I ruoli FONDAMENTALI nella Data Science
āļāļąāļ
- āđāļāļĒāđāļāļĢāđāđāļĄāļ·āđāļ 20 āļ.āļ. 2024
- Trova il tuo prossimo lavoro Tech: jobs.datapizza...
Seguici sui social ððž
Instagram: / datapizza
LinkedIn: / datapizza
Community Discord: / discord
Spotify Podcast: open.spotify.c...
La nostra Newsletter: datapizza.tech...
Lavoro come Data Scientist in una fintech europea: a mio avviso la qualità piÃđ importante nel mio ruolo, spesso molto sottovalutata, ÃĻ la capacità di ragionamento. Certamente, possedere competenze tecniche come SQL, Python, cloud computing, etc.. ÃĻ necessario per svolgere specifiche mansioni, ma non ÃĻ sufficiente. Ogni problema in questo ambito ÃĻ unico e, quindi, quanto piÃđ si ÃĻ abili nel comprendere il problema di business, identificare le principali fonti di dati utilizzabili, saper valutare i vantaggi della tua soluzione e comprendere i vari requisiti, tanto piÃđ facile sarà muoversi efficacemente.
Gli strumenti e le tecnologie vanno e vengono, e spesso la maggior parte di queste si imparano on the job. A mio modesto parere la gente che si avvicina a questo mondo si concentra eccessivamente sull'apprendere linguaggi, strumenti e tecnologie, dimenticando che questi sono mezzi per risolvere il problema, non il problema stesso.
PerÃē per entrare in una fintech europea devi prima dimostrare di avere certi requisiti tecnici, la capacità di ragionamento difficilmente la si mette in mostra nei colloqui, giusto? (non ho molta esperienza in merito, giusto qualche mese come business analyst e qualche colloquio fatto)
â@@fabioesploratore1847 sÃŽ e no. La dimostrazione dei requisiti tecnici su Python, librerie di Data Science, SQL e Cloud ÃĻ certamente necessaria, ma non ÃĻ sufficiente. Durante i colloqui, secondo me, due fattori fanno la differenza:
1. Mostrare con chiarezza cosa hai realizzato nel corso del tuo percorso. Non ÃĻ sufficiente limitarsi a dire: "ho studiato Ing. Informatica presso..." o "ho lavorato presso...". Ã essenziale narrare in modo dettagliato quali progetti hai affrontato, quali problemi hai risolto e quale impatto hanno avuto. E' il famoso "sapersi vendere". Anche se non ÃĻ un compito facile, ÃĻ fondamentale sforzarsi per presentarsi nel modo migliore possibile.
2. Affrontare con successo un problema tecnico o un compito pratico. Nel caso di un data scientist, questo potrebbe consistere nell'analisi di un dataset e nella costruzione di un modello. Non ÃĻ necessario realizzare il modello piÃđ ottimizzato del mondo. Ã cruciale, invece, mostrare come si conduce l'analisi. Non basta saper scrivere codice con pandas, numpy, pytorch, scikit-learn; ÃĻ fondamentale evidenziare il ragionamento che ha portato a quel codice. Soprattutto, quando si costruisce un modello e' molto importante scegliere quali siano le metriche piu' corrette per valutarlo e, soprattutto, mostrare l'impatto che questo ha.
Complimenti per il video, veramente chiaro ed esplicativo. Vorrei solo aggiunmgere che, qualsiasi figura si possa ricoprire, in Italia si ÃĻ pagati pochissimo e questo ÃĻ un problema enorme! L`altra cosa importante ÃĻ la capacità di connettere le tecnologie citate nel video. Per i colloqui: nel 99% dei casi mi hanno scartato, nonostante sia riuscito, all'etsero, ad avere incassi anche 10 volte superiori a quelli italiani. Concludo dicendo che in questo lavoro ( sviluppatore, analista, data scientist etc ) si ÃĻ costretti a fare formazione continua, se non ci si vuole trovare fuori mercato in pochi mesi. Dimenticavo: bisogna conoscere l'inglese meglio che la propria madrelingua ;-)... Auguri a tutti!
Complimenti per la qualità altissima dei vostri video!!! ðâĪ
Bravissimi, bello e utile questo video. Buon lavoro !
Volevo farmi prima di tutto i complimenti per i contenuti che portate. Ho apprezzato molto questo video, chiaro e conciso. Complimenti!
à un po' di tempo che mi sto informando su questo mondo, essendo appassionato di programmazione in senso piÃđ ampio. Sono un ingegnere meccanico di formazione (specialistica 5 anni) e vorrei acquisire nuove competenze per poter dirottare la mia carriera in questo ambito. Molte sono le opzioni presentate sul mercato, ma spesso nelle "storie" si parla di persone neolaureate (magari solo triennali) o comunque profili "entry". Avendo una seniority nell'industria di 8 anni, mi riesce difficile orientarmi. Avete qualche consiglio su corsi o percorsi da intraprendere nel mio caso specifico? Lavorando molto ed avendo 35 anni, l'unica opzione che vedo possibile ÃĻ fare un corso per acquisire le hard skills necessarie e poi tentare un cambio carriera (accettando un'iniziale riduzione significativa dello stipendio). Ho valutato anche un master, ma spesso trattano gli argomenti "core" in modo superficiale, spendendo tempo su altri aspetti della carriera che ho già maturato e piÃđ specifici delle soft skills. Mi chiedo, appunto, se la strada da me individuata sia quella giusta o se ci sono altre prospettive. Grazie in anticipo per un'eventuale risposta/consiglio.
7:35 ISCRITIVITI ð
se non ho capito male: il data scientist puÃē fare il data analist e data engeneering ( non ha alcun problema ) ma e dico MA.......il data analist ed ingneering NON E DICO NON possone fare il data scientist...ho capito bene? il data scientist ÃĻ superiore sia al data analisist che ingegnere dei dati. superiorità di conoscenze e skills
La formazione di un data science riguarda la matematica, statistica e informatica.
Se si hanno queste conoscenze avanzate ci si puÃē specializzare e adattarsi nei vari ruoli citati nel video.
da data scientist ti posso dire che in generale ÃĻ vero che un data scientist puÃē (e fa) fare anche il lavoro del data engineer e del data analyst, ma ovviamente la qualità del lavoro non sarà mai alla pari. Sicuramente il tutto dipende dalle skill che ha (un data engineer scarso farà un lavoro peggiore di un data scientist bravo e con esperienza), ma in un'azienda strutturata bene e con ruoli ben focalizzati, il data scientist si occupa di prendere le analisi ed i datataset fatti dal data analyst e produce modelli, insight e predizioni.
PerÃē sÃŽ, solitamente un data scientist vede un po' di tutto, mentre il data engineer vede poco se non nulla della parte di modellistica