Analyzing the Analyzers: An Introspective Survey of Data Scientists and Their Work

علی‌رغم هیجان‌انگیز بودن پیرامون \"علم داده\" \"داده بزرگ\" و \"تحلیل\"، ابهام این اصطلاحات منجر به ارتباط ضعیف بین دانشمندان داده و سازمان‌هایی شده است که از آنها کمک می‌خواهند. در این گزارش، نویسندگان هارلان هریس، شان مورفی و مارک وایسمن نظرسنجی خود را از چند صد متخصص علوم داده در اواسط سال 2012 بررسی کردند، زمانی که از پاسخ دهندگان پرسیدند که چگونه مهارت ها، مشاغل و تجربیات خود را با کارفرمایان آینده نگر می بینند. نتایج قابل توجه است.

بر اساس داده‌های نظرسنجی، نویسندگان دریافتند که امروزه دانشمندان داده را می‌توان در چهار زیرگروه دسته‌بندی کرد که هر کدام دارای ترکیبی متفاوت از مهارت‌ها هستند. هدف آن‌ها شناسایی واژگان جدید و دقیق‌تر برای نقش‌های علم داده، تیم‌ها و مسیرهای شغلی است.

این گزارش شرح می‌دهد:

• چهار خوشه دانشمند داده: تاجران داده , خلاقان داده، توسعه دهندگان داده و پژوهشگران داده
• موارد در ارتباط نادرست بین دانشمندان داده و سازمان هایی که به دنبال استخدام هستند
• چرا دانشمندان داده \"T شکل\" از نظر وسعت مزیت دارند. و عمق مهارت‌ها
• چگونه سازمان‌ها می‌توانند نتایج نظرسنجی را برای شناسایی، آموزش، ادغام، تیم‌سازی و ارتقای دانشمندان داده به کار ببرند

Despite the excitement around "data science," "big data," and "analytics," the ambiguity of these terms has led to poor communication between data scientists and organizations seeking their help. In this report, authors Harlan Harris, Sean Murphy, and Marck Vaisman examine their survey of several hundred data science practitioners in mid-2012, when they asked respondents how they viewed their skills, careers, and experiences with prospective employers. The results are striking.

Based on the survey data, the authors found that data scientists today can be clustered into four subgroups, each with a different mix of skillsets. Their purpose is to identify a new, more precise vocabulary for data science roles, teams, and career paths.

This report describes:

• Four data scientist clusters: Data Businesspeople, Data Creatives, Data Developers, and Data Researchers
• Cases in miscommunication between data scientists and organizations looking to hire
• Why "T-shaped" data scientists have an advantage in breadth and depth of skills
• How organizations can apply the survey results to identify, train, integrate, team up, and promote data scientists