קורס דאטה סיינס / Data Science

תחום ה-Data Science הוא אחד מהתחומים הצומחים באופן היציב ביותר בתעשיית ההייטק ובעוד שתחומים מסוימים צמחו במהירות אבל נשארו קבועים לאורך זמן, באופן מפתיע התחום צומח באופן קבוע כבר מעל לעשר שנים.

רמת העניין בתחום גבוהה באופן יחסי למשרות אחרות בהייטק, בנוסף לכך, כיום ישנם מעט אוניברסיטאות שמלמדות את המסלול באופן ישיר ולרוב ההכשרה האוניברסיטאית היא יותר תיאורטית מאשר מעשית ולכן נדרשת עוד הכשרה בנוסף לאקדמיה.

אנחנו ב-INT פיתחנו תוכנית מלאה שכוללת את הרכיבים החשובים ביותר כדי להצליח היום בתעשייה.  בנוסף הגישה הלימודית מכוונת פרויקטים, עבודה מעשית ומיומנויות מחקר ולימוד עצמי כך שהבוגרים שלנו מקבלים את האינקובציה הטובה ביותר שיכולנו ליצור עבור ההתפתחות המקצועית שלהם.

משכורת Data Science מתחיל בדרך כלל נעה בין 18 – 23 אלף. לרוב קשה להגיע למשרת Data Science מתחיל ולכן הרבה אנשים שהם חסרי רקע אקדמי מתאים יאלצו להתפשר במשכורת עבור השנה – שנתיים הראשונות.

לעומת זאת, בעלי רקע בהנדסה, מדעי המחשב ו/או ניסיון קודם בתעשייה יכולים להתחיל במשכורות הללו.

כן, נדרש תואר ראשון במדעים מדויקים ואנגלית ברמה גבוהה.

התפקיד המרכזי של מדען הנתונים הוא להיות אחראי על ניתוח והסקת מסקנות  מהנתונים בחברה, בדרך כלל יש שלושה סוגים של מדעני נתונים בחברות השונות כאשר לרוב ההבחנה היא תחת מי יושב צוות מדעני הנתונים

– מדען נתונים בחברה שליבת המוצר שלה כוללת למידת מכונה: במקרה זה הצוות יהיה לרוב תחת צוות המחקר ( לדוגמה: מיקרוסופט, פייסבוק, פאלו אלטו נטוורקס וכדומה)

– מדען נתונים בחברה שבה למידת מכונה היא חלק מהיכולות של המוצר בנוסף ליכולות אחרות: במקרה זה יהיו מספר מדעני נתונים בצוותים השונים (לדוגמה: וויקס, בוקינג.קום, אירון סורס)

– מדען נתונים בחברה שאין למידת מכונה במוצר עצמו, במקרה זה תפקיד מדען הנתונים יהיה לרוב אחראי על סיפוק יכולות עסקיות – שיווקיות ( לדוגמה: חברות ביטוח, הוט, יס וכדומה )

לכל אחת מהשלושה יש כמובן מאפיינים שונים, אבל בגדול העבודה היום יומית תהיה

– עבודה מחקרית על ליבת המוצר לשפר את התוצאות ולהוסיף פיטשרים

– עבודה במחלקה הספציפית כדי לתת מענה לדרישות מוצריות שונות  לדוגמה: לשפר את אחוזי הסגירה באתרי תיירות

– לשפר יעדים עסקיים שונים: שיווק יעיל יותר, ניתוח עזיבת לקוחות וכדומה

באופן כללי ההנחה הרווחת היא שאנליסט לא מקודד אלא משתמש בפתרונות לניתוח מידע כמו Tablue, Power BI.

במקום ליצור תהליך אוטומטי לניתוח המידע הוא מנתח אותו באופן ידני, בימינו הגבול בניהם מטשטש, מאוד נפוץ לראות אנליסטים שמתכנתים בעצמם ויוצרים אוטומציה של האנליזה.
הבדל שעדיין נשמר הוא השימוש במודלים פרדקטיביים: יכולות מחקריות: חשיבה עצמאית, להתעדכן במאמרים או כתבות, הבנה של האספקטים התיאורטיים יכולות ניתוח מידע כמו; ניתוח כמותי, סטטיסטי – הסתברותי של מידע בעזרת קוד, בדיקת מודלים, יצירת פיטשרים. ויכולות אופרטיביות: יכולות תכנות גבוהות, עבודה עם תשתיות מידע ( DevOps )

מבחינת חלוקת הזמן הנדרש זה בערך 40% עבור אופרציה, 40% עבור ניתוח המידע ו- 20% יכולות מחקריות

לכן, צוות בדרך כלל יכלול לפחות מדען נתונים אחד עם רקע בתכנות, מדען נתונים עם רקע בניתוח מידע או ג'וניור, ומדען נתונים מנוסה שיכיר את הספרות הרלוונטית