– Podziwiam Florence Nightingale, angielską pielęgniarkę, która w czasie wojny krymskiej w XIX w. zebrała dane o stanie zdrowia żołnierzy i doprowadziła do poprawy leczenia i zmniejszenia liczby zgonów wśród wojska. To przykład, jak analiza danych potrafi zmieniać życie na lepsze.

Tak o pracy w data science mówi Agnieszka Piechocka, Customer Advisor, Financial Services Industry Team, SAS Polska. Nie tylko wie, że data science pomaga skutecznie walczyć z tzw. fraudami, ale też wierzy, że analiza danych jest dobrym wsparciem w rozwiązaniu części globalnych wyzwań. Ma ku temu solidne podstawy – jej kreatywne pomysły pomogły wielu uczniom i nauczycielom w Tanzanii w zbadaniu ich kondycji zdrowotnej i usprawnieniu nauki.

Niewiele osób pracujących w branży technologicznej może zderzać teorię z praktyką. Jak data scientist i analiza danych mogą pomagać ludziom?

Moim zdaniem data science służy do tego, żeby czynić świat lepszym, korzystając z danych, które już mamy.  Nasza praca ma nieść rozwój i postęp cywilizacji. Często, żeby to sobie uświadomić, trzeba wrócić do korzeni i skupić się na ludziach oraz ich realnych potrzebach i problemach. W swojej pracy miałam szczęście, że mogłam brać udział w projektach, które właśnie dzięki analizie danych mogły wnieść coś dobrego do konkretnej społeczności. Szczególnie bliskie są mi doświadczenia z Afryki, gdzie data science przyniosło realne dobro.

W sieci pod hashtagiem #data4good można znaleźć informacje, że dzięki twojej kreatywności nauka w środku Afryki dla setek uczniów stała się łatwiejsza i efektywniejsza. Jak pomogła w tym wiedza z zakresu IT?

Dwa lata temu wzięłam udział w projekcie organizowanym w jednej szkole w Tanzanii. To było badanie stanu zdrowia uczniów na podstawie formularza przygotowanego przez studentów medycyny. Badaliśmy między innymi wzrok, słuch, postawę. Zebranie i przeanalizowanie danych pozwoliło odkryć na przykład, że dzieci, które gorzej słyszą, także gorzej widzą. Oczywiście ten wniosek nie sprawia, że wszystkich wyleczymy, dofinansujemy przekazanie aparatów słuchowych i okularów albo zbudujemy szkołę, tak by zmniejszyć liczebność klas. Zawsze możemy robić takie małe rzeczy: posadzić dzieci bliżej nauczyciela, w pierwszym rzędzie, tak żeby widziały lepiej tablice i usłyszały treść lekcji. Okazało się, że taka mała zmiana przyniosła poprawę wyników nauczania. To jest właśnie kwintesencja tej pracy: data science nie zawsze daje idealne rozwiązanie każdego problemu, ale przybliża nas do lepszego świata.

Czy ten efekt można było uzyskać bez zaawansowanej technologii, algorytmów czy sztucznej inteligencji?

Nie potrzebujemy zaawansowanej technologii, by wprowadzać zmiany. Przecież data scientist niekoniecznie musi pracować na komputerze. Warto pamiętać, że u podstaw leży statystyka. Bo data science zaczyna się od analizy najprostszych informacji zawieranych w tabelach czy wykresach. Dlatego mając podstawową wiedzę statystyczną, rozumiejąc działanie baz danych, a do tego mając kartkę papieru do zapisywania danych, już możemy czynić cuda.

Gdzie jeszcze analiza danych może działać dla dobra ludzkości?

Ogromnym problemem na świecie jest kryzys klimatyczny. Na tym polu analiza danych znajduje coraz częściej swoje zastosowanie. Jednym z takich projektów, zrealizowanych przez SAS, było wykrywanie tych fragmentów lasów w Amazonii, które są wycinane nielegalnie. Na podstawie analizy zdjęć satelitarnych jesteśmy w stanie porównywać zdjęcia z kilku dni. Stworzenie takiego modelu do rozpoznawania obrazów pomaga stwierdzić, gdzie dochodzi do wycinki. Te informacje mogą być cenną wskazówką w ujęciu sprawców i ograniczeniu nielegalnych procederów.

Czy zacięcie aktywistyczne sprawia, że potencjalni pracodawcy łaskawie patrzą na kandydatów, którzy mają na swoim koncie projekty pro bono?

Myślę, że takie projekty warto robić przede wszystkim dla własnej satysfakcji i dla własnego doświadczenia. Wolontariat daje duże poczucie sprawczości. To też nauka pracy w grupie z ludźmi, czyli komunikacji, która w data science jest niezwykle istotna. W moim przypadku otworzyło się dużo więcej dodatkowych możliwości: mogłam wystąpić na wielu konferencjach, napisać artykuł, podzielić się wiedzą z innymi.

Szczególnie na początku kariery takie projekty są bardzo satysfakcjonujące i mogą nam pomóc odkryć, czy data science to coś, czym chcielibyśmy się zajmować w życiu. Zwłaszcza w projektach społecznych ta empatia jest kluczowa. Bo chcemy, żeby innym żyło się lepiej.

Na co dzień zajmujesz się kwestiami bezpieczeństwa i przeciwdziałania oszustwom cyfrowym. Czy taka specjalizacja idzie w parze z odpowiedzialnością i poczuciem misji?

Oczywiście nie wszystkie projekty, którymi się zajmujemy, są realizowane pro bono. Większość z nich jest stricte biznesowa. Mój zespół na co dzień zajmuje się obszarem nadużyć – tzw. fraudów. Chodzi tu o oszustwa, które ewoluują wraz z rozwojem najróżniejszych technologii. Wykorzystując analizę danych, w tym techniki uczenia maszynowego i sztuczną inteligencję, możemy walczyć z naciągaczami, przestępcami, którzy wyłudzają dane bankowe, wysyłają SMS-y z przypomnieniem o szczepieniu przy jednoczesnym instalowaniu złośliwego oprogramowania. To jest realne wykorzystanie zaawansowanej technologii do przeciwdziałania kradzieżom i nadużyciom na całym świecie.

Co daje ci praca w data science?

Przede wszystkim dużo satysfakcji, bo jestem w stanie robić to, co lubię. Z jednej strony poruszam się w materii, która mnie interesuje. Z drugiej zaś inspirujące jest to, że data science nie daje nam szklanej kuli z odpowiedziami na całe zło tego świata. Nie powie wprost, co powinniśmy zrobić, żeby było lepiej. Jednak daje nam narzędzia, które pozwalają opisywać i pokazywać co jest teraz, a co będzie w przyszłości. Podpowiada, którą najlepiej drogą pójść, by rozwiązać jakiś problem. Trzeba też rozumieć, że data science nie ma jednego sprecyzowanego celu. Ta dziedzina może wspierać niemal każdy proces i go doskonalić.

Czy specjalista od danych, posiadając wiele zawodowych umiejętności, przenosi je także do swojego prywatnego życia? Codzienne czynności da się zoptymalizować?

Tylko do pewnego stopnia. To są różnego rodzaju nawyki, które można wykorzystać na przykład podczas robienia zakupów. „Optymalizacja” w takich warunkach to bardzo duże słowo, ale łapię się na tym, że wytyczanie optymalnej drogi między sklepowymi alejkami sprawia mi przyjemność. Tak samo, jak kupowanie produktów kategoriami, których umiejscowienie oszczędza czas. Jeśli dołożymy do tego sprawdzenie aktualnych promocji – zoptymalizujemy wydatki. Lubię research, dlatego, zanim kupię ekspres do kawy, przeczytam dziesiątki opinii i znajdę najlepszą opcję. To swoista satysfakcja, której źródła można szukać w umiejętnościach zawodowych. Rodzina lubi korzystać z tej mojej cechy, kiedy trzeba coś kupić po racjonalnym przemyśleniu, a nie w oparciu o emocje. Chętnie pomagam, oczywiście bezinteresownie.

Inspiruje Cię ktoś zawodowo? Jeśli pracujemy w branży technologicznej, to czy od razu musi to być Bill Gates?

Osobiście chyba nie mam takiej jednej osoby, za którą bym podążała. Z postaci historycznych bardzo podziwiam Florence Nightingale, która była pielęgniarką w czasie wojny krymskiej w XIX wieku i dzięki zebraniu danych o stanie zdrowia żołnierzy wyciągnęła jasne wnioski, jak poprawić leczenie i zmniejszyć liczbę zgonów wśród wojska. Od zawsze podobał mi się ten pomysł, żeby analityka danych zmieniała nasze życie na lepsze.

Bardzo motywują mnie nowe badania i analizy, które opisują zmiany postępujące na świecie. Czytałam niedawno bardzo optymistyczny raport o tym, jak przejście na wegetarianizm pomaga ratować klimat. Nie jem mięsa już od kilku lat, więc taki raport daje mi satysfakcję i inspiruje do dalszego działania. Żyjemy w świecie danych i, moim zdaniem, skumulowane i opracowane dane mają realną moc zmieniania naszych poglądów, a co za tym idzie – zmieniania świata. Oby zawsze na lepsze.

Jest jak Puchar Świata, czerwone ferrari czy zdjęcie z Lewandowskim. Każdy chce go mieć u siebie. Data scientist to prawdopodobnie najbardziej pożądany specjalista przez firmy, dla których największą wartością jest dostęp do wiedzy bazującej na danych. W Polsce zwykło się o nich mawiać mistrzowie danych, bo od kandydatów wymaga się różnorodnych umiejętności i imponującego CV. Dziś droga do sukcesu w każdej dziedzinie zależy od dostępu do informacji umożliwiających podejmowanie szybkich i trafnych decyzji. A te na tacy podaje specjalista science. Myślisz o karierze w data science? Przeczytaj o tym, z czym to się je.

Na jednym z internetowych forów specjaliści od data science piszą, że ich praca trochę przypomina gotowanie zupy. Żeby była dobra, musi się składać ze starannie wyselekcjonowanych składników odpowiednio przyrządzonych. Tutaj sztuką jest zaplanować cały proces, zoptymalizować zakupy, uniknąć błędów, tak by docelowa potrawa była po prostu pożywna i smaczna. Trzymając się tego porównania, wprawny specjalista data science to taki szef kuchni 5-gwiazdkowej restauracji. Niby zupełnie inna dziedzina, choć łączy te dwa zawody to, że zapach spalenizny żadnemu z nich nie wróży sukcesu.

Specjalista data science musi być wszystkim po trochu. Powinien być przenikliwy i spostrzegawczy. To ktoś, kto ma zaplecze wiedzy z zakresu matematyki, ekonometrii, statystyki, informatyki czy programowania. Zna najnowsze narzędzia i technologie, takie jak sztuczna inteligencja, potrafi rozwiązywać problemy, rozumie specyfikę biznesu i poszczególnych branż, lubi pracę zespołową, potrafi obrazowo i zrozumiale zaprezentować wyniki analiz, umiejętnie korzysta ze storytellingu i jest wizjonerem. Człowiek renesansu, multitasker, data scientist.

Być multimózgiem, czyli być jak specjalista data science

Transformacja cyfrowa nabrała takiego tempa, że zarówno firmy, jak i instytucje publiczne mają ogromne zapotrzebowanie na specjalistów, którzy potrafią zapanować nad dostępną masą informacji. Według raportu firmy DOMO Inc. w 2020 roku każdy z nas „wytwarzał” 1,7 MB danych na sekundę. To tak jakby w czasie czytania tego zdania dwukrotnie wyskakiwała nam z komputera w pełni zapisana dyskietka 3,5 cala. Gdy pomnożymy to przez liczbę mieszkańców planety oraz miliony urządzeń podłączonych do sieci – na sto procent zablokujemy kalkulator.

Teraz wyobraźmy sobie, że ktoś musi to wszystko ogarnąć, wyciągnąć wnioski i podpowiedzieć przełożonemu czy klientowi, jaką decyzję podjąć, jak zmieniać procesy, aby pozostać konkurencyjnym teraz i w przyszłości. Ten ktoś pracuje z różnorodnymi danymi, mogą to być zarówno dane ustrukturyzowane, jak i nieustrukturyzowane np. teksty, zdjęcia i obrazy, materiały audio i wideo. I wykorzystuje różnorodne metody i technologie jak eksploracja i wizualizacja danych, uczenie maszynowe, uczenie głębokie, narzędzia do analizy tekstu, obrazu i języka naturalnego itp. Ludzie od data science mają wyjątkową robotę.

Pamiętacie Q, który razem z Jamesem Bondem potrafił uratować świat przed złoczyńcami? Ci, którzy robią w data science, działają czasem z mniejszymi fajerwerkami, ale z filmowym Q mają wiele wspólnych umiejętności. Myślą szybko, wielotorowo i analitycznie. Świat łatwiej opisują liczbami niż słowami, a odpowiedź na prawie każde pytanie świata są w stanie wyczytać z ekranu komputera.

Efektów ich pracy można się spodziewać szczególnie tam, gdzie technologia styka się z biznesem przyszłości. Pierwsze z brzegu: analityka danych, sztuczna inteligencja, blockchain, internet rzeczy, chmura obliczeniowa, robotyka i automatyka. Nie będzie przesadą, jeśli powiemy, że specjalista data science może się zajmować każdą dziedziną z pogranicza biznesu, nauki i technologii. Czyli tym, co opiera się na zbieraniu danych. O zgrozo – wszystkim!

Kolega też pracuje w branży i sobie chwali

Data scientist ma za zadanie odpowiednio zebrać, przeanalizować, przetworzyć, wydobyć esencję w gąszczu danych i dzięki temu wyciągnąć dobre wnioski. Przykładowo, specjaliści od danych, którzy pracują dla takich gigantów jak Facebook, Amazon czy Spotify, analizują preferencje danych użytkowników – to, co lubią, subskrybują, kupują i oglądają. Są oczywiście wspomagani przez algorytmy – często sami je współtworzą – ale dzięki zdobytym informacjom mogą rekomendować treści, reklamy czy konkretne oferty.

W sektorze finansowym zaawansowane metody analityczne są wykorzystywane między innymi do zapewnienia kompleksowej obsługi klientów we wszystkich kanałach kontaktu, przeciwdziałania nadużyciom i zarządzania ryzykiem. Opieka zdrowotna wykorzystuje zaawansowaną analitykę do usprawnienia diagnostyki i leczenia pacjentów, np. dzięki technologii analizy obrazów można przyspieszać wykrywanie nowotworów na podstawie zdjęć obrazowych. Data scientist pracujący dla sieci handlowych może mieć na przykład istotny wpływ na optymalizację systemów logistycznych, co podczas pandemii było dużym wyzwaniem dla wielu detalistów. W przemyśle wykorzystanie analizy danych służy przede wszystkim do automatyzacji procesów produkcji i dystrybucji oraz tworzenia innowacyjnych produktów.  

Praca jako specjalista data science może być mylnie rozumiana jedynie przez pryzmat zadań analityka danych. To też coś innego niż tylko kodowanie, którego celem ma być stworzenie możliwie najlepszego programu. Praktycy branży mówią, że praca w data science łączy w sobie umiejętności analityków, programistów, developerów, konsultantów, a zawody te raczej się uzupełniają, niż wykluczają.

Praca z danymi daje zarobić

W branży IT są pieniądze. Nie ma tu żadnych niejasności. Ten, kto zna się na swojej robocie, ma szansę na dobre zarobki, które znacznie – czasami nawet kilkukrotnie – przewyższają średnie miesięczne wynagrodzenie w przedsiębiorstwach. Dobry specjalista data science bez problemu znajdzie zatrudnienie w każdej branży komercyjnej, a także w sektorze publicznym i badawczo-naukowym.

Portal z ogłoszeniami No Fluff Jobs pokazuje dolne widełki wynagrodzeń na poziomie 10, 12, a nawet 18 tys. złotych brutto. Stanowiska seniorskie to miesięczna pensja na poziomie powyżej 20 tys. złotych brutto przy umowie o pracę. Najwyższe płace przekraczają 30 tys. złotych. To nic w porównaniu z tym, co czeka na specjalistów od data science za oceanem. W USA taki pracownik zarabia nawet kilka razy tyle – rocznie od 90 do 100 tys. dolarów.

Praca dla data scientistów czeka we wszystkich dużych miastach Polski. Również w USA, Kanadzie, Anglii, Szwajcarii czy Singapurze. Rekrutują branże e-commerce, bankowość czy telekomunikacja. Są pilnie poszukiwani przez pracodawców i mogą przebierać w ofertach zatrudnienia. Uczelnie wyższe coraz szerzej otwierają drzwi dla kandydatów na specjalistów od danych. Obecnie w Polsce kilkanaście szkół oferuje studia dla data scientistów. Co zatem trzeba zrobić, aby w data science zacząć robić?

Perspektywa kariery w data science jest atrakcyjna ze względu na ciekawą i wszechstronną pracę, możliwość nieustannego rozwoju, obcowanie z innowacyjnymi technologiami i oczywiście dobre zarobki. Adept w tym zawodzie musi mieć dobre kompetencje analityczne i techniczne, umiejętność dobrej komunikacji i efektywnej pracy w zespole, a wraz z praktykami i stażami dodatkowo będzie zdobywał wiedzę dziedzinową i branżową oraz praktyczne doświadczenie projektowe. 

Statystycznie musisz się liczyć z programowaniem

Przeglądamy w sieci oferty na stanowisko data scientist. W rekrutacji od idealnego kandydata wymaga się dobrych ocen z matematyki czy biegłości z zakresu informatyki i programowania. Jeśli jeszcze na zajęciach z biznesu zdobywasz plusy za aktywność, statystyka jest zaliczona w pierwszym terminie, prezentacje grupowe robisz jednym ruchem przed lekcjami, a wszystko, co zobaczysz w sieci, umiesz samodzielnie zresearchować – to znak, że takie studia i drzwi do kariery stoją dla Ciebie otworem. Ale musisz się przygotować i zakasać rękawy, bo praca w branży jest wymagająca, ale jednocześnie ekscytująca.

Nie jest też tak, że na podobne studia dostają się tylko laureaci Kangura Matematycznego czy stypendyści ministerialnych grantów. Data science wybierają także uczniowie i studenci, którzy dbali nie o czerwony pasek i wyróżnienia, ale o solidną bazę praktycznej wiedzy. Nikt nie mówi, że będzie łatwo, ale nagroda to ciekawy zawód za dobre pieniądze. Kucie do egzaminów? Niewykluczone. Mocne pozycje w CV? Zapewnione.

Gdzie kształci się specjalistów od danych?

Jest kilkanaście uczelni w kraju, które oferują naukę w dziedzinie data science. Są to między innymi Politechnika Śląska, która uczy o zintegrowanych systemach informatycznych na kierunku inżynieria biomedyczna, Polsko-Japońska Akademia Technik Komputerowych, gdzie na zarządzaniu kształci się z zakresu inteligentnych systemów zarządzania. Podobne specjalności można znaleźć też na Uniwersytecie Ekonomicznym w Katowicach czy na Uniwersytecie Jagiellońskim na kierunkach informatyka i ekonometria. Wiedza z zakresu big data czy przetwarzania danych to specjalności na takich studiach. Studiów pierwszego stopnia z zakresu danologii i danetyki można szukać również na politechnikach, w tym Politechnice Warszawskiej i Wrocławskiej.

Przy wyborze studiów warto myśleć o przyszłości, którą w zawodowym życiu data scientist ułatwiają certyfikaty, w tym np. Amazon, Google, Microsoft czy SAS. Wszystkie kierunki na Wydziale Matematyki i Nauk Informatycznych Politechniki Warszawskiej zapewniają ten ostatni. Podobnie jest na zagranicznych uczelniach – University of California, Tokyo University of Science, University of Melbourne.

Dla tych, którzy chcą się doskonalić w data science lub rozwinąć już posiadane umiejętności, jest też oferta na studiach magisterskich czy podyplomowych. Kierunki z rodziny analizy danych oferują między innymi Uniwersytet Warszawski, Szkoła Główna Handlowa w Warszawie, Uniwersytet Marii Curie-Skłodowskiej w Lublinie i kilkanaście innych. Specjalizacji na poziomie magisterskim można szukać np. na Uniwersytecie Ekonomicznym we Wrocławiu czy Katowicach. Pierwsza uczelnia kształci przyszłych ekspertów od danych na specjalności big data, na Śląsku z kolei chętni mogą się wybrać na studia podyplomowe z zakresu data science i uczenia maszynowego.

Ze specjalnością na studiach magisterskich big data analysis startuje z kolei Akademia Leona Koźmińskiego w Warszawie, która współpracuje z gigantami branży IT z całego świata. Co prawda zajęć z Billem Gatesem na razie nie ma, ale szanse na staż u czołowych graczy na rynku są całkiem realne. Studenci nabywają kompetencje informatyczne w zakresie programowania w języku R i Python czy właśnie SAS. Uczą się systemów baz danych SQL, big data, różnorodnych technik analitycznych, uczenia maszynowego oraz zdobywają wiedzę z obszaru ekonomii i zarządzania.

Z Rankingu Szkół Wyższych Perspektywy 2021 wynika, że wybór studiów z zakresu data science może oznaczać dla przyszłego studenta niemały prestiż. Uniwersytet Warszawski chwali się nawet, że studia z zakresu data science na tamtejszym Wydziale Ekonomii to jedna z najlepszych gwarancji dobrych zarobków tuż po studiach. W rankingu dziennika „Rzeczpospolita” z 2019 r. absolwenci tego wydziału wymieniani byli na 1. miejscu, osiągając najwyższe średnie zarobki w Polsce już w pierwszym roku po uzyskaniu dyplomu.

Zarówno studenci, jak i absolwenci mogą ze spokojem szukać w sieci ofert praktyk i stażów. Po wpisaniu formułki „intern data science” w portalu Pracuj.pl widać ponad 120 aktualnych ofert, gdzie adepci mogą szukać dla siebie ofert z zakresu zarządzania ryzykiem informatycznym, próbować swoich sił w bankowości, telekomunikacji czy ubezpieczeniach. Szansą na wymarzony program stażowy są też targi pracy dla studentów i dni otwarte uczelni, w tym Absolvent Talent Days, gdzie często zdarza się, że to pracodawcy próbują zapolować na najzdolniejszych i przyjąć ich w swoje szeregi. Taką taktykę deklarują na przykład headhunterzy z Amazona.

Dlaczego warto robić w data science?

Czasy się zmieniły, życie przenieśliśmy do sieci – data science to już nieniszowa specjalizacja. Według „Barometru ManpowerGroup Perspektywy Zatrudnienia” dla IV kwartału 2021 roku pracodawcy z sektora finansów i usług dla biznesu deklarują największą od początku pandemii chęć pozyskiwania nowej kadry. Nowe talenty – w tym specjalistów od data science – chce pozyskać o 19 proc. więcej wszystkich badanych pracodawców niż jeszcze kwartał temu. Analitycy podkreślają, że ten trend może się utrzymać, a dla przyszłych pracowników zawód data scientist to bilet do pociągu pospiesznego z bardzo prawdopodobną stacją końcową „Świetlana perspektywa zawodowa”.

Szczególnie że w branży IT raczej nie ma takich, którzy narzekają na zarobki. Według raportu „Rynek pracy IT w 2020 roku” przygotowanego przez portal No Fluff Jobs zarobki w kategorii big data są jednymi z najwyższych w Polsce na portalu. Na umowie B2B mediana widełek zaczyna się od 16 tys. zł brutto do aż 21,7 tys. zł brutto. Pracując z danymi w ramach etatowej umowy, można liczyć na zarobki rzędu 11-16 tys. zł brutto.

Pracy dla specjalistów z zakresu data science jest na pęczki. Portale JustJoinIT czy No Fluff Jobs proponują 16-20 aktualnych ofert pracy w Polsce. Pracuj.pl, jeden z największych polskojęzycznych portali z ogłoszeniami, „wyrzuca” z siebie ponad 800 rekordów po wpisaniu hasła „data scientist”. Co najmniej połowa z nich to aktualne oferty – choć czasami poszukiwani są też inżynierowie, analitycy czy specjaliści od uczenia maszynowego.

Najwięcej ofert znajdziemy w dużych miastach: w Warszawie, Krakowie i Wrocławiu. Kandydatów najchętniej rekrutują branże e-commerce, bankowość i telekomunikacja. Jeśli chcemy zasmakować przygody i pracować za granicą, to także pracy nie brakuje. Przykładowo portal Indeed wyszukuje ponad 2,1 tys. ofert pracy dla specjalistów pracujących z danymi. Są oferty pracy w USA, Kanadzie, Anglii, Szwajcarii czy Singapurze. Możliwe są praca zdalna i dowolna forma zatrudnienia – od umowy o pracę, przez kontrakt, a na umowie B2B kończąc.

Jednak twarda wiedza z zakresu programowania, statystyki i analizy danych to nie wszystko. Pełna recepta na sukces zawiera w sobie jeszcze umiejętności miękkie, które pozwalają na skuteczną pracę i dobrą atmosferę w zespole. Wykładowcy data science piszą w sieci zgodnie, że to klucz do kolejnych drzwi na szczeblach kariery. Uczą jak najprostszego rozwiązywania problemów – czyli tego, czego wymaga pracodawca. Zachęcają do automatyzacji powtarzalnych procesów, tak by znaleźć czas na dodatkową przerwę na kawę i zachować balans w nierównej walce z terabajtami danych. Wykształcają też sceptycyzm, który w pracy z danymi jest niezbędny, tak by nie przeoczyć kluczowych wniosków.

Vik Paruchuri, autor bloga Dataquest, który uczy studentów i wszystkich chętnych o data science za pośrednictwem lekcji online, twierdzi, że aby być dobrym w takiej pracy, trzeba się nauczyć kochać dane. Dobrze jest, by specjalizacja pracy z danymi była związana z naszymi zainteresowaniami i pasjami. Klimat, energia, usługi czy rynki finansowe. Wtedy istnieje duża szansa, że nauka i samodoskonalenie przyjdą nam łatwiej.

– Osobiście wierzę, że każdy może się nauczyć data science, jeśli podejdzie do tego z odpowiednim nastawieniem – kwituje twórca Dataquest.

Nie musisz umieć programować, żeby spełnić marzenia o pracy z danymi. Jeżeli programowanie potraktujesz jako narzędzie, a z ogromnych zbiorów danych potrafisz wydobyć cenne wnioski i spostrzeżenia, to kariera w roli data scientist stoi przed Tobą otworem. Tylko jak wytłumaczyć rodzinie, o co tak naprawdę chodzi w pracy z danymi? W kryminale „Pulp Fiction” człowiekiem od rozwiązywania problemów był Winston Wolf. W biznesie technologicznym za te sprawy odpowiada data scientist. Wabi Cię praca w data science? Rozpraw się z mitami.

Praca w data science ma to do siebie, że często jest jak w rodzinie, gdzie każdy jest odpowiedzialny za swoją część domowych obowiązków. Jedni planują, inni analizują, jeszcze inni spinają i ogarniają. Data scientist to taka głowa rodziny, dzięki której wszyscy wychodzą na rodzinnych fotografiach z uśmiechem i radością. Rozprawiamy się z mitami na temat przedstawicieli tego zawodu, którzy nie zawsze w prostych słowach mogą wyjaśnić, czym właściwie zajmują się na co dzień.

Mit 1: data scientist musi umieć programować

Programiści w swojej pracy skupiają się na umiejętnościach pisania kodu, tak by możliwie najlepiej rozwijać dany produkt. Ich zadanie to niemal ciągła poprawa i aktualizacja działających już procesów i oprogramowania. Na nieco innym poziomie pracuje analityk danych, który pozyskuje dane z różnych źródeł, buduje modele analityczne i na ich podstawie formułuje i wyciąga wnioski. W karierze specjalisty od danych bardzo przydaje się zmysł biznesowy, łączenie kropek i patrzenie szeroką perspektywą na wnioski płynące z danych.

To dlatego, że firmy z różnych sektorów, od zdrowia po przemysł, chcą zamienić dane na konkretne decyzje i w ten sposób usprawniać produkcję, dystrybucję czy świadczenie usług. W tym ma pomóc data scientist. We wszystkich wymienionych zawodach przydaje się wiedza z matematyki, ekonometrii, języków programowania i narzędzi do obsługi baz danych, ale również bez znajomości wzorów skróconego mnożenia i całkowania można zaczepić się w tej branży.

Mit 2: data science nie można się nauczyć w Polsce

Nie tylko wielkie korporacje zatrudniają ludzi od danych. Coraz częściej mniejsi przedsiębiorcy chcą wyprzedzić konkurencję i wykorzystać do budowania przewagi rynkowej najnowsze osiągnięcia w obszarze analityki. Problem w tym, że potrzebują specjalistów. Nie trzeba było długo czekać, żeby ten poszukiwany kierunek znalazł się w programach uczelni wyższych.

Język polski lubi płatać figle przy tłumaczeniach anglojęzycznych, stąd nazwa kierunku, gdzie między innymi kształci się specjalistów w obszarze data science, brzmi dość niepozornie – danologia. Tymi, którzy przetarli szlaki w dziedzinie polskiej danologii, albo też danetyki, w wydaniu akademickim byli naukowcy z Uniwersytetu Warszawskiego i Politechniki Wrocławskiej. To tam w 2017 roku nauka o danych stała się jedną ze specjalności studiów. Wcześniej w wielu miejscach w kraju uczelnie wyższe – te zorientowane na biznes, finanse i technologie – również kształciły specjalistów data science. Powstało wiele j kierunków związanych z big data czy zaawansowaną analityką. Obecnie na wielu uczelniach ekonomicznych i technicznych szkolenie ekspertów z zakresu data science stało się codziennością.

Mit 3: data scientist będzie zawodem przyszłości

Nieprawda – data scientist jest pracą teraźniejszości. Od co najmniej dekady żyjemy w erze big data i nieograniczonego gromadzenia danych dotyczących niemal każdego aspektu ludzkiego życia. Dane stały się czymś w rodzaju fundamentu rozwoju naszej cywilizacji. Szczególnie że pierwsze wzmianki o nauce o danych pochodzą z lat 70. XX wieku. Duński informatyk Peter Naur mówił wówczas o nauce radzenia sobie z danymi i wykorzystania ich w mieszance matematyki, statystyki i informatyki. Dopiero postępująca cyfryzacja i rozkwit internetu nadały danym taką moc, że są one nazywane ropą naftową XXI wieku. Można więc zaryzykować stwierdzenie, że specjaliści od danych mają przed sobą nie tylko świetlaną przyszłość, ale już teraz mają świetne warunki do rozwoju kariery.

Mit 4: data scientist nie ma życia, bo ciągle pracuje

To obiegowa opinia, w której pokutuje stereotyp ludzi z różnych branż, którzy nie odrywają się od ekranu komputera przez całą dobę. Przez lata grupa zawodowa IT stała się obiektem dowcipów, głównie przez niesforne działy informatyczne wielkich firm, których pracownicy na każdą awarię reagowali słowem: reset.

Czasy mocno się zmieniły, a ostatnie kilka lat to ciągle przyspieszająca rzeczywistość, w której na barkach specjalistów od rozwijających się technologii stoją całe firmy i korporacje. Od głów tych ekspertów zależy teraźniejszość i przyszłość. W tej grupie bez wątpienia są specjaliści data science, w tym zajmujący się big data, AI, ML, IoT i wielu innych. To duża odpowiedzialność i dużo pracy, ale coś za coś.

Obecnie ci, którzy pracują z danymi, to wykwalifikowani, dobrze opłacani eksperci, którzy najczęściej mają komfort wyboru miejsca pracy. Ich unikalne umiejętności sprawiają, że pracodawcy biją się o takich specjalistów, proponując im środowisko pracy, które wspiera twórcze myślenie. Nieodłączne w tym zawodzie. Komfort zawodowy daje też elastyczne godziny pracy i więcej wolnego czasu, który można poświęcić na rozwój intelektualny czy życie prywatne.

W wielu firmach liczy się zespół, team, współpraca i wymiana myśli. Umiejętność efektywnego komunikowania się z drugim człowiekiem, najczęściej klientem, ale też współpracownikiem, to absolutna podstawa.

Mit 5: data science to bardziej analiza niż research

Eksperci z wieloletnim stażem mówią, że praca w data science wiąże się z dużym wyzwaniem pozyskiwania i integrowania danych w różnych formatach i z różnych źródeł. Nic nie może być w świecie idealne, stąd dane, na których pracują specjaliści od data science, bywają niekompletne. Czasem trzeba je przetworzyć, ujednolicić, urealnić – tak by nie wyciągać pochopnych wniosków z tego, że gdzieś na świecie termometr wskazał przez pomyłkę 80 stopni Celsjusza, myląc jednostkę z Fahrenheitem.

Potrzebna jest więc ciekawość świata, otwartość na interpretację, czasami empatia, bo doświadczenia klientów i ich emocje również można potraktować jako wartościowe dane biznesowe. Kluczową umiejętnością w tej pracy jest wizualizacja, bo miliardy negatywnych komentarzy mają przecież wspólny mianownik – łapkę w dół. W pracy specjalistów data science liczy się zarówno jakość, jak i ilość.

Pół paczki wiedzy z zakresu informatyki, dwie łyżki zdolności matematycznych i znajomości statystyki, szczypta programowania i kilka kropel spostrzegawczości wymieszanej z krytycznym spojrzeniem na zarządzanie bazami danych. Do tego parę ziaren big data i sztucznej inteligencji. Zamieszać, odstawić do lodówki na czas sesji egzaminacyjnej, żeby dyplom zdążył stężeć, zanim trafi na biurko przyszłego pracodawcy. Oto kluczowe kompetencje w data science.

Nauka o danych ma coś wspólnego z kulinariami – do pożądanego smaku w potrawie nie zawsze dochodzi się za pomocą jednego przepisu. Dowiedz się, jak wygląda praca w roli data scientista i jakie są kluczowe kompetencje w data science.

Specjalistów od data science szukają firmy, które są otwarte na rozwój, optymalizację i postęp technologiczny. Filozofia pracodawcy musi się opierać na założeniu, że dane to aktywa – coraz cenniejsze we współczesnym świecie. Do tego, jeśli wykorzystuje duże zbiory danych w procesach podejmowania decyzji, to znaczy, że to właściwy adres, pod którym można śmiało rozwijać karierę. Jest duża szansa, że jeśli jesteś już takim specjalistą, to pracodawca sam zapuka do twoich drzwi.

Początkujących da się „zwerbować” np. na uczelniach, targach, dniach otwartych. Specjalistów szuka się z reguły w sieci. To zadanie headhunterów, którzy kooperują z firmami IT. Takich można spotkać na LinkedIn, rzadziej na Facebooku. Są portale przeznaczone dla specjalistów IT, a także ekspertów data science. Wśród nich np. No Fluff Jobs, RocketJobs, BulldogJobs, TheProtocolIT, Crossweb i JustJoinIT. Najwięcej ofert pochodzi z branży retail, telekomunikacji, bankowości, e-commerce, administracji, ochrony zdrowia czy medycyny.

Kluczowe kompetencje w data science – twarda wiedza i miękka komunikacja

W tej pracy trzeba być multimedalistą igrzysk różnych umiejętności. Ci, którzy mają twardy warsztat, ogromną wiedzę i znają się na robocie, są potrzebni, ale często to za mało. Portale z poradami w zakresie HR, takie jak HRPolska.pl, podpowiadają, że umiejętności miękkie również można uznać za kompetencje kluczowe w data science. Oto kilka z nich, które najczęściej trafiają do ogłoszeń rekrutacyjnych:

Kreatywność i komunikacja. Na starcie wygrywają ci, którzy potrafią pokazać szablonowe dane w nieszablonowy sposób. W końcu w data science chodzi o rozwiązywanie problemów. Bycie łącznikiem między skomplikowanym światem danych a rzeczywistością współpracowników bez tajemnej wiedzy to zadanie, które wymaga komunikowania możliwie prostymi słowami, wykresami, schematami. Kreatywnie, z pomysłem, ale też bez wielkiej filozofii.

Chęć rozwoju i pokora. Z data science jest trochę jak z kosmosem. To niemożliwe, aby jeden człowiek mógł zrozumieć wszystkie procesy zachodzące w przestrzeni. Kopernik, Newton czy Einstein byli wielkimi odkrywcami, bo okazali się specjalistami w wąskim kręgu zainteresowań. Z danymi jest podobnie – nie ma nikogo, kto ogarnie wszystkie dane świata. Konieczne jest, żeby dość jasno sprecyzować to, w czym chcemy się rozwijać. Bardzo trudno jest odnaleźć się w data science po stronie e-commerce, a później zajmować się biologią molekularną. Dlatego doskonalenie się to pewnego rodzaju etos pracy mistrzów danych. Z szacunku do ogromu informacji chcesz być coraz lepszy.

Żyłka biznesmena. Jedną z pożądanych kompetencji ekspertów data science jest rozumienie procesów biznesowych. Ważne jest nie tylko przesiewanie danych, budowanie modeli i komunikowanie wniosków. Chodzi także o to, by zaproponowane rozwiązania miały realne zastosowanie w biznesie.

Taki przykład podaje platforma szkoleniowa z zakresu IT GambitLab, która twierdzi, że zaletą wykorzystania data science jest dostarczanie właściwych produktów: „Jedną z zalet data science jest to, że firmy mogą się dowiedzieć, kiedy i gdzie ich produkty sprzedają się najlepiej. Może to pomóc dostarczać im właściwe produkty we właściwym czasie i wprowadzić nowe, które odpowiedzą na potrzeby klientów”.

Solo lub w drużynie

W praktyce istnieją dwie możliwości rozwijania swojej kariery – albo gra w drużynie, albo gra solo. Obie mogą być w pełni satysfakcjonujące.

Solo. Praktycy podpowiadają adeptom, że dobrze jest zacząć od praktyki. Wyróżniający się praktykant ma szansę zostać na dłużej w firmie. Są też bootcampy czy kursy, które pozwalają zdobyć wymagane certyfikaty dokumentujące umiejętności. Z takim certyfikatem łatwiej aplikować na stanowiska juniorskie – tak wskazuje na przykład przewodnik po data science stworzony przez portal Karierawfinansach.pl.

Analizujesz dane, z biegiem czasu jesteś w tym coraz lepszy, dostarczasz kod, rozwijasz modele uczenia maszynowego. Przechodzisz szczeble od juniora do seniora. Ten proces nigdy nie trwa tyle samo dla każdego pracownika w każdej branży. Wiele zależy od nabytych umiejętności, doświadczenia, skali trudności wykonywanych projektów, a czasami także od posiadanego wykształcenia. W pewnym momencie należy jednak podjąć decyzję – czy chcesz zostać superspecjalistą w swojej działce, czy wolisz opracowywać szersze strategie i zarządzać ludźmi.

W drużynie. Na początku przechodzisz wyżej opisany etap solo, później pojawia się szansa na pełnienie funkcji menedżerskich. Pracujesz już nie tylko w zespole, ale też możesz nim zarządzać. Jeśli do całego zestawu sprawnego analityka z zacięciem biznesowym dołożymy umiejętność pracy w grupie i przewodzenie jej – wtedy można myśleć o stołkach dyrektorskich i partnerskich.

U światowych gigantów kariera wydaje się nieco prostsza. W wielkich firmach technologicznych w karierze przydają się certyfikaty i szkolenia, które są paszportami do kolejnych stopni wtajemniczenia – ale też kroków do awansu. Po stronie biznesu, handlu, przemysłu czy opieki zdrowotnej awans przychodzi z kolejnymi latami doświadczeń i złożonością projektów, nad którymi pracuje data scientist.

W firmach doradczych drabinka zaczyna się od stanowiska konsultanta. Z tego miejsca można awansować na senior konsultanta i dalej na menedżera. Po kilku latach i dobrych wynikach pracownika czeka posada senior menedżera. Natomiast po kolejnym awansie można napisać sobie na wizytówce: dyrektor. Grupa dyrektorów może liczyć na awans do wąskiego grona partnerów, ale to spotyka absolutnie najlepszych i najsprawniejszych pracowników. Zwykle po wielu latach pracy albo zwerbowaniu do firmy światowego giganta, którego to my przekonaliśmy do współpracy.

Praca z kodem bez dress code’u

W tej branży nie zawsze wynagrodzenie gra pierwsze skrzypce. Jeszcze w 2020 roku eksperci z Kodilla.com i Devire przeanalizowali, na jakie podwyżki mógł liczyć sektor IT rok temu. Z ich wyliczeń wynika, że niektórzy mogli się spodziewać nawet 40-proc. podwyżki wynagrodzenia w zeszłym roku. Mowa tu o stanowisku data engineer. Z kolei data scientists otrzymywali przeciętnie 17-proc. podwyżkę, co podnosiło ich zarobki z 17 tys. zł brutto do nawet 20 tys. zł brutto.

Dlatego pracodawcy prześcigają się już nie tyle w wynagrodzeniach, ile w poprawie komfortu pracy. Oprócz standardowych propozycji, takich jak ubezpieczenie na życie, karta sportowa czy opieka zdrowotna, jest także dbanie o dobre samopoczucie pracownika. To już nie tylko pokoje do drzemek czy bezpłatne lunche – standardem w branży staje się wolna ręka w codziennym ubiorze. Na jednym z facebookowych forów czytamy: „Niby pracujemy na co dzień z kodem, ale dress code’u od nas nie wymagają”.

Firma Epic System z Wisconsin w USA, która produkuje oprogramowanie dla branży opieki zdrowotnej, daje możliwość płatnego, 4-miesięcznego urlopu naukowego, zwrot kosztów podróży, możliwość zaproszenia osoby towarzyszącej, ale jest jeden warunek. Trzeba się uczyć i przedstawić po powrocie dyplom lub certyfikat.

Praca przestaje być typowym korporacyjnym trybem „nine to five”. Firmy doskonale wiedzą, że warto inwestować w elastyczny czas pracy, inkluzywność i różnorodność. Miejsce pracy ma być nie tylko przestrzenią do zarabiania pieniędzy, ale przede wszystkim bezpieczną przystanią, gdzie pracownik może czuć się sobą bez żadnych ograniczeń.