Red150770 - Fotolia.

评估 衡量您正在考虑的技术,产品和项目的优缺点。

5种企业适应数据科学家短缺

所有数据科学家在哪里?应对数据科学家短缺是许多企业的斗争。以下是有效管理短缺的五种方法。

随着企业建立以决策和规划为中心的文化,数据科学家仍然对世界各地的企业持续发展。但是组织不能雇用数据库足够的数据,作为合格的候选人领域仍然受到高度限制

为了应对这家数据科学家短缺,企业正在采取各种方法可以获得他们可以找到和保留的几个数据专业人员。

自动化

通常由数据科学家完成的许多工作都专注于数据管理和操作任务,例如识别数据源,合并数据集和验证数据质量。这些任务不是数据科学家通常雇用的高价值工作。这更改了自动化努力进入企业。

“模型开发,以及模型运营,自动化可以大大简化,”Dotdata的Ryohei Fujimaki,Ceo和Rydata,基于San Mateo,Califo,San Mateo的自动化机器学习(ML)软件公司。“新的数据科学自动化平台将使企业能够以极少的努力在生产中部署,经营和维护数据科学过程,帮助公司最大化其AI和ML投资及其当前数据团队。“

根据Matthew Baird,创始人和首席技术官Atscale.,一家自动化数据工程软件公司,一些最有前途的发展数据科学自动化是在自动数据工程领域,自动化数据管理和处理任务。

“这种进展以”立即性“数据工程的形式 - 自动化,基本上像完美的数据工程团队一样,如果他们拥有所有知识并完成数据处理的完整输入,”贝尔德表示,“包括了解如何为了最佳利用各种数据库的底层数据结构,它们唯一的网络特征,数据位置,本机安全设置和策略。“

业务分析前进的时间表
自动化是业务分析中进步的下一步。

强调自助分析

所有这些增加的数据管理和建模自动化都意味着不仅用于获得最高资深数据科学家,也是为了获得高级数据科学家,也是公民数据科学家的数据资源。扩展数据探索自助分析是交易数据科学家短缺的另一种流行的方法。

“自主数据工程进展的组合和通过自助分析的公民分析师的增加是释放有价值的数据科学和数据工程资源,专注于高价值的活动,如建立机器学习或人工智能模型的下一步,”贝尔德说。

创建交叉功能团队

与此同时,企业正在进入自助分析工具和自动化的极限。

许多公司通过创建与组织中的许多业务单位或雇用外部顾问的跨职能数据科学团队来应对数据科学家的稀缺。
克里斯尼科尔森创始人兼首席执行官,途径

“简化数据科学的每个工具都限制了用户的灵活性和选项,这意味着需要定制的某些复杂的任务是不可能的,”Pathmind,Doot Musty Company的Chris Nicholson表示,Chris Nicholson说道表示。Nicholson认为,这一现实已经领导了许多公司探索新团队策略从他们有限的数据专家中获得更多信息。

尼科尔森说:“许多公司通过创造与组织的许多业务单位或招聘外部顾问的跨职能数据科学团队来应对数据科学家的稀缺性。”“通常会限制组织中数据科学的价值并不是数据科学家自己的稀缺,而是组织收集的数据以及如何让人们访问和处理数据。”

跨职能团队可以帮助公司遍及碎片数据孤岛尼科尔森说,由于技术和内部政治障碍,可以克服的技术和内部政治障碍所产生的。

这也可以缓解一个常见的问题,看起来像数据科学家短缺,但更为根本性 - 即太多数据科学项目看起来无法管理,因为它们没有明确的商业价值的路径。

“太多的项目是野鹅追逐,你将一堆数据扔给数据科学家并说,”看看你可以做到这一点,“瑞典的首席顾问是基于代码的丹麦。“我们已经看到超过80%的数据科学项目未能从实验室转移到生产代码中,公司需要将数据科学家分配到最多高价值业务目标。“

更好地定义数据科学角色

阻碍了数据科学家有效招聘的大问题之一是企业正在制定数据科学标题和角色太广泛了艾米·霍德勒,图表数据库公司Neo4j的Graph Analytics和AI计划主任Amy Hoder表示。

“这使得难以找到适合任何组织的合适,从而使新的员工更加普遍了解并与业务目标保持一致,”霍德勒说。

她认为,在来年,许多组织将开始多样化他们的数据科学相关的标题,创造子类别工作重点更紧密的工作要求。

内部培训

霍德勒也认为,市场将开始对今年的数据科学家短缺作出回应,并在展示任何潜在或愿望的现有员工的内部培训枢转入数据科学。她说,这将是一个击球或策略的策略,因此,她说,组织必须是他们培育的具体技能的战略。

“长视心态需要清楚地评估和定义所需的技能组,以便平衡今天的炎热的工具/方法,而且还投资核心概念,”霍德勒说。“配对初级和高级数据科学家将在未来几年内不断发展和保留这些员工至关重要。”

深入了解商业智能团队

搜索数据管理
搜索AWS.
搜索内容管理
搜索甲骨文
搜索树液
搜索SQL.服务器
关闭