مسیرهای شغلی هوش تجاری

در این پست به برخی نقش‌های رایج در تیم‌های داده و آنچه که برای به دست آوردن آنها لازم است نگاهی می‌اندازیم.

کسب‌وکارها تیم‌های داده خود را متفاوت ساختار می‌دهند — هیچ ساختار یا نمودار سازمانی یک‌اندازه‌ای وجود ندارد که برای هر سازمانی نقشه‌برداری کند.

در حالی که غیرمعمول نیست که متخصصان داده از یکی از این نقش‌ها به دیگری تغییر کنند، هر کدام تمرکزهای خود را دارند و به مجموعه مهارت‌های متمایزی نیاز دارند. اگر علاقه‌مند به کاوش یک شغل BI هستید و از کار با داده لذت می‌برید، یکی از نقش‌های زیر ممکن است با مهارت‌ها و اهداف شغلی شما مطابقت داشته باشد.

تحلیل‌گر داده

تحلیل‌گران داده معمولاً وظیفه جمع‌آوری، پردازش و ارزیابی داده‌هایی که سازمان آنها تولید می‌کند را دارند. این شامل تجزیه و تحلیل و تفسیر اطلاعات، ایجاد گزارش‌ها و استخراج بینش‌های حاصل از مجموعه داده‌های مختلف است. تحلیل‌گران داده تمایل دارند که به شدت در سمت کسب‌وکار چیزها درگیر باشند، مانند ارائه یافته‌ها به ذینفعان مهم شرکت؛ آنها اغلب با مدیران محصول که جهت یک محصول را بر اساس آن یافته‌ها شکل می‌دهند، به طور نزدیک کار می‌کنند. در نهایت، تحلیل‌گران آنجا هستند تا به سازمان خود کمک کنند تصمیم‌گیری‌های هوشمندتر و بهتر مطلع‌تر انجام دهند.

به عنوان یک تحلیل‌گر داده، برای موفقیت به درک قوی از SQL نیاز دارید، همراه با مهارت‌های تجسم داده و تجربه با آمار و برنامه‌نویسی آماری. باید بدانید چگونه از — اما نه لزوماً توسعه — نرم‌افزار صفحه‌گسترده، پایگاه‌های داده و برنامه‌های انبار داده استفاده کنید. همچنین باید مهارت‌های نرم مانند تفکر انتقادی و داستان‌گویی را توسعه دهید، زیرا تحلیل‌گران باید بتوانند از داده نتیجه‌گیری کنند و یافته‌های خود را به دیگران در سازمان خود منتقل کنند.

اگر تحلیل داده مسیر شغلی انتخابی شما است، فضای زیادی برای رشد وجود دارد. از آنجایی که تحلیل‌گران علاوه بر دانش فنی به مهارت‌های نرم تکیه می‌کنند، اغلب به خوبی برای مدیریت تیم‌ها مجهز هستند و ممکن است، پس از چند سال تجربه، با عناوین مدیر تحلیل، رهبر داده یا معاون داده به پایان برسند. اگر علاقه‌مند به مدیریت یک تیم نیستید، همچنان می‌توانید به عنوان یک تحلیل‌گر با تبدیل شدن به یک متخصص بیشتر و بیشتر، یا در مهارت‌های تحلیلی عمومی یا در تحلیل یک دامنه خاص، سطح خود را بالا ببرید.

دانشمند داده

در حالی که تحلیل‌گران داده داده‌های تاریخی را بررسی می‌کنند، دانشمندان داده با مدل‌سازی داده و تحلیل تجویزی سر و کار دارند. به عنوان مثال، یک دانشمند داده ممکن است مدل‌های یادگیری ماشین بسازد تا پیش‌بینی‌هایی در مورد داده سازمان خود انجام دهد. این پیش‌بینی‌ها می‌تواند شامل محصول شرکت آنها، پیش‌بینی تقاضا، یا پیش‌بینی مسائل داخلی مانند پیش‌بینی کلاهبرداری باشد.

دانستن SQL و نحوه بهترین تجسم داده برای دانشمندان داده مهم است، همراه با زبان‌های برنامه‌نویسی مانند Python و R. از آنجایی که دانشمندان داده به طور گسترده با مدل‌های پیش‌بینی کار می‌کنند، این نقش‌ها همچنین به مهارت‌های ریاضی قوی مانند جبر خطی (به ویژه جایی که یادگیری ماشین درگیر است)، حساب چندمتغیره و آمار نیاز دارند. احتمالاً هر لحظه از هر روز را به عنوان یک دانشمند داده به تنهایی روی یک مدل یادگیری ماشین کار نمی‌کنید — مهارت‌های ارتباطی و توانایی کار خوب با یک تیم نیز مهم است.

مسیر شغلی یک دانشمند داده می‌تواند در خطوط مشابه یک تحلیل‌گر قرار گیرد. با این حال، درست مانند مهندسی نرم‌افزار، همه دانشمندان داده در نهایت به مدیریت افراد نمی‌رسند. بسیاری از دانشمندان داده به عنوان مشارکت‌کنندگان فردی باقی می‌مانند، به ویژه پس از اینکه یک جایگاه بی‌قیمت در سازمان خود ایجاد کرده‌اند.

توسعه‌دهنده BI

می‌توانید توسعه‌دهندگان هوش تجاری را به عنوان قرار گرفته در جایی بین نقش‌های سنگین تحلیل مانند دانشمندان داده و تحلیل‌گران و نقش‌های مهندسی مانند یک مهندس تحلیل یا مهندس داده در نظر بگیرید. بخش «BI» اینجا مهم است — در حالی که ممکن است برخی همپوشانی با تحلیل‌گران داده وجود داشته باشد، کار توسعه‌دهندگان BI تمایل دارد که تمرکز بیشتری روی داده‌هایی داشته باشد که مستقیماً بر تصمیم‌گیری‌ها و نتایج کسب‌وکار تأثیر می‌گذارد. این می‌تواند شامل ایجاد و ردیابی متریک‌هایی مانند KPIها، و همچنین استفاده عمیق‌تر از یک ابزار BI باشد. بسیاری از این کار شامل ساخت داشبوردها برای تشویق تحلیل‌های خودخدمت، ایجاد گزارش‌هایی که می‌توانند بارها و بارها استفاده شوند، و دانستن نحوه بهترین استفاده از ابزارها در پشته داده یک سازمان، هم از طریق لنز تحلیل و هم زیرساخت است.

یک توسعه‌دهنده BI خوب دارای پایه قوی در فناوری‌های پایگاه داده و ساخت پرس‌وجوهای پیچیده و عملکردی (به احتمال زیاد در SQL) است، اما همچنین می‌داند همکارانش در یک داشبورد به چه اطلاعاتی نیاز دارند و چگونه بهترین آن را ارائه دهند. داشتن برخی از درک کسب‌وکار نیز کمک زیادی می‌کند، زیرا توسعه‌دهندگان BI نیازهای سازمان خود را پیش‌بینی می‌کنند و چگونه نتایج تحلیل‌های آنها می‌تواند منجر به نتایج موفق شود.

مهندس داده

مهندسان داده به طور صمیمی با عملکردهای داخلی زیرساخت و خطوط لوله داده یک سازمان آشنا هستند، زیرا وظیفه ساخت و/یا نگهداری آن خطوط لوله را دارند. این مهندسان اطمینان حاصل می‌کنند که داده می‌تواند از منبع به انبار داده و به بعد به ابزار BI یک سازمان راه پیدا کند. آنها همچنین کسانی هستند که داده را برای تحلیل‌گران و دانشمندان داده آماده می‌کنند، اطمینان حاصل می‌کنند که سیستم‌ها عملکردی و به طور کارآمد ساختار یافته‌اند، و با سایر مهندسان کار می‌کنند تا تعریف کنند که چه داده‌ای در ابتدا ضبط می‌شود.

مهارت‌های کدنویسی قوی برای افرادی که این نقش‌ها را بر عهده می‌گیرند ضروری است، جایی که تمرکز کمتری روی تحلیل و تفسیر نسبت به موقعیت‌های بحث شده در بالا وجود دارد. آشنایی با عناصر خط لوله داده نیز مهم است؛ دانستن نحوه کار با پلتفرم‌های مختلف انبار داده به شما یک مزیت می‌دهد.

مهندس تحلیل

مهندسان تحلیل معمولاً وظیفه مدل‌سازی داده، انجام کار ETL و تبدیل و دستکاری داده در مجموعه داده‌ها برای قابل استفاده شدن توسط تحلیل‌گران و دانشمندان را دارند. مهندسان تحلیل کسانی در تیم هستند که اطمینان حاصل می‌کنند کاربران نهایی مجموعه داده‌های تمیزی برای کار دارند، بخشی از تغییر صنعت‌محور به سمت تشویق تحلیل‌های خودخدمت در سازمان‌ها.

مهندسان تحلیل تمایل دارند که مجموعه مهارت گسترده‌تری نسبت به مهندسان داده داشته باشند و برخی دانش کاربردی از نحوه کار کاربران نهایی با داده‌هایی که تبدیل و آماده می‌کنند داشته باشند. اگر می‌خواهید این مسیر را بروید، تیز کردن مهارت‌های SQL شما ایده خوبی است، همانطور که دانستن نحوه استفاده از ابزارهای مختلف تبدیل داده است. مهارت‌های نرم را نیز نادیده نگیرید، زیرا ارتباط برای کار در تیم‌ها در نقشی مانند این اساسی است.

مسیرهای آموزشی به یک شغل BI

برنامه‌های علوم داده — مانند رشته‌های کارشناسی، مدرک کارشناسی ارشد، بوت‌کمپ‌ها و گواهینامه‌ها — در سال‌های اخیر منفجر شده‌اند، اما هنوز مسیر آموزشی مطمئنی برای دستیابی به یکی از این نقش‌ها وجود ندارد.

شاید تعجب‌آور نباشد، بسیاری از مشاغل BI، به ویژه آنهایی که در انتهای مهندسی هستند، افرادی از پیشینه‌های STEM را جذب می‌کنند، مانند کسانی که تخصص در آمار، علوم کامپیوتر یا ریاضیات دارند. با این حال، بسیاری از متخصصان داده از پیشینه‌های غیرمتعارف مانند علوم انسانی یا ارتباطات در این زمینه رشد می‌کنند، با استفاده از مهارت‌هایی مانند تفکر انتقادی و تصمیم‌گیری مؤثر برای تجزیه و تحلیل و تفسیر داده.

ورود به هوش تجاری

اگر اخیراً مدرک خود را دریافت کرده‌اید یا روی آن کار می‌کنید و می‌خواهید پای خود را برای یک شغل در هوش تجاری در در باز کنید، در نظر بگیرید که یک کارآموزی در یکی از زمینه‌هایی که به آن علاقه دارید جستجو کنید. یک راه عالی برای به دست آوردن تجربه عملی در یک محیط کاری واقعی، کارآموزی‌ها همچنین می‌توانند در به دست آوردن حس بهتر از آنچه که می‌خواهید یا نمی‌خواهید دنبال کنید، چه نوع محیط‌های کاری را دوست دارید، و ارائه فرصت‌هایی برای راهنمایی مفید باشند.

اگر در حال حاضر در یک نقش غیر-BI در یک سازمان کار می‌کنید اما می‌خواهید آب‌های هوش تجاری را تست کنید، ببینید آیا می‌توانید در هر پروژه‌ای که شامل کار داده است شرکت کنید. اگر هنوز ممکن نیست، حتی کوچکتر شروع کنید، مانند تنظیم مصاحبه‌های اطلاعاتی با افراد در تیم داده یا نشستن در جلسات تیم آنها. اگر سازمان شما از یک ابزار BI استفاده می‌کند که می‌توانید خودتان به تحلیل داده بپردازید، زمانی را صرف شناخت نحوه کار آن و آنچه می‌توانید در مورد داده خود در حین استفاده از آن یاد بگیرید.

همانطور که با اکثر مشاغل متمرکز بر فناوری، اگر با انجام دادن یاد بگیرید بسیار بهتر خواهید بود. در حالی که دانستن SQL برای بسیاری از مشاغل هوش تجاری اساسی است، فکر نکنید که برای دستیابی به یک شغل داده باید هر دستور SQL موجود را حفظ کنید. در واقع، این کار را نکنید! این راهنمایی منحصر به یادگیری SQL نیست؛ این یک قانون سرانگشتی خوب برای همه فناوری‌ها و برنامه‌ها است همانطور که مجموعه مهارت داده خود را توسعه می‌دهید. داشتن برخی دانش اساسی از یک مفهوم یک گام اول مهم است، اما ساخت پروژه‌های خود همانطور که یک نمونه کار می‌سازید بسیار بیشتر از گفتن به کارفرمایان در مورد همه کتاب‌های SQL که خوانده‌اید نشان می‌دهد. یک راه برای شروع این است که یاد بگیرید یک مجموعه داده که به آن علاقه دارید را تجزیه و تحلیل کنید — شاید الگوهای آب و هوا یا آمار بیسبال باشد. پس از اینکه یک مجموعه داده برای کاوش دارید، یادگیری اجرای پرس‌وجوهای خاص یا تجزیه و تحلیل اطلاعات خاص در حالی که در سفر شغلی BI خود قدم می‌گذارید بسیار جذاب‌تر و پربارتر خواهد بود.