برای مشاغل آینده آماده شوید؛ چگونه در حوزه تحلیل داده شغل پیدا کنیم؟

در طی دهه اخیر، استفاده از داده و خروجی‌های آن در کسب‌وکارها به عملی ضروری تبدیل‌شده است. در دهه 90 میلادی، فروشگاه اینترنتی آمازون توانست با بهره‌وری از داده و مدل‌های ساده (در مقایسه با امروز) هوش مصنوعی، خود را از دیگر کسب‌وکارها متمایز کرده و به جایگاه خود در امروزه برسد.

در دهه 90، استفاده از داده روشی نوین محسوب می‌شد. امروزه، استفاده از داده‌های اصلی و جانبی یک کسب‌وکار نوعی ضرورت است؛ دیگر نمی‌توان صرفا با استفاده از «شم کاسبی» و حدس و پیش‌بینی، تصمیم‌های بزرگ و اساسی برای کسب‌وکارها گرفت. جدا از این مسئله، استفاده از داده به یکی از پایه‌های اصلی کسب‌وکارهای آنلاین تبدیل‌شده است.

به دلیل ماهیت کار با داده و کسب‌وکارهای اینترنتی، بسیاری از شرکت‌های ایرانی نیز به رویکردهای داده محور مشغول شده‌اند. با توجه به اهمیت بالای بهره‌وری از داده برای کسب‌وکارها و تعداد کم متخصصان این حوزه، افراد مشغول در این زمینه به مزایای نسبتا خوبی دسترسی داشته و با موقعیت‌های شغلی متعددی مواجه‌اند. درنتیجه، تقاضا برای ورود به حوزه تحلیل داده و «Data Science» هرروزه در حال افزایش است.

در ادامه به توصیفی مختصر از یک متخصص تحلیل داده پرداخته و نکاتی را برای استخدام شدن در این حوزه معرفی خواهیم کرد؛ در این مقاله، بیشتر بر راه‌های ورود به این حوزه متمرکزشده و کمتر به مهارت‌های موردنیاز آن می‌پردازیم. برای آشنایی بیشتر با آن مهارت‌ها، می‌توانید به مقاله «چگونه دیتا ساینتیست شویم؟» مراجعه کنید.

اگر شما نیز به فعالیت در این حوزه علاقه‌مند بوده و قصد دارید که در موقعیت‌های تحلیل داده شاغل شوید، با ما همراه باشید.

یک متخصص تحلیل داده چه کسی است و چه‌کار می‌کند؟

به‌طورکلی، یک دیتا ساینتیست یا دانشمند داده متخصصی است که داده را جمع‌آوری کرده و پس از پردازش آن‌، تحلیل‌های آماری را برای حل مسائل بر روی داده انجام می‌دهد. البته مشاغل موجود در صنعت تحلیل داده به موارد جزئی‌تری تقسیم‌شده و افراد مشغول در تیم‌های تحلیل، مسئولیت‌های مختص خود را دارند. در این بخش، چهار مورد از اصلی‌ترین مشاغل حوزه تحلیل داده را به ترتیب ارشدیت آن‌ها توضیح می‌دهیم.

1. تحلیلگر داده ( Data Analyst )

در برخی از شرکت‌ها، شغل تحلیلگر داده با موقعیت دانشمند داده یکسان فرض می‌شود؛ اما به‌طورکلی این دو مورد از لحاظ توانایی و تجربه افراد با یکدیگر متفاوت‌اند.

تحلیلگر داده، همان‌طور که از اسم آن برمی‌آید، بیشتر به قسمت تحلیل داده و پیدا کردن راه‌حل مسائل از آن مربوط می‌شود. زبان‌هایی مانند R، پایتون، SQL، و C از مهارت‌های ضروری این موقعیت به‌حساب می‌آیند. همانند موقعیت دانشمند داده، یک تحلیلگر باید طیف مختلفی از توانایی‌های آماری و برنامه‌نویسی را در اختیار داشته و بتوانند نتایج کاربردی را از داده خام استخراج کنند. ساختن ارائه‌ها برای مدیران سازمان نیز از وظایف آن‌ها محسوب شده و باید به‌صورت پایه‌ای، تسلط خوبی بر ریاضیات (به‌خصوص جبر) داشته و با مفاهیم یادگیری ماشینی نیز آشنا باشند.

درنهایت، یک تحلیلگر داده علاوه بر آشنا بودن با زبان‌های برنامه‌نویسی موردنیاز، باید بر اکسل نیز تسلط داشته و توانایی کار کردن با نرم‌افزارهای هوش کسب‌وکاری مانند Tableau و Power BI را نیز داشته باشد.

1. مهندس داده ( Data Engineer )

مهندسین داده معمولا از پیش‌زمینه‌های برنامه‌نویسی و علوم کامپیوتر به حوزه داده وارد می‌شوند. وظایف اصلی این موقعیت به کار کردن با داده خام، دسته‌بندی و مرتب ساختن آن مربوط می‌شود.

مهندس داده باید بر زبان‌های پایگاه داده مانند SQL مسلط بوده و با زبان‌هایی مانند Hive، MatLab، SPSS، پایتون، جاوا، روبی و C++ نیز آشنا باشد. وی باید بتواند داده‌ها را جمع‌آوری، ساختار سازی، آزمایش و مرتب کرده و به‌تمامی اعضای تیم خود خروجی دهد.

به‌طورکلی، مهندس داده بیشتر به سمت یادگیری زبان‌های برنامه‌نویسی مایل بوده و باید توانایی یادگیری آن‌ها در زمان‌های کوتاه را داشته باشد. از طرف دیگر، به دلیل دادن خروجی به دیگر اعضای تیم، وی باید به‌طور حداقلی با نحوه تحلیل داده نیز آشنا باشد؛ به عبارتی، مهندس داده در هر چهار زمینه اشاره‌شده تا حدی تخصص دارد.

1. متخصص یادگیری ماشینی ( Machine Learning Specialist )

در تعدادی از استارت‌آپ‌ها، شرکت‌های مشاوره‌ای و حتی برخی کمپانی‌های بزرگ، خود داده و خروجی‌های آن محصول یک شرکت به‌حساب می‌آید. در چنین شرکت‌هایی، متدهای یادگیری ماشینی علاوه بر تحلیل داده از پایه‌های اصلی فعالیت محسوب شده و به همین دلیل، به متخصصان یادگیری ماشین نیاز است.

این موقعیت بیشتر برای کسانی مناسب است که دارای پیش‌زمینه‌ای در رشته‌های آمار، ریاضی، اقتصاد یا رشته‌های فنی مانند فیزیک هستند. چنین افرادی می‌توانند بسیاری از دانش‌های قبلی خود را به کار گرفته و همچنان در محیطی به نسبت آکادمیک، در حرفه خود مشغول شوند.

علاوه بر مهارت‌هایی که برای تحلیلگر داده مطرح کردیم، یک متخصص یادگیری ماشین باید دارای پایه‌های ریاضی بسیار قدرتمندی بوده و با لیست بلند بالایی از مفاهیم این حوزه مانند یادگیری عمیق، ساختار تصمیمات (Decision Trees)، شبکه‌های عصبی، تست A/B و بسیاری از موارد دیگر نیز آشنا باشد.

1. کارشناس هوش تجاری ( Business Intelligence Specialist )

کارشناس هوش تجاری معمولا با دیگر اعضای تیم داده متفاوت است. این موقعیت شغلی نیاز کمتری به تسلط بر مفاهیم فنی داده داشته و در عوض، نیاز به تسلط بیشتری بر مفاهیم کسب‌وکاری دارد. باوجوداینکه این دسته از افراد باید از پروسه جمع‌آوری داده و تحلیل آن مطلع بوده و توانایی نسبی در این زمینه داشته باشند، وظیفه اصلی آن‌ها تبدیل کردن مداوم داده‌ها به جریانی از اطلاعات مربوط به کسب‌وکار است.

این دسته از افراد باید بیشتر بر نرم‌افزارهایی مانند Tableau یا Power BI مسلط بوده و توانایی ساده‌سازی (Streamlining) پروسه تحلیل داده را در اختیار داشته باشند.

1. دانشمند داده ( Data Scientist )

دانشمندان داده افرادی هستند که دانشی کلی در چهار بخش قبلی داشته و به دلیل تجربه زیاد خود، توانایی مدیریت یا اجرای تمامی وظایف یک تیم تحلیل داده را در اختیار دارند.

اکثر شرکت‌هایی که به دنبال دانشمند داده هستند، به‌طور خاص بر تحلیل داده متمرکز نبوده و در حقیقت، نیاز به فردی دارند که توانایی راه‌اندازی یک بخش داده را داشته باشد. یک دانشمند داده، باید علاوه بر در اختیار داشتن تمامی مهارت‌های اشاره ‌شده، به استفاده از ابزارهایی مانند Hadoop و Spark برای راه‌اندازی سیستم‌های تحلیل ابرداده‌ها نیز تسلط داشته باشد.

معمولا درصد بسیار کمی از افراد دارای تمامی مهارت‌های موردنیاز یک دانشمند داده هستند. به همین دلیل است که افراد دارای توانایی‌های خاص برای این موقعیت شغلی، توسط شرکت‌های بسیار بزرگی مانند مایکروسافت و گوگل و در ایران، اسنپ و تپسی، جذب می‌شوند.

آگهی‌های استخدام یک تحلیلگر داده به چه شکل است؟

همان‌طور که از توضیحات مشاغل مختلف در حوزه داده مشخص شد، اکثر این شغل‌ها شامل جمع‌آوری و تمیز کردن داده برای انجام تحلیل‌ها و استخراج نتایج می‌شوند.

فارغ از اهمیت بالای آن، جمع‌آوری و انبار سازی داده در کنار ایجاد دیتابیس‌ها از بخش‌های ساده‌تر و ابتدایی‌تر این مشاغل محسوب می‌شود. به همین دلیل، در موقعیت‌های شغلی ابتدایی‌تر و به‌اصطلاح «Junior»، توانایی کار کردن با SQL و زبان‌های ذخیره داده در کنار تمیز کردن آن از مهارت‌های ضروری و وظایف اصلی افراد به شمار می‌رود.

با پیشرفت‌های شغلی و متمرکز شدن بر موقعیت‌های شغلی بالاتری مانند متخصص یادگیری ماشینی یا دیتا ساینتیست، نیاز به سابقه بیشتر (حدود سه تا هفت سال) وجود خواهد داشت. علاوه بر این مسئله، در چنین موقعیت‌های شغلی تمرکز بر تحلیل داده و نوآوری بیشتر از صرف توانایی‌های فنی بوده و فرد باید بتواند راه‌حل‌های نوینی را برای حل مسئله ارائه دهد.

در مرحله اول، توانایی‌های لازم و همچنین سابقه کار موردنیاز برای موقعیت‌های مختلف مربوط به داده بسیار متفاوت از یکدیگرند. علاوه بر آن، باید در نظر داشته باشید که حتی صنعت فعالیت یک شرکت و حدود نیاز آن به تحلیل‌های داده، مهارت‌ها و توانایی‌های موردنیاز آن‌ها را تغییر می‌دهد. به همین دلیل، بهتر است که در شروع کار، موقعیت‌های شغلی موردعلاقه خود در این زمینه را به‌صورت جزئی مشخص کرده و با خواندن نیازمندی‌های آگهی‌ها، خودتان را برای این موقعیت‌ها آماده کنید.

چگونه در موقعیت‌های شغلی تحلیل داده مشغول شویم؟

تا اینجای کار، تصور نسبتا خوبی از کلیت موقعیت‌های شغلی حوزه داده به دست آوردید. اما با چه راه‌حل‌هایی می‌توان سریع‌تر و راحت‌تر به بازار کار این حوزه وارد شد؟ در این بخش، نکاتی را مطرح کرده که به شما کمک می‌کنند تا نه‌تنها به شغل موردعلاقه خود دستیابید، بلکه این کار را با حداکثر بهره‌وری انجام دهید.

1. دانستن مفاهیم پایه‌ای

قبل از اینکه برای هرگونه شغلی درخواست دهید، ابتدا باید مطمئن باشید که توانایی‌های موردنیاز کارفرمایان را در اختیار دارید. خوشبختانه، تحلیل داده یکی از مباحثی است که از غنی‌ترین منابع یادگیری آنلاین بهره می‌برد.

مهارت‌های پایه‌ای موردنیاز تحلیل داده به آمار، ریاضیات جبری و برنامه‌نویسی مربوط می‌شود. وب‌سایت‌هایی مانند Coursera یا edx دارای دوره‌های رایگانی در تمامی مباحث ذکرشده بوده که بخش زیادی از مفاهیم موردنیاز را پوشش می‌دهند. برای مثال، دوره رایگان یادگیری ماشینی که توسط دانشگاه استنفورد در سایت Coursera ارائه‌شده، می‌تواند بهترین منبع یادگیری برای تازه‌کاران این حوزه باشد.

منابع دیگری مانند MIT OpenCourseWave نیز با در اختیار گذاشتن کلاس‌های ام‌آی‌تی به‌صورت رایگان، برای یادگیری مفاهیم پایه‌ای مانند آمار و ریاضی بسیار مناسب‌اند. درنهایت، یوتیوب و آپارات نیز می‌توانند به طراحی مسیر یادگیری شما کمک کرده تا از اتلاف وقت خود در مسیرهای نادرست جلوگیری کنید.

پس‌ازآنکه مفاهیم و مهارت‌های موردنیاز را تا حدودی یاد گرفتید، باید آن‌ها را در یک محیط واقعی شغلی آزمایش کنید. بهترین روش برای کسب‌ تجربه کار واقعی، کارآموزی‌ها و موقعیت‌های پژوهشی هستند. البته چنین موقعیت‌هایی در ایران به‌راحتی به دست نمی‌آیند، اما همان‌گونه که در ادامه توضیح خواهیم داد، روش‌هایی برای پیدا کردن کارآموزی و موقعیت شغلی خارج از سایت‌های آگهی کار نیز وجود دارد.

1. خودتان را در فضای آنلاین به دیگران بشناسانید

این نکته در خصوص هر شغلی صدق می‌کند: داشتن مهارت‌ ضروری است، اما تا زمانی که کارفرمایان از تسلط شما بر این مهارت‌ها مطمئن نشوند، صرف توانایی‌ها شما به پیدا کردن کار منجر نخواهد شد.

اگر می‌خواهید در میان ده‌ها و حتی صد‌ها متقاضی شغل خود را متمایز کنید، باید حضور آنلاین بسیار قوی داشته باشید. به‌خصوص در مورد تحلیلگران داده، داشتن یک پرتفوی قوی در گیت‌هاب (GitHub)، رزومه لینکدین قوی و حتی داشتن یک وب‌سایت برای معرفی خود می‌تواند علاقه و تسلط شما را نشان دهد.

یک حضور قوی در فضای آنلاین نه‌تنها به پیدا کردن موقعیت‌های شغلی کمک می‌کند، بلکه ممکن است از این طریق به پروژه‌های فریلنسینگ و همکاری‌های حرفه‌ای دعوت شوید.

نیازهای حداقلی برای این کار، یک پرتفوی خوب و یک وب‌سایت است؛ انجام دادن یک پروژه نوین و هوشمند می‌تواند به‌تنهایی مدرکی برای توانایی‌های شما باشد. در کنار آن، داشتن یک وب‌سایت به شما کمک کرده تا مهارت‌های خود را به ساده‌ترین شکل و بهینه‌ترین حالت ارائه دهید.

1. در محیط‌های درست به دنبال شغل بگردید

طبیعی است که پس از یادگرفتن مهارت‌های لازم و آماده کردن پرتفوی کاری خود، به سراغ آگهی‌های شغلی در سایت‌های مختلف رفته تا به کار مشغول شوید. اما در واقعیت، این کار یکی از کم بازده‌ترین کارهایی است که می‌توانید انجام دهید.

رفتن به سراغ شرکت‌های معروف و فرستادن رزومه برای موقعیت‌های شغلی آن‌ها بسیار وسوسه‌انگیز است؛ اما به نقل از فعالان این حوزه و کسانی که در تحلیل داده به کار مشغول‌اند، آگهی‌های شغلی از سخت‌ترین راه‌های پیدا کردن کار محسوب می‌شوند.

به‌جای این کار، بهتر است با خود کارفرمایان و استخدام‌کنندگان این حوزه ارتباط برقرار کنید. می‌توان گفت که راه‌های زیر به ترتیب بهترین راه‌ها برای پیدا کردن کار هستند:

1. از طریق برقراری ارتباط با کارفرمایان
2. از طریق معرفی دوستان، آشنایان و دیگر همکاران
3. نمایشگاه‌های کار و رویدادهای استخدامی
4. درنهایت، مراجعه به وب‌سایت‌های آگهی استخدامی

دلیل بازدهی پایین وب‌سایت‌های آگهی استخدام به مسئله عدم شناخت مربوط می‌شود. ازآنجایی‌که درخواست دادن برای شغل‌های مختلف در چنین وب‌سایت‌هایی بسیار آسان است، روزانه هزاران درخواست مناسب و غیر مناسب برای یک موقعیت شغلی ارسال خواهد شد. و مسلم است که در چنین شرایطی، متمایز کردن خود از دیگران بسیار دشوار خواهد بود.

اگر شما هیچ تجربه‌ای در شبکه‌سازی ارتباطات ندارید و ارتباط‌های فعلیتان نیز محدود است، همچنین راه برای پیشرفت دارید. رفتن به رویداد‌های مختلف (حتی آنلاین) برقراری ارتباط با فعالین و منتورهای این حوزه چه به‌صورت حضوری و چه از طریق وب‌سایت‌هایی مثل لینکدین بسیار اثرگذار خواهد بود. از این طریق، کارفرمایان قطعا شناخت بسیار بهتری از شما به دست خواهند آورد.

نکته اصلی این روش در دانستن این اصل بوده که «هر رابطه‌ای یک مسیر دوطرفه است». حتی در رابطه‌های کاری، شما باید به فکر نیازهای طرف مقابل نیز باشید؛ هیچ‌گاه نپرسید که «آیا برای من شغلی دارید؟». به‌جای آن، به این مسئله فکر کنید که چگونه می‌توانید پروسه پیدا کردن نیرو توسط کارفرما را آسان‌تر کرده و به سازمان آن‌ها کمک کنید.

درنهایت، می‌توانید امیدوار باشید که برخوردهای خوب شما و برقراری ارتباط‌های متعدد به یک موقعیت شغلی خوب منتهی خواهد شد.