Տվյալների գիտնական

BrainStation-ի Data Scientist կարիերայի ուղեցույցը կարող է օգնել ձեզ առաջին քայլերն անել տվյալների գիտության ոլորտում շահութաբեր կարիերայի ուղղությամբ: Կարդացեք տվյալների գիտության ոլորտի ակնարկի, ինչպես նաև Տվյալների գիտնականի աշխատանքի դերի համար:

Դարձեք տվյալների գիտնական

Խոսեք ուսուցման խորհրդատուի հետ՝ ավելին իմանալու համար, թե ինչպես կարող են մեր արշավները և դասընթացները օգնել ձեզ դառնալ տվյալների գիտնական:

Սեղմելով Submit, դուք ընդունում եք մեր Պայմանները .

Ներկայացնել

Չհաջողվեց ներկայացնել: Թարմացնե՞լ էջը և նորից փորձել:

Իմացեք ավելին մեր Data Science Bootcamp-ի մասին

Շնորհակալություն!

Շուտով կապի մեջ կլինենք։

Դիտեք Data Science Bootcamp էջը

Ի՞նչ է տվյալների գիտնականը:

Տվյալների գիտնականները հավաքում, կազմակերպում և վերլուծում են մեծ տվյալների մեծ հավաքածուներ՝ կառուցվածքային և չկառուցված տվյալներ, որպեսզի ստեղծեն տվյալների վրա հիմնված գործնական լուծումներ և ծրագրեր ընկերությունների և այլ կազմակերպությունների համար: Համատեղելով մաթեմատիկայի, համակարգչային գիտության և բիզնեսի զգացողությունը՝ Տվյալների գիտնականները պետք է ունենան և՛ տեխնիկական հմտություններ՝ մշակելու և վերլուծելու մեծ տվյալները, և՛ բիզնեսի խելամտություն՝ բացահայտելու այդ տվյալների մեջ թաքնված գործնական պատկերացումները:

Տվյալների գիտություն ընդդեմ տվյալների հանքարդյունաբերության

Տվյալների գիտության և տվյալների արդյունահանման միջև կան մի քանի տարբերություններ: Եկեք ավելի սերտ նայենք.

Տվյալների գիտություն

• Լայն ոլորտ է, որը ներառում է մեքենայական ուսուցում, արհեստական ​​ինտելեկտ, կանխատեսող պատճառահետևանքային վերլուծություն և հանձնարարական վերլուծություն
• Գործում է բոլոր տեսակի տվյալների հետ, ներառյալ ինչպես կառուցվածքային, այնպես էլ ոչ կառուցվածքային տվյալները
• Նպատակ ունի ստեղծել տվյալների վրա հիմնված արտադրանք և կայացնել տվյալների վրա հիմնված որոշումներ
• Կենտրոնանում է տվյալների և օրինաչափությունների գիտական ​​ուսումնասիրության վրա

Տվյալների հանքարդյունաբերություն

• Տվյալների գիտության ենթաբազմություն է, որը ներառում է տվյալների մաքրում, վիճակագրական վերլուծություն և օրինաչափությունների ճանաչում, և երբեմն ներառում է տվյալների վիզուալիզացիա, մեքենայական ուսուցում և տվյալների փոխակերպում։
• Հիմնականում գործ ունի կառուցվածքային տվյալների հետ, այլ ոչ թե չկառուցված տվյալների հետ
• Նպատակ ունի վերցնել տվյալներ տարբեր աղբյուրներից և դրանք օգտագործելի դարձնել
• Կենտրոնանում է բիզնես պրակտիկայի վրա

Ի՞նչ է անում տվյալների գիտնականը:

Տվյալների գիտնականը վերլուծում է մեծ տվյալների հավաքածուները՝ բացահայտելու օրինաչափություններ և միտումներ, որոնք հանգեցնում են գործնական պատկերացումների և կազմակերպություններին օգնում լուծել բարդ խնդիրները կամ բացահայտել եկամուտների և աճի հնարավորությունները: Տվյալների գիտնականը կարող է աշխատել գրեթե բոլոր բնագավառներում և պետք է տիրապետի կառուցվածքային և չկառուցված տվյալների հավաքածուներին: Դա բազմաբնույթ աշխատանք է, և տվյալների գիտնական դառնալու համար դուք պետք է ունենաք մաթեմատիկայի, համակարգչային գիտության, բիզնեսի և հաղորդակցության իմացություն՝ ձեր աշխատանքը արդյունավետորեն կատարելու համար:

Թեև տվյալների գիտնականի հատուկ աշխատանքային պարտականություններն ու պարտականությունները մեծապես տարբեր կլինեն՝ կախված արդյունաբերությունից, պաշտոնից և կազմակերպությունից, տվյալների գիտնականի դերերի մեծ մասը կներառի պատասխանատվության հետևյալ ոլորտները.

Հետազոտություն

Տվյալների գիտնականը պետք է հասկանա թե՛ ոլորտին, թե՛ առանձին ընկերությանը հատուկ հնարավորություններն ու ցավոտ կետերը:

Տվյալների պատրաստում

Նախքան որևէ արժեքավոր պատկերացում գտնելը, տվյալների գիտնականը պետք է սահմանի, թե որ տվյալների հավաքածուներն են օգտակար և տեղին՝ նախքան տարբեր աղբյուրներից կառուցվածքային և չկառուցված տվյալներ հավաքելը, արդյունահանելը, մաքրելը և կիրառելը:

Մոդելների և ալգորիթմների ստեղծում

Օգտագործելով մեքենայական ուսուցման և արհեստական ​​ինտելեկտի սկզբունքները՝ տվյալների գիտնականը պետք է կարողանա ստեղծել և կիրառել ավտոմատացման գործիքների ներդրման համար անհրաժեշտ ալգորիթմներ:

Տվյալների վերլուծություն

Տվյալների գիտնականի համար կարևոր է, որ կարողանա արագ վերլուծել իր տվյալները՝ օրինաչափությունները, միտումները և հնարավորությունները բացահայտելու համար:

Վիզուալիզացիա և հաղորդակցություն

Տվյալների գիտնականը պետք է կարողանա պատմել տվյալների միջոցով հայտնաբերված պատմությունները՝ ստեղծելով և կազմակերպելով էսթետիկորեն գրավիչ վահանակներ և վիզուալիզացիաներ, միաժամանակ ունենալով հաղորդակցման հմտություններ՝ շահագրգիռ կողմերին և թիմի այլ անդամներին համոզելու, որ տվյալների բացահայտումները արժե գործել:

BrainStation-ի թվային հմտությունների ամենավերջին հետազոտությունը ցույց է տվել, որ տվյալների մասնագետներն իրենց ժամանակի մեծ մասը ծախսում են տվյալների վիճաբանության և մաքրման վրա: Հարցվողները նաև եզրակացրել են, որ իրենց աշխատանքի նպատակն ամենից հաճախ գոյություն ունեցող հարթակի, արտադրանքի կամ համակարգի օպտիմալացումն է (45 տոկոս), կամ նորերի մշակումը (42 տոկոս):

Տվյալների գիտության տեսակները

Տվյալների գիտության ավելի լայն ոլորտը ներառում է բազմաթիվ տարբեր առարկաներ, ներառյալ.

Տվյալների ճարտարագիտություն

Ենթակառուցվածքի նախագծում, կառուցում, օպտիմիզացում, պահպանում և կառավարում, որն ապահովում է տվյալներ, ինչպես նաև տվյալների հոսքը կազմակերպությունում:

Տվյալների պատրաստում

Տվյալների մաքրում և փոխակերպում:

Տվյալների արդյունահանում

Ավելի մեծ տվյալների հավաքածուից օգտագործելի տվյալների արդյունահանում (և երբեմն մաքրում և փոխակերպում):

Կանխատեսող վերլուծություն

Տվյալների, ալգորիթմների և մեքենայական ուսուցման տեխնիկայի օգտագործումը՝ տվյալների վերլուծության հիման վրա ապագա հնարավոր տարբեր արդյունքների հավանականությունը վերլուծելու համար:

Մեքենայի ուսուցում

Տվյալների վերլուծության գործընթացում վերլուծական մոդելի կառուցման ավտոմատացում՝ տվյալներից սովորելու, օրինաչափությունների հայտնաբերման և համակարգերին հզորացնելու որոշումներ կայացնելու առանց մարդկային մեծ միջամտության:

Տվյալների վիզուալիզացիա

Օգտագործելով տեսողական տարրեր (ներառյալ գծապատկերներ, քարտեզներ և գծապատկերներ)՝ տվյալների մեջ հայտնաբերված պատկերացումները մատչելի կերպով ցույց տալու համար, որպեսզի լսարանը կարողանա հասկանալ տվյալների մեջ հայտնաբերված միտումները, արտաքուստները և օրինաչափությունները:

Տվյալների գիտության առավելությունները

Աշխարհի բոլոր մասերում գտնվող բոլոր ոլորտների ընկերությունները ավելի ու ավելի շատ գումար, ժամանակ և ուշադրություն են հատկացնում տվյալների գիտությանը և ձգտում են իրենց թիմին ավելացնել տվյալների գիտնական: Հետազոտությունները ցույց են տալիս, որ ընկերությունները, որոնք իսկապես ընդունում են տվյալների վրա հիմնված որոշումների կայացումը, ավելի արդյունավետ, շահութաբեր և արդյունավետ են, քան մրցակցությունը:

Տվյալների գիտությունը շատ կարևոր է կազմակերպություններին օգնելու բացահայտելու ճիշտ խնդիրներն ու հնարավորությունները՝ միաժամանակ օգնելով հստակ պատկերացում կազմել հաճախորդների և հաճախորդի վարքագծի և կարիքների, աշխատակիցների և արտադրանքի կատարողականի և ապագա հնարավոր խնդիրների մասին:

Տվյալների գիտությունը կարող է օգնել ընկերություններին.

• Ավելի լավ որոշումներ կայացրեք
• Իմացեք ավելին հաճախորդների և հաճախորդների մասին
• Օգտագործեք միտումները
• Կանխատեսել ապագան

Ինչպե՞ս կարող է տվյալների գիտությունը բարելավել ընկերության արժեքը:

Տվյալների գիտությունը բիզնեսի համար ավելի ու ավելի տարածված ներդրում է, քանի որ մեծ տվյալների արժեքը բացելու հնարավոր ROI-ն հսկայական է: Տվյալների գիտությունը արժանի ներդրում է, քանի որ.

Այն հեռացնում է գուշակությունները և տալիս է գործնական պատկերացումներ:Ընկերությունները ավելի լավ որոշումներ են կայացնում տվյալների և քանակական ապացույցների հիման վրա:Ընկերությունները ավելի լավ են հասկանում իրենց տեղը շուկայում:Տվյալների գիտությունը կօգնի ընկերություններին վերլուծել մրցակցությունը, ուսումնասիրել պատմական օրինակները և կատարել թվերի վրա հիմնված առաջարկություններ:Այն կարող է օգտագործվել լավագույն տաղանդները բացահայտելու համար:Մեծ տվյալների մեջ թաքնված են բազմաթիվ պատկերացումներ արտադրողականության, աշխատողների արդյունավետության և ընդհանուր կատարողականի մասին: Տվյալները կարող են օգտագործվել նաև տաղանդներ հավաքագրելու և վերապատրաստելու համար:Դուք ամեն ինչ կիմանաք ձեր թիրախային լսարանի, հաճախորդի կամ սպառողի մասին:Բոլորն այժմ ստեղծում և հավաքում են տվյալներ, և ընկերությունները, որոնք պատշաճ ներդրումներ չեն կատարում տվյալների գիտության մեջ, պարզապես հավաքում են ավելի շատ տվյալներ, քան գիտեն, թե ինչ անել: Անցյալ կամ պոտենցիալ հաճախորդների կամ հաճախորդների վարքագծի, առաջնահերթությունների և նախասիրությունների վերաբերյալ պատկերացումներն անգնահատելի են, և նրանք պարզապես սպասում են որակավորված տվյալների գիտնականի բացահայտմանը:

Աշխատավարձեր տվյալների գիտնականների համար

Թեև տվյալների գիտնականների աշխատավարձերը մեծապես տարբերվում են ըստ տարածաշրջանի և արդյունաբերության, ԱՄՆ-ում տվյալների գիտնականի միջին աշխատավարձը 96,000-ից մինչև 113,000 ԱՄՆ դոլար է, կախված աղբյուրից: Տվյալների ավագ գիտնականը կարող է միջինը բերել մոտավորապես 130,000 դոլար:

Տվյալների գիտնականների պահանջարկը

Տվյալների գիտնականները մեծ պահանջարկ ունեն և պակաս առաջարկ ունեն գրեթե բոլոր ոլորտներում: Deloitte Access Economics-ի զեկույցը ցույց է տվել, որ ձեռնարկությունների 76 տոկոսը պլանավորում է հաջորդ տարիների ընթացքում ավելացնել ծախսերը տվյալների վերլուծական հնարավորությունների վրա, մինչդեռ IBM-ը կանխատեսում էր տվյալների գիտության պահանջարկի 28 տոկոս աճ տասնամյակի սկզբին:

ԱՄՆ Աշխատանքի վիճակագրության բյուրոն կանխատեսել է տվյալների գիտության 31 տոկոս աճ առաջիկա 10 տարիների ընթացքում: Միևնույն ժամանակ, Շուկաների և շուկաների զեկույցը ցույց է տվել, որ կանխատեսվում է, որ մեծ տվյալների համաշխարհային շուկան մինչև 2025 թվականը կաճի մինչև 229,4 միլիարդ դոլար, իսկ տվյալների գիտության հարթակը մինչև 2024 թվականը կաճի 30 տոկոսով:

Աշխարհում ամենուր, կարծես թե, սպասվում է տվյալների գիտության ոլորտում ներդրումների աճ և դրա հետ մեկտեղ տվյալների գիտնականների պահանջարկը:

Ի՞նչ գործիքներ են օգտագործում տվյալների գիտնականները:

Տվյալների գիտնականները օգտագործում են մի շարք տարբեր գործիքներ և ծրագրեր գործողությունների համար, ներառյալ տվյալների վերլուծությունը, տվյալների մաքրումը և վիզուալիզացիաների ստեղծումը:

Python-ը ծրագրավորման լավագույն լեզուն է BrainStation Digital Skills Survey-ում հարցված տվյալների գիտնականների համար: Ընդհանուր նշանակության ծրագրավորման լեզու Python-ը օգտակար է Ազգային լեզուների մշակման հավելվածների և տվյալների վերլուծության համար: R-ն հաճախ օգտագործվում է նաև տվյալների վերլուծության և տվյալների արդյունահանման համար: Ավելի ծանր թվաքանակի համար Hadoop-ի վրա հիմնված գործիքները, ինչպիսին է Hive-ը, հայտնի են: Մեքենայական ուսուցման համար տվյալների գիտնականները կարող են ընտրել գործիքների լայն շրջանակից, ներառյալ h2o.ai, TensorFlow, Apache Mahout և Accord.Net: Վիզուալիզացիայի գործիքները նաև Data Scientist-ի զինանոցի կարևոր մասն են: Ծրագրերը, ինչպիսիք են Tableau-ը, PowerBI-ն, Bokeh-ը, Plotly-ն և Infogram-ը, օգնում են տվյալների գիտնականներին ստեղծել տեսողականորեն գրավիչ դիագրամներ, ջերմային քարտեզներ, գրաֆիկա, ցրված սյուժե և այլն:

Տվյալների գիտնականները պետք է նաև չափազանց հարմարավետ լինեն ինչպես SQL-ի (օգտագործվում է մի շարք հարթակներում, ներառյալ MySQL-ը, Microsoft SQL-ը և Oracle-ը), այնպես էլ աղյուսակային ծրագրերի հետ (սովորաբար Excel):

Ի՞նչ հմտություններ են պետք տվյալների գիտնականներին:

Կան մի շարք հմտություններ, որոնք պետք է զարգացնեն բոլոր ձգտող տվյալների գիտնականները, այդ թվում՝

Excel.BrainStation Digital Skills Survey-ում հարցված տվյալների մասնագետների 66 տոկոսի համար ամենաշատ օգտագործվող գործիքը՝ Excel-ը դեռևս կարևոր նշանակություն ունի տվյալների գիտնականների համար:SQL.Հարցման այս լեզուն անփոխարինելի է տվյալների բազայի կառավարման մեջ և այն օգտագործվում է տվյալների պատասխանողների մոտավորապես կեսի կողմից:Վիճակագրական ծրագրավորում.Python-ը և R-ն սովորաբար օգտագործվում են տվյալների գիտնականների կողմից թեստեր իրականացնելու, մոդելներ ստեղծելու և տվյալների մեծ հավաքածուների վերլուծություն իրականացնելու համար:Տվյալների վիզուալիզացիա.Գործիքները, ինչպիսիք են Tableau, Plotly, Bokeh, PowerBl և Matplotlib, օգնում են տվյալների գիտնականներին ստեղծել իրենց գտածոների համոզիչ և մատչելի տեսողական պատկերներ:

Տվյալների գիտնականի կարիերայի ուղիները

Որպես համեմատաբար նոր մասնագիտություն, տվյալների գիտնականի կարիերայի ուղիները գրված չեն քարով, և շատ մարդիկ իրենց ճանապարհը դեպի տվյալների գիտություն են գտնում համակարգչային գիտության, ՏՏ-ի, մաթեմատիկայի և բիզնեսի ծագումից: Սակայն տվյալների գիտնականի կարիերայի ուղու չորս հիմնական առանցքները հիմնականում տվյալներն են, ճարտարագիտությունը, բիզնեսը և արտադրանքը: Տվյալների գիտության մեջ բազմաթիվ բազմապրոֆիլ դերեր պահանջում են այդ ոլորտներից մի քանիսի կամ բոլորի տիրապետում:

Տվյալների գիտության ոլորտում աշխատող մարդիկ տեխնոլոգիական փոփոխությունների առաջին շարքում են, որոնք ամենաշատը կազդեն ապագայի վրա: Քանի որ տվյալների գիտությունը կարող է նպաստել գրեթե բոլոր բնագավառներում առաջընթացին, Տվյալների գիտնականները կարող են հետագա հետազոտություններ իրականացնել ամեն ինչում՝ ֆինանսներից և առևտուրից մինչև ակտուարական վիճակագրություն, կանաչ էներգիա, համաճարակաբանություն, բժշկություն և դեղագործություն, հեռահաղորդակցություն. ցուցակը գրեթե անվերջ է: Յուրաքանչյուր արդյունաբերություն թրաֆիկացնում է իր տարբեր տեսակի տվյալներ՝ դրանք օգտագործելով տարբեր ձևերով՝ տարբեր նպատակներին հասնելու համար: Որտեղ էլ որ դա տեղի ունենա, Տվյալների գիտնականները կարող են առաջնորդել ավելի լավ որոշումներ կայացնելիս, լինի դա արտադրանքի մշակման, շուկայի վերլուծության, հաճախորդների հետ հարաբերությունների կառավարման, մարդկային ռեսուրսների կամ ամբողջովին այլ բանի մեջ:

Տվյալների գիտության համար դիմումները ոչ միայն լայն են՝ շոշափելով բազմաթիվ տարբեր ոլորտներ, այլև կան տվյալների գիտության տարբեր տեսակներ: Այս բոլոր գործողությունների ընդհանրությունն այն է, որ բոլորը փորձում են տվյալները վերածել գիտելիքի: Ավելի ճիշտ՝ Տվյալների գիտնականները մեթոդական մոտեցում են օգտագործում՝ չմշակված տվյալները կազմակերպելու և վերլուծելու համար՝ բացահայտելու օրինաչափություններ, որոնցից կարելի է բացահայտել կամ եզրակացնել օգտակար տեղեկատվությունը:

Հաշվի առնելով դրանց ազդեցության շրջանակը, զարմանալի չէ, որ տվյալների գիտնականները զբաղեցնում են այնպիսի դիրքեր, որոնք շատ ազդեցիկ են և մեծ պահանջարկ ունեն: Թեև տվյալների գիտնական դառնալու ճանապարհը կարող է պահանջկոտ լինել, այժմ ավելի շատ ռեսուրսներ կան ձգտող տվյալների գիտնականների համար, քան երբևէ, և ավելի շատ հնարավորություններ նրանց համար՝ կառուցելու իրենց ուզած կարիերան:

Բայց հաշվի առնելով բոլոր այն ուղիները, որոնցով Տվյալների գիտնականները կարող են նպաստել տարբեր ոլորտներին, և բոլոր տարբեր կարիերայի ուղիներին, որոնք կարող է հետևել տվյալների գիտնականը, նրանց կատարած աշխատանքի տեսակները կարելի է բաժանել մի քանի հիմնական կատեգորիաների: Տվյալների ամբողջ գիտությունը ճիշտ չի տեղավորվում այս խմբերում, հատկապես համակարգչային գիտության առաջնագծում, որտեղ նոր հիմքեր շարունակաբար բացվում են, բայց դրանք ձեզ որոշակի պատկերացում կտան, թե ինչպես են տվյալների գիտնականները տվյալները վերածում խորաթափանցության:

Վիճակագրություն

Տվյալների գիտության հիմքում վիճակագրությունը մաթեմատիկայի ոլորտն է, որը նկարագրում է տվյալների հավաքածուի տարբեր բնութագրերը, լինեն դրանք թվեր, բառեր, պատկերներ կամ չափելի այլ տեղեկություններ: Վիճակագրության մեծ մասը կենտրոնացած է պարզապես պարզելու և նկարագրելու, թե ինչ կա այնտեղ, հատկապես շատ մեծ տվյալների հավաքածուների դեպքում, պարզապես իմանալը, թե ինչ է անում և չի ներառում տեղեկատվությունը, ինքնին խնդիր է: Տվյալների գիտության ոլորտում սա հաճախ կոչվում է նկարագրական վերլուծություն: Բայց վիճակագրությունը կարող է ավելի հեռուն գնալ՝ ստուգելով՝ արդյոք ձեր ենթադրությունները այն մասին, թե ինչ կա տվյալների մեջ, ճի՞շտ են, թե՞ ճիշտ են, արդյոք դրանք նշանակալի են կամ օգտակար: Սա կարող է ներառել ոչ միայն տվյալների ուսումնասիրություն, այլ նաև շահարկել դրանք՝ ի հայտ բերելու դրանց կարևոր հատկանիշները: Դա անելու շատ տարբեր եղանակներ կան՝ գծային ռեգրեսիա, լոգիստիկ ռեգրեսիա և դիսկրիմինանտ վերլուծություն, նմուշառման տարբեր մեթոդներ և այլն, բայց, ի վերջո, այս մեթոդներից յուրաքանչյուրը վերաբերում է տվյալների մի շարքի առանձնահատկությունները հասկանալուն և այդ հատկանիշների ճշգրտությանը։ արտացոլում են որոշ իմաստալից ճշմարտություն աշխարհի մասին, որին նրանք համապատասխանում են:

Տվյալների վերլուծություն

Թեև այն կառուցված է վիճակագրության հիմքի վրա, տվյալների վերլուծությունը մի փոքր ավելի հեռու է գնում՝ պատճառահետևանքային կապը հասկանալու, վիզուալիզացիայի և գտածոները ուրիշներին հաղորդելու առումով: Եթե ​​վիճակագրությունը նպատակ ունի սահմանել տվյալների հավաքածուի ինչն ու ժամը, տվյալների վերլուծությունը փորձում է բացահայտել, թե ինչու և ինչպես: Տվյալների վերլուծաբանները դա անում են՝ մաքրելով տվյալները, ամփոփելով դրանք, փոխակերպելով դրանք, մոդելավորելով և փորձարկելով դրանք: Ինչպես նշվեց վերևում, այս վերլուծությունը չի սահմանափակվում միայն թվերով: Թեև շատ տվյալների վերլուծություն օգտագործում է թվային տվյալներ, հնարավոր է նաև վերլուծություն կատարել այլ տեսակի տվյալների վրա՝ հաճախորդների գրավոր կարծիքը, օրինակ, սոցիալական մեդիայի գրառումները, կամ նույնիսկ պատկերները, աուդիո և տեսանյութերը:

Տվյալների վերլուծաբանների հիմնական նպատակներից մեկը պատճառահետևանքային կապը հասկանալն է, որն այնուհետև կարող է օգտագործվել՝ հասկանալու և կանխատեսելու միտումները կիրառությունների լայն շրջանակում: Ախտորոշիչ վերլուծության մեջ Տվյալների վերլուծաբանները փնտրում են փոխկապակցվածություն, որոնք առաջարկում են պատճառ և հետևանք, որն իր հերթին կարող է օգտագործվել արդյունքները փոփոխելու համար: Կանխատեսող վերլուծությունը նմանապես փնտրում է օրինաչափություններ, բայց հետո ընդլայնում է դրանք՝ էքստրապոլացնելով դրանց հետագծերը հայտնի տվյալների սահմաններից դուրս՝ օգնելու կանխատեսել, թե ինչպես կարող են զարգանալ չչափված կամ հիպոթետիկ իրադարձությունները, ներառյալ ապագա իրադարձությունները: Տվյալների վերլուծության առավել առաջադեմ ձևերը նախատեսված են որոշակի որոշումների վերաբերյալ ուղեցույց տրամադրելու համար՝ մոդելավորելով և կանխատեսելով տարբեր ընտրությունների արդյունքները՝ բացահայտելու գործողությունների առավել համապատասխան ընթացքը:

Արհեստական ​​բանականություն և մեքենայական ուսուցում

Տվյալների գիտության մեջ ներկայումս տեղի ունեցող մեծ առաջընթացներից մեկը, որը պատրաստվում է ահռելի ազդեցություն ունենալ ապագայում, արհեստական ​​ինտելեկտն է, իսկ ավելի կոնկրետ՝ մեքենայական ուսուցումը: Մի խոսքով, մեքենայական ուսուցումը ներառում է համակարգչի ուսուցում, որպեսզի կատարի այնպիսի առաջադրանքներ, որոնք մենք սովորաբար կարծում ենք, որ պահանջում են ինչ-որ բանականություն կամ դատողություն, ինչպես օրինակ՝ լուսանկարում գտնվող առարկաները նույնականացնելու ունակությունը: Սա սովորաբար ձեռք է բերվում՝ նրան տրամադրելով վճռականության տեսակի առատ օրինակներ, որոնց համար դուք մարզում եք ցանցը: Ինչպես կարող եք պատկերացնել, սա պահանջում է (սովորաբար կառուցվածքային) տվյալների և՛ համակարգչից այդ տվյալների իմաստը հասկանալու ունակությունը: Վիճակագրության և ծրագրավորման ուժեղ հմտությունները պարտադիր են:

Մեքենայական ուսուցման շահավետ ազդեցությունները գործնականում անսահմանափակ են, բայց առաջին հերթին բարդ կամ երկարատև առաջադրանքներն ավելի արագ կատարելու ունակությունն է, քան որևէ մարդ երբևէ կարող էր, օրինակ՝ միլիոնավոր պատկերների պահոցից կոնկրետ մատնահետք հայտնաբերելը կամ խաչաձև հղումը: տասնյակ փոփոխականներ հազարավոր բժշկական ֆայլերում՝ բացահայտելու ասոցիացիաները, որոնք կարող են հուշումներ տալ, թե ինչն է առաջացնում հիվանդություն: Բավարար տվյալների առկայության դեպքում մեքենայական ուսուցման փորձագետները կարող են նույնիսկ նեյրոնային ցանցեր վարժեցնել բնօրինակ պատկերներ արտադրելու, գրավոր տեքստի զանգվածային մասերից իմաստալից պատկերացումներ կորզելու, ապագա ծախսերի միտումների կամ շուկայական այլ իրադարձությունների մասին կանխատեսումներ անելու և ռեսուրսներ հատկացնելու համար, որոնք կախված են խիստ բարդ բաշխումից, օրինակ՝ էներգիայից: , առավելագույն արդյունավետությամբ։ Այս առաջադրանքները կատարելու համար մեքենայական ուսուցման օգտագործման առավելությունը, ի տարբերություն ավտոմատացման այլ ձևերի, այն է, որ չվերահսկվող A.I. համակարգը կարող է ժամանակի ընթացքում ավտոմատ կերպով սովորել և կատարելագործվել՝ նույնիսկ առանց նոր ծրագրավորման:

Բիզնես հետախուզություն

Ինչպես կարող էիք կռահել շուկայական իրադարձությունների մասին ավելի վաղ հղումից, բիզնեսի և ֆինանսների աշխարհը այն վայրերից մեկն է, որտեղ մեքենայական ուսուցումը թողել է իր ամենավաղ և խորը ազդեցություններից մեկը: Հասանելի թվային տվյալների հսկայական քանակի շնորհիվ՝ շուկայավարման տվյալների բազաներ, հարցումներ, բանկային տեղեկատվություն, վաճառքի թվեր և այլն, որոնց մեծ մասը շատ կազմակերպված է և համեմատաբար հեշտ է աշխատել, տվյալների գիտնականները կարողանում են օգտագործել վիճակագրություն, տվյալների վերլուծություն և այլն: մեքենայական ուսուցում՝ բիզնես աշխարհի անհամար ասպեկտների մասին պատկերացումներ կորզելու, որոշումներ կայացնելու և արդյունքների օպտիմալացման ուղղորդում, այն աստիճան, որ բիզնես ինտելեկտը ինքնին դարձել է տվյալների գիտության ոլորտ:

Շատ հաճախ, Business Intelligence Developer-ները պարզապես չեն նայում, թե ինչ տվյալներ են հասանելի՝ տեսնելու, թե ինչ կարող են հայտնաբերել. նրանք ակտիվորեն հետամուտ են լինում տվյալների հավաքագրմանը և մշակում են տեխնիկա և արտադրանք՝ կոնկրետ հարցերին պատասխանելու և կոնկրետ նպատակներին հասնելու համար: Այդ առումով, Business Intelligence Developers and Analyists-ը վճռորոշ նշանակություն ունի բիզնեսի և ֆինանսների աշխարհում ռազմավարական զարգացման համար՝ օգնելով ղեկավարությանը ավելի լավ որոշումներ կայացնել և դրանք ավելի արագ կայացնել, հասկանալ շուկան՝ բացահայտելու բիզնեսի հնարավորություններն ու մարտահրավերները և բարելավելու ընդհանուր արդյունավետությունը: բիզնեսի համակարգերն ու գործունեությունը, բոլորը՝ մրցակցային առավելություններ ձեռք բերելու և շահույթը բարձրացնելու գերագույն նպատակով:

Տվյալների ճարտարագիտություն

Ուսումնասիրության վերջին հիմնական ոլորտը, որում հաճախ աշխատում են տվյալների գիտնականները, ներառում է տարբեր աշխատանքի վերնագրերի մի ամբողջ շարք՝ Տվյալների ինժեներ, համակարգերի ճարտարապետ, հավելվածների ճարտարապետ, տվյալների ճարտարապետ, ձեռնարկությունների ճարտարապետ կամ ենթակառուցվածքի ճարտարապետ, նշելով ընդամենը մի քանիսը: Այս դերերից յուրաքանչյուրն ունի իր պարտականությունների շարքը, որոնցից ոմանք մշակում են ծրագրակազմ, մյուսները նախագծում են ՏՏ համակարգեր, իսկ մյուսները՝ համապատասխանեցնում են ընկերության ներքին կառուցվածքը և գործընթացները այն տեխնոլոգիայի հետ, որն այն օգտագործում է իր բիզնես ռազմավարությունները իրականացնելու համար: Նրանց բոլորին կապում է այն, որ այս ոլորտում աշխատող տվյալների գիտնականները կիրառում են տվյալներ և տեղեկատվական տեխնոլոգիաներ՝ հատուկ գործառույթ նկատի ունենալով համակարգեր ստեղծելու կամ բարելավելու համար:

Ծրագրերի ճարտարապետը, օրինակ, դիտում է, թե ինչպես է ձեռնարկությունը կամ այլ ձեռնարկություն օգտագործում հատուկ տեխնոլոգիական լուծումներ, այնուհետև նախագծում և մշակում է հավելվածներ (ներառյալ ծրագրային ապահովում կամ ՏՏ ենթակառուցվածք) բարելավված կատարողականության համար: Տվյալների ճարտարապետը նմանապես մշակում է հավելվածներ՝ այս դեպքում տվյալների պահպանման, կառավարման և վերլուծության լուծումներ: Ենթակառուցվածքի ճարտարապետը կարող է մշակել համընդհանուր լուծումներ, որոնք ընկերությունը օգտագործում է ամենօրյա բիզնես վարելու համար՝ ապահովելու համար, որ այդ լուծումները համապատասխանում են ընկերության համակարգի պահանջներին՝ անկախ այն բանից՝ անցանց, թե ամպի մեջ: Տվյալների ինժեներներն իրենց հերթին կենտրոնանում են տվյալների մշակման, գաղափարի և իրականացման վրա, որոնք հավաքում, կազմակերպում, պահպանում, առբերում և մշակում են կազմակերպության տվյալները: Այլ կերպ ասած, տվյալների գիտության այս լայն կատեգորիայի որոշիչ առանձնահատկությունն այն է, որ այն ներառում է իրերի նախագծում և կառուցում. համակարգեր, կառուցվածքներ և գործընթացներ, որոնց միջոցով իրականացվում է տվյալների գիտությունը:

Որո՞նք են տվյալների գիտության ամենապահանջված աշխատատեղերը:

Ընդհանուր առմամբ տվյալների գիտությունը մեծ պահանջարկ ունեցող հմտություն է, ուստի կան բազմաթիվ հնարավորություններ, որոնք կարելի է գտնել ոլորտի յուրաքանչյուր ոլորտում և մասնագիտության մեջ: Փաստորեն, 2019-ին LinkedIn-ը Data Scientist-ը թվարկեց որպես տարվա ամենահեռանկարային աշխատանք, իսկ QuantHub-ը կանխատեսեց որակավորված տվյալների գիտնականների սուր պակաս գալիք տարում:

Հիմնական բառն այստեղ որակավորված է: Հաճախ տեխնիկական պահանջները, որը պետք է բավարարի Տվյալների գիտնականը, այնքան կոնկրետ են, որ կարող է պահանջվել ոլորտում աշխատելու մի քանի տարվա փորձ՝ ստեղծելու իրավասությունների անհրաժեշտ շրջանակը, սկսած որպես ընդհանուր մասնագետ, այնուհետև կամաց-կամաց ավելացնելով ավելի ու ավելի շատ կարողություններ և կարողություններ: նրանց հմտությունների հավաքածուն:

Սրանք ընդամենը մի քանի ամենատարածված ձևերից են, որոնք Տվյալների գիտնականները կարող են դա անել. կան նույնքան հնարավոր կարիերայի ուղիներ, որքան տվյալների գիտնականները, բայց ամեն դեպքում, կարիերայի առաջխաղացումը կախված է ժամանակի ընթացքում նոր հմտություններ և փորձ ձեռք բերելուց:

Տվյալների վերլուծաբան

Ինչպես անունն է հուշում, Տվյալների վերլուծաբանները վերլուծում են տվյալները, բայց այդ կարճ վերնագիրը միայն մի փոքր մասն է պարունակում այն ​​բանի, թե ինչ կարող են իրականում հասնել Տվյալների վերլուծաբանները: Առաջին հերթին, տվյալները հազվադեպ են սկսվում հեշտ օգտագործման ձևով, և սովորաբար տվյալների վերլուծաբաններն են, ովքեր պատասխանատու են անհրաժեշտ տվյալների տեսակը բացահայտելու, դրանք հավաքելու և հավաքելու, այնուհետև մաքրելու և կազմակերպելու համար՝ դրանք ավելի շատ դարձնելու համար: օգտագործելի ձև, որոշել, թե իրականում ինչ է պարունակում տվյալների հավաքածուն, հեռացնելով կոռումպացված տվյալները և գնահատելով դրանց ճշգրտությունը: Այնուհետև կա բուն վերլուծությունը՝ օգտագործելով տարբեր մեթոդներ՝ տվյալների հետազոտման և մոդելավորման, օրինաչափությունների որոնման, այդ օրինաչափություններից իմաստ հանելու և դրանք արտանետելու կամ մոդելավորելու համար: Վերջապես, Տվյալների վերլուծաբաններն իրենց պատկերացումները հասանելի են դարձնում ուրիշներին՝ տվյալները ներկայացնելով վահանակում կամ տվյալների բազայում, որին այլ մարդիկ կարող են մուտք գործել, և իրենց գտածոները փոխանցելով ուրիշներին ներկայացումների, գրավոր փաստաթղթերի, գծապատկերների, գծապատկերների և այլ պատկերացումների միջոցով:

Տվյալների վերլուծաբանի կարիերայի ուղին

Տվյալների վերլուծաբանը հիանալի մուտքի կետ է տվյալների գիտության աշխարհ. դա կարող է լինել սկզբնական մակարդակի պաշտոն՝ կախված պահանջվող փորձաքննության մակարդակից: Տվյալների նոր վերլուծաբանները սովորաբար մտնում են դաշտ անմիջապես դպրոցից դուրս՝ վիճակագրության, մաթեմատիկայի, համակարգչային գիտության կամ նմանատիպ այլ մասնագիտությունների գծով կամ անցում են կատարում տվյալների վերլուծության հարակից ոլորտներից, ինչպիսիք են բիզնեսը, տնտեսագիտությունը կամ նույնիսկ սոցիալական գիտությունները, սովորաբար բարելավելով իրենց հմտություններ կարիերայի միջնամասում՝ տվյալների վերլուծության ճամբարի կամ նմանատիպ հավաստագրման ծրագրի միջոցով:

Բայց անկախ նրանից, թե նրանք վերջին շրջանավարտներ են, թե փորձառու մասնագետներ, որոնք փոխում են կարիերան միջինում, նոր Տվյալների գիտնականները սովորաբար սկսում են սովորական առաջադրանքներ կատարելով, ինչպիսիք են R-ի կամ SQL-ի նման լեզվով տվյալների ձեռքբերումն ու մանիպուլյացիան, տվյալների բազաների կառուցումը, հիմնական վերլուծությունները և գեներացումը: վիզուալիզացիաներ՝ օգտագործելով Tableau-ի նման ծրագրեր: Յուրաքանչյուր Տվյալների վերլուծաբանի կարիք չի լինի, որ իմանա, թե ինչպես անել այս բոլոր բաները. կարող է լինել մասնագիտացում, նույնիսկ կրտսեր պաշտոնում, բայց դուք պետք է կարողանաք կատարել այս բոլոր խնդիրները, եթե հույս ունեք առաջադիմել ձեր կարիերայում: Ճկունությունը մեծ առավելություն է այս վաղ փուլում:

Ինչպես եք առաջադիմում որպես Տվյալների վերլուծաբան, որոշ չափով կախված է այն արդյունաբերությունից, որտեղ դուք աշխատում եք՝ օրինակ, մարքեթինգ կամ ֆինանսներ: Կախված ոլորտից և աշխատանքի տեսակից, որը դուք անում եք, դուք կարող եք ընտրել մասնագիտանալ Python-ում կամ R-ում ծրագրավորման մեջ, դառնալ տվյալների մաքրման մասնագետ կամ կենտրոնանալ միայն բարդ վիճակագրական մոդելներ կառուցելու կամ գեղեցիկ վիզուալներ ստեղծելու վրա։ Մյուս կողմից, դուք կարող եք նաև ընտրել ամեն ինչից մի փոքր սովորել՝ ստեղծելով առաջնորդի պաշտոն ստանձնելու համար, քանի որ դուք ստանում եք տվյալների ավագ վերլուծաբանի կոչում: Ունենալով բավականաչափ լայն և խորը փորձ, Տվյալների ավագ վերլուծաբանը պատրաստ է ստանձնել ղեկավար դեր՝ վերահսկելով տվյալների այլ վերլուծաբանների թիմը, ի վերջո դառնալով բաժնի մենեջեր կամ տնօրեն: Լրացուցիչ հմտությունների ուսուցմամբ՝ Տվյալների վերլուծաբանները նաև ուժեղ դիրքում են՝ անցնելու տվյալների գիտնականի ավելի առաջադեմ դիրք:

Տվյալների գիտնական

Տվյալների ճիշտ գիտնականները սովորաբար կարող են անել այն ամենը, ինչ կարող են անել Տվյալների վերլուծաբանները, գումարած ևս մի քանի բան, բացի այդ, իրականում, ճիշտ ուսուցման և փորձի դեպքում տվյալների վերլուծաբանը կարող է ի վերջո անցնել տվյալների գիտնականի պաշտոնին: Այսպիսով, այո, տվյալների գիտնականները պետք է կարողանան ձեռք բերել, մաքրել, շահարկել, պահել և վերլուծել տվյալները, բայց նաև հասկանալ և աշխատել մեքենայական ուսուցման տարբեր մեթոդների հետ և կարողանան ծրագրավորել Python, R կամ նմանատիպ վիճակագրական ծրագրավորման լեզվով: կառուցել և գնահատել ավելի առաջադեմ մոդելներ:

Տվյալների գիտնականի կարիերայի ուղին

Շատ մարդիկ մտնում են ոլորտ որպես տվյալների վերլուծաբաններ՝ նախքան իրենց Տվյալների գիտնական անվանելու համար անհրաժեշտ փորձ և հմտություններ ձեռք բերելը: Այնուհետև, Junior Data Scientist-ից, հաջորդ քայլը սովորաբար ավագ տվյալների գիտնականն է. Տվյալների ավագ գիտաշխատողը կա՛մ գերազանց կհասկանա տվյալների գիտության գրեթե բոլոր ասպեկտները՝ A.I., տվյալների պահեստավորում, տվյալների մշակում, ամպային հաշվարկ և այլն, ի հավելումն արդյունաբերության հատուկ բնագավառի, ինչպիսիք են բիզնես ռազմավարությունը կամ առողջապահական վերլուծությունը: , կամ նրանք կմասնագիտանան այս ոլորտներից մեկում՝ գուրու մակարդակի փորձով:

Հարկ է նշել, որ մինչ որոշ տվյալների գիտնականներ սկսում են իրենց կարիերան վերլուծության մեջ և աշխատում են ավելի բարձր պաշտոններ մասնագիտացված ոլորտներում, ինչպիսիք են հոգեբանությունը, մարքեթինգը, տնտեսագիտությունը և այլն, մյուսները սկսում են որպես մասնագետներ այդ տարբեր ոլորտներից մեկում, նախքան տվյալներին անցնելը: գիտության դերը.

Շատերի համար Ավագ տվյալների գիտնականը կարիերայի վերջնական նպատակն է. Սա արդեն այնքան առաջադեմ դեր է, որ գոնե տվյալների գիտության ոլորտում դա հաճախ ամենաբարձր պաշտոնն է, որը կարելի է ձեռք բերել. դուք պարզապես դառնում եք ավելի լավ, ավելի ընդունակ Ավագ Տվյալների գիտնական՝ ավելի մեծ մասնագիտացումներով: Այնուամենայնիվ, ոմանց համար, հատկապես նրանց, ովքեր ավելի ընդհանրական մոտեցում են ցուցաբերում, հնարավոր է հետագա առաջընթաց գրանցել այնպիսի մենեջերի պաշտոնում, ինչպիսին է առաջատար տվյալների գիտնականը, ղեկավարելով թիմը կամ բաժինը, կամ նույնիսկ տվյալների գլխավոր տնօրենը, որը ղեկավարում է հաստատության տվյալների ռազմավարությունը ամենաբարձր մակարդակով: և պատասխանել միայն գործադիր տնօրենին։

Տվյալների ինժեներ

Տվյալների ինժեներներին տվյալների ոլորտում աշխատող այլ մասնագետներից տարբերվում է այն փաստը, որ նրանք նախագծում և կառուցում են ամբողջ համակարգեր՝ ներառյալ ենթակառուցվածքը և գործընթացները, որոնք ընկերությունը օգտագործում է այդ տվյալների առավելագույնս օգտվելու համար: Այսինքն, Տվյալների ինժեներներն այն մարդիկ են, ովքեր որոշում են այն ուղիները, որոնցով այլ տվյալների գիտնականները կարող են կատարել իրենց աշխատանքը: Տվյալների ի՞նչ ձևեր կարող է տեղավորել ընկերության համակարգը: Ի՞նչ մեթոդներ են օգտագործվում վաճառքից և շուկայավարությունից կամ առողջապահական հետազոտության արդյունքներից տվյալներ հավաքելու և դրանք վերլուծության համար հասանելի դարձնելու համար: Դա անելու համար Տվյալների ինժեներները պետք է շատ լավ ծանոթ լինեն տվյալների գիտության այլ մասնագետների աշխատանքի տեսակներին. լավ. Բայց քանի որ նրանք շինարարներ են, Տվյալների ինժեներները սովորաբար ավելի շատ ժամանակ են ծախսում մշակման վրա, քան տվյալների գիտության այլ մասնագետներ՝ գրելով ծրագրային ծրագրեր, կառուցել հարաբերական տվյալների բազաներ կամ մշակել գործիքներ, որոնք թույլ են տալիս ընկերություններին տվյալների փոխանակում կատարել բաժինների միջև:

Տվյալների ինժեների կարիերայի ուղին

Ինչպես տվյալների ոլորտում աշխատող այլ աշխատատեղերը, տվյալների ինժեներ դառնալու առաջին քայլը հաճախ համալսարանական կրթությունն է (սովորաբար բակալավր կամ մագիստրոս ճարտարագիտության, համակարգչային գիտության կամ մաթեմատիկայի ոլորտում), բայց ոչ միշտ: ՏՏ կամ ծրագրային ապահովման մշակման ոլորտում աշխատելու մեծ փորձ ունեցող անձը կարող է պարզել, որ նա արդեն ունի տվյալների ինժեներ դառնալու համար անհրաժեշտ բոլոր հմտությունները, բացառությամբ հենց տվյալների հմտությունների, որի դեպքում որոշ հմտությունների վերապատրաստումը, օրինակ՝ տվյալների բեռնաթափումը, կարող է օգնել դրանք բերելու համար: մինչև արագություն: Տվյալների ինժեների համար պահանջվող հմտություններից շատերը (օրինակ՝ SQL, UNIX և Linux, ETL մշակում կամ ՏՏ համակարգերի կազմաձևում) կարող են զարգանալ՝ աշխատելով հարակից դաշտում. մյուսները (օրինակ՝ մեքենայական ուսուցումը կամ տվյալների խողովակաշարերի կառուցումը) կպահանջեն ավելի կենտրոնացված ուսուցում:

Այսպես ասվում է, որ տվյալների ինժեներների մեծամասնությունը սկսում է իր կարիերան՝ աշխատելով համակարգչային գիտության որոշ ենթաոլորտում, նախքան ձեռք բերելու բոլոր հմտությունները, որոնք անհրաժեշտ են տվյալների կրտսեր ինժեներ դառնալու համար. Այնտեղից հաջորդ տրամաբանական քայլը տվյալների ավագ ինժեներին և առաջատար տվյալների ինժեներինն է: Բայց, ՏՏ, ծրագրային ապահովման ճարտարագիտության և տվյալների գիտության շատ ասպեկտների տիրապետմամբ, կան բազմաթիվ այլ պաշտոններ, որոնք բաց են նաև տվյալների ինժեներների համար, ներառյալ տվյալների ճարտարապետը, լուծումների ճարտարապետը կամ հավելվածների ճարտարապետը: Ինչ-որ մեկի համար, ով ցանկանում է ավելի քիչ գործնական աշխատանք կատարել և ավելի շատ աշխատակիցների կառավարում, այլ տարբերակներ ներառում են Արտադրանքի զարգացման մենեջեր, կամ, ի վերջո, հաշվի առնելով մարդկանց ճիշտ հմտությունները, նույնիսկ Տվյալների գլխավոր տնօրենը կամ գլխավոր տեղեկատվության տնօրենը:

Կարո՞ղ են տվյալների գիտնականները աշխատել տնից:

Ինչպես տեխնոլոգիական ոլորտում շատ աշխատատեղեր, Տվյալների գիտնականի դերերը հաճախ կարող են իրականացվել հեռակա կարգով, բայց դա, ի վերջո, կախված է այն ընկերությունից, որտեղ դուք աշխատում եք և ձեր կատարած աշխատանքի տեսակից:

Ե՞րբ կարող են տվյալների գիտնականները աշխատել հեռակա կարգով:

Տվյալների գիտության դիրքերը, որոնք աշխատում են խիստ զգայուն կամ գաղտնի տվյալների և տեղեկատվության հետ (որը ներառում է դրանց մեծ մասը, նույնիսկ գաղտնիության համար ծանր ոլորտներից դուրս, ինչպիսիք են բանկային և առողջապահական ոլորտները, քանի որ սեփականության տվյալները կարող են լինել խոշոր ընկերության ամենաարժեքավոր ակտիվներից մեկը) բախվում են շատ ավելի շատ սահմանափակումների՝ կապված հեռահար աշխատանքի հետ: Այս դեպքերում, ամենայն հավանականությամբ, ձեզանից կպահանջվի աշխատել գրասենյակում աշխատանքային ժամերին:

Որոշ այլ գործոններ, որոնք պետք է հաշվի առնել.

• Որքան ավանդական է ձեր ընկերությունը: Ավելի մեծ, հին ընկերությունները սովորաբար այնքան էլ հեռահար ընկերական չեն, թեև COVID-ը կարող է մեծ փոփոխություններ բերել այս ոլորտում:
• Որքան հեշտությամբ կարող եք աշխատել այլ թիմակիցների և բաժանմունքների հետ հեռակա կարգով: Եթե ​​ձեր աշխատանքը շատ համագործակցային է, ավելի հավանական է, որ ձեզանից պահանջվի անձամբ ներկայանալ:
• Տվյալների գիտնականները, ովքեր աշխատում են պայմանագրով կամ նույնիսկ խորհրդատվական հիմունքներով, կարող են նաև ավելի ճկունություն ունենալ իրենց սեփական գտնվելու վայրն ընտրելու հարցում: