De taakverantwoordelijkheden van een citizen data scientist omvatten het omgaan met nieuwe data, het gebruik van geautomatiseerde tools om big data te verwerken en het creëren van aanvullende modellen om aanvullende inzichten te verkrijgen. Hun primaire taak is niet om direct vanuit big data voorspellingen te doen, noch te ontwikkelen prescriptieve analyses, maar om modellen te bouwen en tools te gebruiken die die doelen bereiken.
Datawetenschappers van burgers overbruggen de kloof tussen ‘echte’ datawetenschappers (getraind en met een diploma) en bedrijfseigenaren die hun eigen selfservice-analyses uitvoeren. Deze analogie kan enig inzicht geven: een datawetenschapper kan misschien tien mijl in een uur rennen, maar een burger-datawetenschapper kan ronddwalen, de auto opwarmen en tien mijl rijden in minder dan een uur, voor minder geld. Toegegeven, de citizen data scientist zal onderweg niet zoveel landschappen zien, maar ze zullen de klus toch klaren.
De positie van citizen data scientist is bijzonder omdat deze, in ieder geval voorlopig, alleen toegankelijk is via interne promoties. Hoewel de titel al een paar jaar bestaat, zijn er geen vacatures voor werkgevers die op zoek zijn naar een ‘citizen data scientist’. Over het algemeen voegt de functie verantwoordelijkheden toe aan iemands huidige functieomschrijving. Om de promotie te krijgen, moet u doorgaans bepaalde Data Science-lessen volgen en behalen die relevant zijn voor de behoeften van de organisatie, en kan een certificering omvatten.
Het creëren van de positie “citizen data scientist” is een oplossing voor het tekort aan datawetenschappers. Veel van het werk dat doorgaans door datawetenschappers wordt gedaan, heeft betrekking op alledaagse operationele taken, zoals valideren Data kwaliteit, het samenvoegen van datasets en het identificeren van databronnen. Deze taken zijn vervelend en tijdrovend, en het is niet erg kosteneffectief om een ’dure’ datawetenschapper te laten uitvoeren. Het is beter om iemand te gebruiken die veel goedkoper is om deze taken uit te voeren met behulp van automatisering.
Volgens Ryohei Fujimaki, de oprichter en CEO van DotData, een softwarebedrijf gespecialiseerd in het automatiseren van Data Science:
“Modelontwikkeling, evenals modeloperationalisatie, kunnen aanzienlijk worden vereenvoudigd door automatisering. Nieuwe data science-automatiseringsplatforms stellen ondernemingen in staat om met minimale inspanningen datawetenschapsprocessen in productie te implementeren, te exploiteren en te onderhouden, waardoor bedrijven hun AI- en ML-investeringen en hun huidige datateam kunnen maximaliseren. “
Onderhandelen over het standpunt van Citizen Data Scientist
Het management heeft besloten om een datawetenschapper inhuren voor een kortlopend project en voor het reorganiseren van de internetverkoopafdeling. Ook is besloten dat er een vast ‘teamlid’ wordt aangesteld om de datawetenschapper parttime bij te staan, om zo kosten te besparen en ervaring te behouden. Aan het einde van het project zal het teamlid het dagelijks onderhoud van het nieuw geïnstalleerde analyseprogramma en voorspellende algoritmen voor internetverkoop op zich nemen. Daarnaast zal het teamlid vier lessen moeten volgen om basiskennis van de nieuwe verantwoordelijkheden op te doen. (Een slim, assertief teamlid kan het management benaderen met het idee om gepromoveerd te worden tot een burger data scientist.)
In de hierboven beschreven situatie vindt een groot aantal veranderingen plaats binnen de organisatie, en tenzij het management grondig communiceert met het personeel als geheel, zal er verwarring en gebroken verwachtingen zijn. In het ideale geval worden de verantwoordelijkheden van het teamlid verschoven naar andere medewerkers. De “uitverkorene” moet tijdens de werkweek ook wat tijd krijgen om te studeren of een online les bij te wonen. Het teamlid moet ook worden betrokken bij het kiezen van de lessen, aangezien sommige online lessen beter geschikt zijn voor bepaalde personen. En dan is er de kwestie van het krijgen van loonsverhoging. Ten slotte zal er een soort regeling moeten worden getroffen, zodat het nieuw opgeleide teamlid zes maanden na zijn opleiding en promotie niet naar een nieuwe baan vertrekt.
Opgemerkt moet worden dat het voordelen kan hebben om meer dan één burger datawetenschapper in dienst te hebben.
Voor management: het creëren van een Citizen Data Scientist
Selecteren de juiste persoon is ook belangrijk. Let op mensen die van lezen houden. Op het gebied van studeren zullen ze een aanzienlijk voordeel hebben ten opzichte van mensen die lezen saai vinden. Leeftijd kan een interessante kwestie zijn, omdat sommige oudere mensen niet graag nieuwe trucjes leren, terwijl anderen misschien alleen lessen volgen, om zowel het leerproces voort te zetten als een meer flexibele mentaliteit te behouden.
Het bieden van de juiste training en tools is vooral belangrijk bij het maken van een burger data scientist rol. Als we besloten hebben veranderingen aan te brengen in de organisatie en geld te besteden aan het betalen voor lessen, enz., Zou het dwaas zijn om het proces te kortsluiten met slechte training en tools die niet helemaal goed werken. Vandaag bedrijfsinformatie en analysetools in combinatie met een efficiënte datawetenschapper van burgers kunnen bedrijven aanzienlijk helpen versnellen hun datastrategie, en hun winst verbeteren.
Voor huidige werknemers: een Citizen Data Scientist worden
Voor een persoon met een oprechte interesse in Data Science, maar die niet fulltime naar school kunnen gaan om een hogere graad te behalen, zou de functie van burger data scientist ideaal kunnen blijken te zijn, en een certificeringsprogramma kan nuttige training bieden. Er zijn verschillende paden die kunnen worden bewandeld, variërend van een zelfstudieproces tot interne training tot avondlessen op de plaatselijke gemeenschapsschool. Het hangt af van de huidige vaardigheden van het teamlid, de behoeften van de organisatie en het selecteren van de leerbenaderingen die het beste bij deze persoon passen.
Het wordt algemeen erkend dat er verschillende leerstijlen en technieken zijn, en dat verschillende mensen sneller en gemakkelijker leren met een specifieke mix van stijlen. Iedereen heeft een andere mix van favoriete leerstijlen. De meest elementaire leerstijlen zijn:
- Visueel leren: Dit soort studenten gebruikt afbeeldingen, ruimtelijk inzicht en afbeeldingen om te leren. Studenten kunnen informatie gemakkelijk visualiseren en hebben vaak een zeer goed richtingsgevoel. Het gebruik van whiteboards (of PowerPoint-presentaties) kan behoorlijk effectief zijn voor dit soort leerlingen.
- Verbaal leren: Dit type persoon leert goed door te luisteren en door discussies. Audiobanden werken goed. Verbale leerlingen hebben vaak een grote woordenschat en blinken uit in activiteiten die te maken hebben met spreken, debatteren en journalistiek.
- Fysiek leren: Deze studenten gebruiken hun tastzin om te leren. Fysieke activiteiten zijn waar ze uitblinken. Deze leerlingen houden van knutselen en leren het beste als ze dingen hands-on kunnen doen, in plaats van te kijken of te luisteren.
Een tweede beslissing is om wel of niet alleen te studeren. Sommige mensen studeren liever alleen, terwijl anderen liever met een groep studeren.
Citizen Data Science Studies
Op veel plaatsen worden online cursussen aangeboden die zijn ontworpen om de basisvaardigheden te bieden die een burger datawetenschapper nodig heeft. Er is een zeer grote kans dat de werkgever van een student een paar lessen toevoegt die specifiek zijn voor de behoeften van de organisatie, maar het volgen van een Citizen Data Science-cursus biedt een goede basis. De training dient het volgende als uitgangspunt te bevatten:
- SQL gebruiken om gegevens voor te bereiden
- Inzicht in de basisconcepten van classificatiemodellen
- Klantdashboards maken
- SQL gebruiken om een segmentatiemodel te maken
- Een targetingmodel bouwen met machine learning
- Een aanbevelingssysteem bouwen met machine learning
De toekomst van Citizen Data Scientists
Organisaties geven steeds meer prioriteit aan de verschuiving naar geavanceerde voorspellende en prescriptieve analyses. Momenteel zijn traditionele datawetenschappers vaak duur en moeilijk te vinden. Datawetenschappers van burgers kunnen een zeer effectieve manier zijn om met dit tekort om te gaan. Technologie is de belangrijkste reden voor de opkomst van citizen datawetenschappers. Technologie heeft het voor niet-specialisten gemakkelijker gemaakt om dezelfde doelen te bereiken. In de afgelopen jaren zijn Analytics- en BI-tools aanzienlijk eenvoudiger geworden om mee te werken en omvatten ze augmented analytics.
Afbeelding gebruikt onder licentie van Shutterstock.com
