మాజీ అధ్యక్షుడు బరాక్ ఒబామా నేతృత్వంలోని మొదటి వైట్ హౌస్ చీఫ్ డేటా సైంటిస్ట్ డిజె పాటిల్.జెట్టి ఇమేజెస్ ద్వారా అబిన్ బోట్స్ఫోర్డ్ / ది వాషింగ్టన్ పోస్ట్ మీరు ఈ మధ్య జాబ్ మార్కెట్‌పై స్వల్పంగా శ్రద్ధ కనబరిచినట్లయితే, ఈ రోజుల్లో నియామకంలో ఒక గందరగోళ ధోరణిని మీరు గమనించి ఉండవచ్చు: ప్రతి రిక్రూటర్, పెద్ద సంస్థల నుండి మరియు చిన్న స్టార్టప్‌ల నుండి, డేటా సైంటిస్ట్ అనే స్థానాన్ని పూరించడానికి చూస్తున్నారు. మీరు నిశితంగా పరిశీలిస్తే, సైన్స్ నేపథ్యం లేని మీ స్నేహితులు కొందరు ఇప్పటికే సందడితో పట్టుబడ్డారు మరియు వారి వృత్తిపరమైన వ్యక్తులను లింక్డ్ఇన్లో డేటా సైంటిస్టులుగా రీబ్రాండ్ చేసారు.
డేటా సైంటిస్ట్ అనే పదం, కొన్ని సంవత్సరాల క్రితం విననిది, ఇప్పుడు లింక్డ్ఇన్ జాబ్స్ పేజీలో 25,000 ఫలితాలను ఇస్తుంది - ఇది విశ్వవ్యాప్తంగా అధునాతన ఆర్థిక విశ్లేషకుడి (కనీసం మాకు న్యూయార్క్ వాసులు) యొక్క శోధన ఫలితాల కంటే 2,000 ఎక్కువ.
ఆకస్మిక ఆసక్తి ఎందుకు? డేటా శాస్త్రవేత్తలు ఏమి చేస్తారు? నేను ఈ ప్రశ్నలను వారికి సమాధానం ఇవ్వడానికి చాలా అర్హత ఉన్న వ్యక్తి వద్దకు తీసుకువెళ్ళాను: డేటా సైంటిస్ట్ అనే పదాన్ని సృష్టించిన వ్యక్తి.
డీజే పాటిల్, ఎ మాజీ లింక్డ్ఇన్ ఎగ్జిక్యూటివ్ (2008 నుండి 2011 వరకు) తరువాత అధ్యక్షుడు బరాక్ ఒబామా ఆధ్వర్యంలో వైట్ హౌస్ యొక్క చీఫ్ డేటా సైంటిస్ట్‌గా పనిచేసిన ఆయనను యుఎస్‌లో మొట్టమొదటి డేటా సైంటిస్ట్‌గా పిలుస్తారు. నాయకత్వంలోని పరిపాలనలో భారీ డిజిటలైజేషన్ ప్రయత్నంలో భాగంగా అతని ప్రభుత్వ పాత్ర సృష్టించబడింది. ఒబామా, కానీ ఈ పాత్రను వివరించడానికి ఉపయోగించే పదాల ఎంపిక లింక్డ్ఇన్లో అతని రోజుల్లో నిర్ణయించబడింది.
నేను డేటా బృందాన్ని నిర్మించే లింక్డ్ఇన్ వద్ద ఉన్నాను, మరియు జెఫ్ హామర్బాచర్ [క్లౌడెరా సహ వ్యవస్థాపకుడు] ఫేస్బుక్ యొక్క డేటా బృందంలో సందడిగా ఉన్నాడు, మరియు మేము కొన్నిసార్లు సహకరించి గమనికలను పోల్చి చూస్తాము. మేము గ్రహించిన ఒక విషయం ఏమిటంటే, మనల్ని మనం ఏమని పిలవాలో మాకు తెలియదు, పాటిల్ గత నెల అబ్జర్వర్కు ఇచ్చిన ఇంటర్వ్యూలో చెప్పారు.
మిమ్మల్ని మీరు విశ్లేషకుడు అని పిలుస్తారా? ఇది చాలా వాల్ స్ట్రీట్ అనిపిస్తుంది. పరిశోధనా శాస్త్రవేత్త లేదా గణాంకవేత్త? చాలా అకాడెమిక్ అనిపిస్తుంది, అతను గుర్తు చేసుకున్నాడు. నేను లింక్డ్ఇన్లో పనిచేస్తున్నందున, ఉద్యోగ దరఖాస్తుదారుల నుండి ఏది ఎక్కువ ఆసక్తిని పొందుతుందో చూడాలని మేము అనుకునే అన్ని ఉద్యోగ శీర్షికలను పరీక్షించాను. ప్రతి ఒక్కరూ డేటా సైంటిస్ట్ అవ్వాలని కోరుకుంటున్నారని తేలింది, కాబట్టి మేము ఇష్టపడతాము, సరే, అదే మనల్ని మనం పిలుస్తాము.
టైటిల్ అధునాతనమైనదిగా అనిపిస్తుంది మరియు పరిశ్రమలను అధిగమించేంత అస్పష్టంగా ఉంది మరియు తీవ్రంగా పరిగణించబడుతుంది, ఇది ఏమిటో తెలియని వ్యక్తులు కూడా.
ఇది బయలుదేరడానికి ప్రాథమిక కారణం ఏమిటంటే, దీని అర్థం ఏమిటో ప్రజలకు ఖచ్చితంగా తెలియదు. మరియు అది శక్తి, పాటిల్ అన్నారు. మిమ్మల్ని మీరు ఏదో అని లేబుల్ చేసినప్పుడు, మీరు ఉండకూడని వాటిని కూడా ప్రజలు లేబుల్ చేస్తారు. కాబట్టి, మీరు ఒక గదిలో ఉన్నప్పుడు మరియు మీరు డేటా విశ్లేషకుడు అని చెప్పినప్పుడు, మీరు ఈ స్థాయి సమావేశాలలో ఉండకూడదని వారు భావిస్తారు. మీరు డేటా సైంటిస్ట్ అని మీరు చెప్పినప్పుడు, వారు ఇలా ఉంటారు, మంచితనానికి ధన్యవాదాలు ఇక్కడ మాకు తెలివైన వ్యక్తులు ఉన్నారు.
డేటా శాస్త్రవేత్తలకు డిమాండ్ పెరగడం కొంతవరకు కారణం, ఇంటర్నెట్ యుగంలో మనం సేకరించిన అపూర్వమైన డేటా, ఇది వివిధ పరిశ్రమలలో పెద్ద డేటా-సంబంధిత ఉద్యోగాల వృద్ధికి ఆజ్యం పోసింది. సెక్సీ-సౌండింగ్ జాబ్ టైటిల్ రిక్రూటర్లకు ఉద్యోగ ప్రకటనలను పెట్టడం సులభతరం చేసింది మరియు ఉద్యోగార్ధులు తమను తాము ప్రోత్సహించుకోవడానికి సౌకర్యంగా ఉంటుంది. కానీ దాని స్వాభావిక అస్పష్టత వాస్తవానికి దాని అర్థం ఏమిటనే గందరగోళంలో ఉన్నవారి నుండి కూడా విమర్శలను తీసుకుంది.
కెరీర్ సైట్ వద్ద ప్రొడక్ట్ మేనేజర్ క్లింట్ చెగిన్, తన నిరాశను a మధ్యస్థ పోస్ట్ డేటా సైంటిస్ట్‌గా దేర్ నో సచ్ థింగ్.
డేటా సైన్స్ ఉద్యోగ వివరణలలో ఎక్కువ భాగం వారు ప్రకటన చేస్తున్న స్థానం యొక్క వాస్తవ అవసరాలను తెలియజేయవు, రాశారు జెరెమీ హారిస్, కెరీర్ మెంటర్‌షిప్ ప్లాట్‌ఫాం షార్పెస్ట్ మైండ్స్ వ్యవస్థాపకుడు.
దీన్ని చాలా కఠినంగా నిర్వచించే ప్రయత్నాన్ని నేను సాధారణంగా వ్యతిరేకిస్తున్నాను, పాటిల్ అన్నారు. ముఖ్యమైన విషయం ఏమిటంటే, మీరు ప్రపంచంతో సంభాషించడానికి, దానిని అధ్యయనం చేయడానికి మరియు క్రొత్త విషయాలతో ముందుకు రావడానికి డేటాను ఎలా ఉపయోగిస్తున్నారు.
వాటిలో కొన్ని సెల్ఫ్ డ్రైవింగ్ కారు లేదా మీ వంటి కొత్త ఉత్పత్తులు వాతావరణ అనువర్తనం . ఇతరులు రుణాల నుండి ఆరోగ్య సంరక్షణ నిర్ణయాల వరకు ప్రతిదానికీ అంచనా వేయడానికి ప్రజలకు సహాయపడే డేటా విశ్లేషణలు. అన్ని రకాల డేటా శాస్త్రవేత్తలు ఉన్నారు.బహుశా టైటిల్ మనుగడలో ఉండవచ్చు మరియు అది వేరొకదానికి మారుతుంది. కానీ ఇక్కడ అత్యంత శక్తివంతమైన విషయం ఏమిటంటే, మనం వస్తువులను నిర్మించడానికి డేటాను నవల మార్గాల్లో ఉపయోగిస్తున్నాము.
