فراجاب

دانشمند داده کیست و چه کاری انجام می‌دهد؟

معرفی

دانشمند داده (Data Scientist) با استفاده از داده، آمار و مدل‌های یادگیری ماشین (Machine Learning یا ML) به بررسی مسئله‌های واقعی سازمان‌ها و کسب‌وکارها می‌پردازد. هدف این نقش فقط ساخت مدل نیست. دانشمند داده باید مشخص کند چه پرسشی ارزش بررسی دارد، داده‌های موجود تا چه حد قابل‌اعتمادند و چگونه می‌توان نتیجه تحلیل را به تصمیم یا اقدام عملی تبدیل کرد.

وظایف دانشمند داده

بخشی از کار دانشمند داده به دریافت داده از پایگاه‌های داده، پاک‌سازی خطاها و مقادیر گمشده، بررسی الگوها و انجام تحلیل‌های اولیه اختصاص دارد. برای نمونه، ممکن است داده‌ها را از PostgreSQL دریافت کند، در Jupyter Notebook بررسی و مستند کند و با ابزارهایی مانند pandas و NumPy آن‌ها را تبدیل و تحلیل کند. سپس می‌تواند فرضیه‌های مختلف را بررسی کند، مدل‌های پایه و پیشرفته را مقایسه کند و با سنجه‌های مناسب عملکرد مدل را ارزیابی کند.

برای مثال، در یک کسب‌وکار اینترنتی ممکن است دانشمند داده احتمال ریزش مشتری را پیش‌بینی کند. در این حالت، پیش از ساخت مدل باید تعریف دقیق «ریزش»، کیفیت داده‌های رفتاری و امکان اجرای اقدام پیشنهادی مشخص شود.

همکاری دانشمند داده با تیم‌های دیگر

دانشمند داده معمولا با تحلیلگر داده، مهندس داده، مدیر محصول و تیم‌های فنی یا عملیاتی همکاری می‌کند. بخشی از کار او دریافت مسئله از ذی‌نفعان، مشخص‌کردن معیار موفقیت و تبدیل نتیجه تحلیل به اطلاعات قابل استفاده برای تصمیم‌گیری است.

در ایران، عنوان شغلی به‌تنهایی وظایف دقیق یک موقعیت را مشخص نمی‌کند. ممکن است یک آگهی با عنوان «دانشمند داده (Data Scientist)» بیشتر بر تحلیل و گزارش‌گیری تمرکز داشته باشد و موقعیتی دیگر با عنوان مشابه، مدل‌سازی پیش‌بینی را بخواهد. بنابراین هنگام بررسی آگهی‌ها، مهارت‌هایی مانند SQL، پاک‌سازی و تحلیل داده، روش‌های آماری، ارزیابی مدل و همکاری با تیم محصول یا مهندسی را جداگانه بررسی کنید.

برای موقعیت‌های جونیور (Junior)، توانایی پیش‌بردن یک مسئله واقعی با Python و SQL از داده خام تا تحلیل، گزارش یا مدل قابل‌ارائه می‌تواند شواهد عملی مناسبی از مهارت شما باشد. کد و فایل‌های مرتبط نیز معمولا با گیت (Git) مدیریت نسخه می‌شوند تا تغییرات قابل‌پیگیری و بررسی باشند. برای نسخه‌گذاری داده و بازتولید کامل محیط تحلیل، ممکن است به ابزارها و روش‌های دیگری نیز نیاز باشد.

این شغل را با نام‌های دیگری نیز می‌شناسند:

  • کارشناس علم داده
  • متخصص علم داده
  • کارشناس داده‌کاوی
  • دیتا ساینتیست
  • Data Science Specialist
  • Data Science Expert
  • Data Mining Specialist
  • Applied Data Scientist

وظایف و مسئولیت‌ها

برای آشنایی بهتر با این شغل، مهم‌ترین وظایف آن در ادامه آمده‌اند.

  • صورت‌بندی مسئله داده‌ای

    مسئله کسب‌وکار را با مدیر محصول یا تیم عملیاتی به پرسشی قابل‌اندازه‌گیری، متغیر هدف و معیار موفقیت تبدیل می‌کند.

  • استخراج و یکپارچه‌سازی داده

    با SQL و منابع داده موجود، داده‌های موردنیاز را دریافت و رکوردهای مرتبط را برای تحلیل یا مدل‌سازی ترکیب می‌کند.

  • پاک‌سازی و بررسی کیفیت داده

    مقادیر گمشده، تکراری، پرت و ناسازگار را شناسایی می‌کند تا تحلیل یا مدل بر پایه داده‌های نادرست انجام نشود.

  • تحلیل اکتشافی و آزمون فرضیه

    با استفاده از آمار توصیفی، نمودارها و بررسی توزیع داده‌ها، الگوهای اولیه را شناسایی و فرضیه‌های قابل‌آزمون را تدوین می‌کند.

  • ساخت و ارزیابی مدل‌های پیش‌بینی

    مدل‌های یادگیری ماشین را با ابزارهایی مانند سایکیت‌لرن (scikit-learn) آموزش و اعتبارسنجی می‌کند و عملکرد آن‌ها را با معیارهای مناسب مقایسه می‌کند.

  • مهندسی و انتخاب ویژگی

    از داده خام متغیرهای معنادار می‌سازد، نشتی داده را کنترل می‌کند و ویژگی‌های مؤثر بر مدل را ارزیابی می‌کند.

  • ارائه نتیجه به ذی‌نفعان

    یافته‌ها، محدودیت‌ها و پیشنهادهای اجرایی را با استفاده از نمودار، گزارش و زبانی قابل‌فهم برای تصمیم‌گیرندگان ارائه می‌کند.

  • بازبینی و مستندسازی تحلیل

    فرض‌ها، منبع داده، روش ارزیابی و نسخه کد را ثبت می‌کند تا فرایند تحلیل قابل‌تکرار و قابل‌بررسی باقی بماند.

نیازمندی‌ها و مهارت‌ها

برای موفقیت در این شغل، مجموعه‌ای از مهارت‌ها و ابزارها لازم است که در ادامه معرفی شده‌اند.

مهارت‌های مورد نیاز

سایر نیازمندی‌ها

جدای از مهارت‌ها و ابزارهای بالا، این موارد هم در آگهی‌های استخدام این شغل دیده می‌شوند:

  • انگلیسی فنی برای خواندن مستندات و مقاله‌ها
  • توانایی پرسیدن سؤال دقیق از مسئله کسب‌وکار
  • دقت در بررسی فرض‌ها و کیفیت داده
  • توانایی توضیح نتیجه فنی برای مخاطب غیرفنی
  • صبوری در کار با داده ناقص و مبهم
  • آشنایی با حوزه کسب‌وکار محل فعالیت

چشم‌انداز شغلی

چشم‌انداز دانشمند داده به چند عامل حرفه‌ای و محیط کاری وابسته است که در ادامه بررسی شده‌اند.

  • محیط‌های محتمل برای کار با داده

    کسب‌وکارهای اینترنتی، فین‌تک، تجارت الکترونیک، تبلیغات دیجیتال و سازمان‌های دارای داده عملیاتی، نمونه‌هایی از محیط‌هایی هستند که مسئله‌های تحلیل یا مدل‌سازی داده در آن‌ها شکل می‌گیرد. دامنه واقعی نقش را از شرح وظایف، نوع داده و خروجی موردانتظار بسنجید.

  • نمونه‌کار برای موقعیت‌های سطح ابتدایی

    یک نمونه‌کار مناسب بهتر است مسئله مشخص، روش تهیه یا دریافت داده، کوئری‌های SQL، مراحل پاک‌سازی، تحلیل، مدل پایه، معیار ارزیابی و محدودیت‌های نتیجه را نشان دهد. نمایش صرف یک Notebook یا عدد دقت مدل، بدون توضیح داده و روش ارزیابی، شواهد کاملی از توانایی عملی نیست.

  • مسیر رشد به نقش‌های تخصصی

    با کسب تجربه می‌توان به حوزه‌هایی مانند مدل‌سازی پیش‌بینی، آزمایش و تحلیل محصول، پردازش زبان طبیعی، بینایی ماشین یا مهندسی یادگیری ماشین نزدیک شد. انتخاب مسیر به علایق فرد، نوع داده و نیاز تیم بستگی دارد.

  • بررسی پیشنهادهای شغلی

    پیشنهادهای شغلی را فقط بر اساس رقم حقوق مقایسه نکنید. شرح وظایف، میزان تمرکز بر تحلیل یا مدل‌سازی، مسئولیت استقرار و پایش مدل، دسترسی به داده و زیرساخت، نوع قرارداد، محل کار و امکان دورکاری را نیز بررسی کنید.

  • محدودیت دسترسی به داده در کار غیرحضوری

    داده‌های تراکنشی، اطلاعات هویتی و داده‌های رفتاری محصول ممکن است به دلیل الزامات امنیتی و حریم خصوصی خارج از محیط شرکت قابل‌دسترسی نباشند. در چنین شرایطی، تحلیل و توسعه مدل باید در محیط‌های موردتأیید سازمان انجام شود و ممکن است برای کار غیرحضوری فقط داده‌های ناشناس‌سازی‌شده، نمونه‌های محدود یا خروجی‌های کنترل‌شده در اختیار فرد قرار گیرد.

پرسش‌های رایج درباره دانشمند داده

در این بخش، به تعدادی از پرسش‌های رایج درباره این شغل پاسخ داده شده است.

تفاوت دانشمند داده و تحلیلگر داده چیست؟

تحلیلگر داده بیشتر بر پاسخ‌دادن به پرسش‌های فعلی، گزارش و داشبورد تمرکز دارد. دانشمند داده علاوه بر تحلیل، معمولا مسئله‌های پیش‌بینی، مدل‌سازی آماری و یادگیری ماشین را نیز بررسی می‌کند. در بسیاری از شرکت‌های ایرانی مرز این دو عنوان کاملا ثابت نیست. بنابراین بهتر است شرح وظایف را ملاک قرار دهید.

آیا برای دانشمند داده شدن باید مدرک دانشگاهی مرتبط داشت؟

مدرک مرتبط در رشته‌هایی مانند آمار، علوم کامپیوتر، مهندسی یا ریاضی می‌تواند مفید باشد، اما جای مهارت عملی را نمی‌گیرد. کارفرما معمولا می‌خواهد ببیند آیا می‌توانید داده‌ها را با SQL و Python تحلیل کنید، روش آماری مناسب را انتخاب کنید و نتایج را به‌درستی تفسیر و توضیح دهید.

آیا بدون یادگیری ماشین می‌توان وارد علم داده شد؟

برای شروع، تسلط بر تحلیل داده، SQL، Python و آمار از ساخت مدل‌های پیچیده مهم‌تر است. با این حال، برای موقعیت‌هایی که واقعا عنوان دانشمند داده دارند، باید دست‌کم بتوانید مدل‌های پایه یادگیری ماشین را آموزش، ارزیابی و محدودیتشان را بیان کنید.

دانشمند داده در ماه‌های اول کار چه کاری انجام می‌دهد؟

فرد در سطح جونیور معمولا کار خود را با شناخت داده‌ها، نوشتن کوئری، پاک‌سازی داده، تحلیل اکتشافی، تهیه گزارش و اجرای مدل‌های پایه آغاز می‌کند. از او انتظار نمی‌رود از همان ابتدا معماری داده یا مدل‌های پیچیده را به‌تنهایی طراحی کند، اما باید بتواند خروجی کار خود را به‌شکل مستند و قابل‌بررسی ارائه دهد.

آیا دانشمند داده همان مهندس یادگیری ماشین است؟

خیر. دانشمند داده بیشتر بر صورت‌بندی مسئله، تحلیل، آزمایش و ساخت مدل تمرکز دارد. مهندس یادگیری ماشین مسئولیت بیشتری در استقرار، مقیاس‌پذیری، پایش و نگهداری مدل در محیط عملیاتی دارد، هرچند در تیم‌های کوچک ممکن است بخشی از وظایف هم‌پوشانی داشته باشند.

آموزش‌های مرتبط در فرادرس

منابع پیشنهادی

برچسب‌ها و کلیدواژه‌ها

دانشمند دادهدیتا ساینتیستشغل دانشمند دادهوظایف دانشمند دادهمهارت‌های دانشمند دادهبازار کار علم داده در ایرانتفاوت دانشمند داده و تحلیلگر دادهیادگیری علم دادهاستخدام Data Scientist