Datawetenschappers ontwikkelen softskills om veranderingen in bedrijven aan te moedigen.

De vraag naar datawetenschappers is groot. In 2017 gaf LinkedIn in zijn rapport over opkomende functies binnen de Amerikaanse markt aan dat de "vraag naar datawetenschappers met 650% is gegroeid sinds 2012" en dat er in een groot aantal verschillende branches "honderden bedrijven vacatures hadden uitstaan voor deze functie". Het aantal kandidaten voor deze functie neemt toe, aangezien de functies "machine learning-engineer, datawetenschapper en big data-engineer worden beschouwd als de belangrijkste opkomende functies".

Maar naarmate meer afdelingen en rollen met data moeten werken, zien organisaties een algehele toename in data-alfabetisering en de opkomst van niet specifiek hiervoor opgeleide datawetenschappers. Gartner definieert niet specifiek opgeleide datawetenschappers datawetenschappers als "personen die modellen maken of genereren met behulp van geavanceerde diagnostische analyses en beschrijvende functies, maar wiens primaire functie buiten het gebied van de statistiek en analytics ligt. Deze mensen kunnen datawetenschappers niet vervangen, maar worden wel onze belangrijkste partners voor het ontwikkelen en testen van hypothesen.

Hierdoor verschuift de definitie van gegevenswetenschap en vervaagt de lijn tussen traditionele data-expertise en bedrijfsdomeinkennis. Sonic Prabhudesai, Manager Statistical Analysis bij Charles Schwab, vertelt dat "steeds meer medewerkers binnen een bedrijf begrijpen hoe ze met data moeten omgaan, terwijl datawetenschappers steeds beter begrijpen hoe een bedrijf precies in elkaar steekt".

Tegenwoordig wordt er van datawetenschappers verwacht dat ze beschikken over geavanceerde kennis van statistiek en machine learning, maar dat ze daarnaast ook een strategische bedrijfsmentaliteit hebben, inclusief een diepe kennis van hun branche. "Datawetenschap is meer dan alleen maar met nummertjes goochelen: het is een toepassing van verschillende vaardigheden om bepaalde problemen binnen een branche op te lossen", aldus Dr. N.R. Srinivasa Raghavan, Chief Global Data Scientist bij Infosys. "Datawetenschappers moeten beschikken over een grondige kennis van de domeinen waarin hun inzichten worden toegepast."

Statistische modellering en machine learning worden nu steeds belangrijkere vaardigheden voor een datawetenschapper. Wat het verschilt maakt, is hoe goed diegenen die in het veld werken, hun bevindingen op een eenvoudige maar bruikbare manier kunnen communiceren.
Sonic Prabhudesai, manager van statistische analyses, Charles Schwab

De uitvoer van algoritmes en modellen is alleen effectief als deze bijdraagt tot een oplossing van het juiste probleem in de juiste context. Dit betekent nauw samenwerken met belanghebbenden om de probleemstelling en hypothese aan het begin van het proces te identificeren en te verfijnen, en ze gedurende de workflow op de hoogte blijven houden. Aan het einde van de workflow betekent dit weten hoe de resultaten aan de bedrijfspartner op een relevante en bruikbare manier moeten worden gecommuniceerd.

"Statistische modellering en machine learning worden nu steeds belangrijkere vaardigheden voor een datawetenschapper", aldus Sonic. "Wat het verschilt maakt, is hoe goed diegenen die in het veld werken, hun bevindingen op een eenvoudige maar bruikbare manier kunnen communiceren." In plaats van de resultaten simpelweg te overhandigen, gaan datawetenschappers juist een essentiële rol spelen wat betreft hoe deze resultaten worden toegepast binnen het bedrijf.

Met behulp van zelf-uitvoerbare analytics-tools, kunnen zowel datawetenschappers als geavanceerde gebruikers hun data onderzoeken en hier beter inzicht in krijgen. Dit geeft inzichten die leidend kunnen zijn voor de rest van de analyse en uiteindelijk van invloed kunnen zijn op de bedrijfsvoering.