Como la mayoría de las cosas en la vida, si algo es interesante o no depende de ti. ¿Qué te parece interesante? ¿Te gusta el trabajo orientado a los detalles? ¿Puedes hacer investigación? ¿Te gusta la codificación / scripting o la automatización de cosas en general? ¿Eres creativo al presentar datos en forma de diferentes tipos de visualizaciones? Y es necesario, ¿te importaría hacer tablas dinámicas en Excel?
Además, como alguien dijo en un comentario anterior, el campo de Analytics es bastante grande y, aunque no estoy de acuerdo con su definición de Data Analytics vs Data Science, sí estoy de acuerdo en que hay diferentes tipos de trabajos en todo el amplio espectro.
Haré una lista de proyectos que he conocido personalmente o sé que otros están haciendo. Verá que la definición de la industria y las expectativas de los roles varían bastante significativamente
Ejemplos de proyectos de Data Analytics / Data Science / Marketing Analytics / Analyst:
1) Pronóstico de demanda : enumero esto primero porque estudias economía. Supongo que conoce bastante bien la regresión. Su enunciado del problema es: cree un marco en el que si conoce el precio de un artículo en particular, el sistema puede predecir el número de unidades que se venderán en ese punto de precio. Este tipo de proyecto puede necesitar que extraiga datos de la base de datos de ventas de una empresa y aplique diferentes métodos estadísticos para crear un modelo que pueda predecir con precisión la demanda. Es posible que necesite tener un conocimiento de las bases de datos (y lenguajes de consulta como SQL), procedimientos estadísticos , herramientas estadísticas como R y algún conocimiento del negocio en sí.
2. Análisis de cohortes: enumero esto porque … bueno, … este es el último informe que hice … Esta es una tarea de informes bastante simple que puede hacer en Excel o en una herramienta de informes más agradable como Tableau. Una tarea como esta necesita que esté bastante familiarizado con SQL y con la lógica básica, como “¿Cómo cuento a las personas en mi conjunto de datos que hicieron una compra por primera vez en enero de 2015?” y “¿Cómo puedo rastrear a las mismas personas durante los próximos 12 meses?”
3. Creación de un sistema de recomendación: este es un ejemplo del otro extremo del espectro. Este es el tipo de proyectos que abarcan la línea muy delgada entre Analytics vs Data Science vs Computer Science. Lo más probable es que necesite comprender los algoritmos de aprendizaje automático, como las redes neuronales, los marcos, como el filtrado colaborativo, y las técnicas informáticas más exigentes, como la computación paralela. Esta es también un área que las tecnologías NoSQL están en uso máximo hoy en día. Es posible que (o no) necesite utilizar tecnologías como Mahout. Es posible que necesite conocer al menos un lenguaje de programación como Python o Java. Incluso si no realiza la implementación real en el sitio web de su empresa, tendrá que ser inteligente con suficiente programación para hacer una prueba de concepto.
4. Modelado de mezcla de medios: su empresa desea realizar una campaña para vender su nueva línea de cepillos de dientes. Tiene un presupuesto de marketing de $ 100,000 y necesitan averiguar cómo distribuir este dinero en varios canales de medios como TV, medios impresos, búsqueda, redes sociales, etc. Este es un problema bastante típico que requiere mucha limpieza de datos para obtener primero sus datos. en el formato que quieras Después de eso, un análisis de regresión bastante simple puede ser todo lo que se requiere. O tal vez no. Típicamente, herramientas como SAS y SPSS se están utilizando en la industria para tales análisis.
5. Puntaje de crédito: Este es del lado de la banca / seguros. Los bancos deben asignar un “puntaje de riesgo” a todos sus clientes que está vendiendo un producto de crédito o seguro (piense en tarjetas de crédito o préstamos para vivienda o seguro de automóvil). Nuevamente, la herramienta estándar de la industria es SAS, la metodología estándar de la industria es el modelado de crédito utilizando Regresión logística. Este tipo de problemas necesita su creatividad para crear nuevas funciones (también conocidas como ingeniería de características por aquellos más expertos en el lado del aprendizaje automático). Por ejemplo, tiene los ingresos de una persona y tiene el PIB del país de la persona. Es posible que estas variables en sí mismas no sean excelentes predictores, pero sí una proporción de ellas. (ese no es un gran ejemplo … pero entiendes lo que quiero decir …). Un interés en las finanzas ayuda.
6.Ranking de búsqueda: vas a Expedia y buscas ‘Amsterdam’ en el menú de hoteles. Usted es llevado a una lista de hoteles clasificados por algún orden. No está ordenado al azar, ya sabes … Puede ser una clasificación simple según la popularidad (es decir, el número de personas que han reservado el hotel antes) … o puede ser un algoritmo complejo que tenga en cuenta su ubicación actual, su puntaje de similitud con otros que han reservado el mismo hotel que usted en compras anteriores, tasas de descuento actuales, etc. Las herramientas que podrían haber utilizado pueden variar (definitivamente no sobresalir), los métodos que se han utilizado podrían ser uno entre cien. Podría haber un curso de maestría completo de un semestre completo sobre este tema.
- ¿Cuál es la mejor academia para científicos de datos en Pune?
- ¿Puedo ser un científico de datos después de graduarme de matemáticas en una especialización en computación en UCLA?
- ¿Quiénes son los 20 mejores científicos de datos de la India?
- Me encantan las matemáticas y el aprendizaje automático, pero las empresas esperan que sepa algunas cosas que no me apasionan, como Hadoop spark, etc. ¿Qué debo hacer?
- ¿Cómo consiguió el candidato más nuevo con habilidades intermedias relacionadas con la ciencia de datos el trabajo de científico de datos si no tenía experiencia?
Espero que mi lista ayude. Por lo menos, espero que aprecies cuán AMPLIO es el campo y cuán diferentes trabajos podrían estar bajo el mismo rol. Su título en Econ + IT ciertamente ayuda, pero es posible que necesite habilidades adicionales para obtener los trabajos más interesantes. O no. Depende
