogę się bardziej wypowiedzieć na temat pracy Analityka. Jednak jeśli miałabym porównać pracę Data Analyst do Data Scientist, to w mojej opinii zasadniczo Data Scientist patrzy w przyszłość (modele, prognozowanie itd) podczas gdy Data Analist bardziej koncentruje się na opisywaniu przeszłości (przynajmniej w kwestii raportowania), tworząc analizy na bazie zebranych danych. Generalnie jeśli chodzi o oferty pracy i specyfikę stanowiska, to jest ona bardzo szeroka i to co mogę ze swojej strony doradzić, to że należy bardzo dokładnie czytać opis stanowiska w ofercie pracy oraz dopytywać podczas rozmowy kwalifikacyjnej (jeśli osoba przeprowadzająca rozmowę sama z siebie nie udzieli takich informacji). Pozwoli to uniknąć potencjalnego rozczarowania. Wbrew pozorom praca Data Analyst to nie tylko rocket science i ciekawe analizy, ale też niekiedy dość spora ilość zadań operacyjnych. W zależności od firmy też może różnić się proporcja analiz ad hoc na życzenie klienta względem udziału w dużych rozwojowych projektach. Należy też rozważyć kwestię komunikatywności i preferencji osobowych (z perspektywy jest to dość istotne w kwestii dopasowania do zespołu). Czy wolimy pracę w zespole, czy raczej indywidualną. Jaki stopień wystawienia na kontakt z innymi działami/biznesem jest dla nas akceptowalny (są osoby, które w takiej sytuacji czują się jak ryba w wodzie; są też takie, które wolą w spokoju kodować i nie być rozpraszanym przez inne tematy). Analitycy często widzą więcej niż inne zespoły (w temacie danych oczywiście) i często są postrzegani jako „ci mądrzy ludzie od liczb” ;), co powoduje, że zdarza się że są angażowani w projekty wykraczające poza ich zakres odpowiedzialności (jak na przykład kwestie związane z IT, przesyłem danych itd). W mojej firmie mamy różne stanowiska w zależności od kompetencji i preferencji – od takich typowo analitycznych, polegających na raportowaniu i analizowaniu danych, przez związane z przygotowywanie kampanii mkt (poprzez działania operacyjne) po osoby, które stanowią niejako łącznik między typowymi analitykami a biznesem pełniąc role konsultingowe. I wszystko to są Analitycy Danych 😉
Data engineer na polu ekspertów od danych
Joanna Borowa, Data Engineer w Lufthansa Systems, (absolwentka bootcampu Data Science) :
Jestem inżynierem danych, co oznacza, że moja praca to nie tylko przekształcanie surowych danych w użyteczne informacje, ale także projektowanie kompleksowych pipelinów danych. Tworzę systemy przechowujące i przetwarzające dane, oczyszczam je, analizuję i wyciągam wnioski, które pomagają firmie, w której pracuję, podejmować mądre decyzje biznesowe. W porównaniu do pracy data scientistów, moje zadania skupiają się głównie na tworzeniu i utrzymaniu infrastruktury danych oraz zapewnianiu płynności przepływu informacji, podczas gdy data scientist zajmuje się głównie budowaniem modeli uczenia maszynowego, wykorzystując dane, które przygotowuję. Dodatkowo, współpracując bardzo blisko z data scientistem, często angażuję się także w analizę danych i tworzenie wizualizacji. Warto też podkreślić, że ze względu na brak analityka danych w moim zespole, moje obowiązki często obejmują również te dziedziny.
To, co łączy i przenika przez kontekst stanowisk związanych z “data” to idea, aby sprawne nimi zarządzanie służyło celom biznesowym i optymalizowało podejmowane decyzje. Stanowiska i ich nazwy – choć różnią się, to też możemy dostrzec wiele podobieństw w zakresie zadań analityków, scientistów i inżynierów danych. Różnicą natomiast okazują się procesy i narzędzia wykorzystywane w zarządzaniu zbiorami danych, a także odniesienie do kontekstu – podsumowania i planowania (projektowania) lub też prognozowania sytuacji na bazie efektu prac specjalistów data.
Perspektywy zawodów wokół “data”, czyli najlepsze prace w IT
Na koniec warto przyjrzeć się temu, jak jawi się perspektywa przyszłości pracy związanej z analizą danych. Sztuczna inteligencja i bardzo szybki rozwój technologii mocno rzutują na trendy i rozwiązania, które wdrażane są do biznesu – sprawniej i chętniej niż kiedykolwiek wcześniej. Jaka jest zatem przyszłość “data” – czy zawody, które opisaliśmy powyżej czeka stopniowa lub pełna automatyzacja, czy raczej idziemy w kierunku uczenia się wykorzystania kolejnych narzędzi doskonalących pracę z danymi?
Szukając trafnej konkluzji wokół tego dylematu, poprosiłam o zabranie głosu eksperta z dziedziny danych, stawiając pytanie:
Czy widzi Pan w otoczeniu biznesowym trend, który mógłby w najbliższej przyszłości zredukować lub też uzupełnić o nowe pozycje listę zawodów związanych z data?
Tomasz Głowacki, PhD, Head of Data Science w Żabka Group:
“To, co obecnie obserwujemy w dziedzinie danych, można moim zdaniem porównać do przemian, jakie miały miejsce w sektorze tworzenia oprogramowania w latach 90. XX wieku. Wówczas prace nad oprogramowaniem często prowadził jeden wszechstronny programista lub bardzo mały zespół. Rosnąca złożoność tych projektów spowodowała potrzebę większej specjalizacji i doprowadziła do powstania nowych profesji. Podobny trend widzę obecnie w dziedzinie danych, gdzie ostatnio pojawiają się takie zawody jak inżynier ds. promptów (specjalista w interakcji z zaawansowanymi modelami językowymi) czy inżynier MLOps (specjalista od wdrażania modeli uczenia maszynowego). Warto również zauważyć, że wiele uniwersytetów wprowadziło nowe kierunki studiów poświęcone sztucznej inteligencji, które wcześniej były częścią szeroko pojętej informatyki. Przewiduję, że rosnące wymagania wobec dziedziny danych będą sprzyjać dalszej specjalizacji i pojawianiu się nowych profesji.”
Podsumowując – wraz z postępem technologicznym, rozwijają się także perspektywy, trendy i pomysły na operowanie zbiorami danych, co sprawia, że dotychczas funkcjonujące i zdefiniowane zawody “data” wciąż ewoluują. Jednocześnie tworzą się nowe gałęzie możliwości oraz kolejne profesje, które stawiają wyzwania w operowaniu najnowocześniejszymi narzędziami pracy, w tym AI oraz Machine i Deep Learning. Dlatego też w miejsce zagrożenia “wygaśnięcia” któregoś z obecnie funkcjonujących zawodów związanych z danymi, należy raczej wstawić konieczność aktualizowania wiedzy oraz ustawicznego rozwoju w tej dziedzinie, w odniesieniu do postępu nauki i technologii.
Zamykając temat “data” w obliczu najlepszych kierunków rozwoju w IT, warto też zauważyć, że rozwój kompetencji związanych z danymi – ich gromadzeniem, zarządzaniem i wizualizowaniem – dedykowany jest wielu innym profesjom, nie tylko specjalistom od “data”. Jak wspomniała w swojej wypowiedzi Klaudia Stano “analiza danych jest domeną wielu specjalistów na rynku pracy”. Furtka mocno otwiera się zatem przed zawodami, w których operowanie danymi oraz korzystanie z ich zasobów jest obszarem do realizacji kluczowych zadań. Przykłady? E-commerce, marketing, HR, administracja, finanse, zarządzanie, sprzedaż, logistyka, czy design – specjaliści tych dziedzin uczą się narzędzi związanych z zarządzaniem danymi, po to, aby efekty ich pracy mogły być bardziej przejrzyste, wiarygodne i atrakcyjne.
Przeczytaj także: Wprowadzenie do Big Data w biznesie
O tym, jak możemy wykorzystać naukę narzędzi i technologii w pracy z różnymi zbiorami danych opowiemy już wkrótce na dedykowanym temu webinarze, na który już dziś serdecznie zapraszamy!
Agnieszka Marusiak, HR Project Manager & Career Advisor w infoShare Academy
