¿Cuáles son las habilidades valiosas necesarias para comenzar con Data Analytics?

Primero comprendamos qué es Data Analytics.

• ¿Qué es el análisis de datos?

La mayoría de la gente piensa que la ciencia de datos y el análisis de datos son similares. Pero hay una pequeña diferencia entre ellos. Obtendrá la diferencia si ve de forma concentrada. El análisis de datos es el nivel básico de la ciencia de datos. En los cálculos de análisis de datos realizados mediante SAS / R. En su mayoría tienen un título en negocios y ciencias de la computación.

Sus metodologías se utilizan principalmente en industrias comerciales. Para obtener decisiones empresariales más informadas por parte de investigadores y científicos. Verificar o rechazar los modelos científicos, hipótesis y teorías.

Es la ciencia de extraer ideas de fuentes de información en bruto. Revela las tendencias y las métricas. De lo contrario, los datos pueden perder en la masa de información. Utilizan la información para aumentar la eficiencia de un sistema empresarial.

Para verificar y refutar las teorías o modelos existentes, se utiliza Data Analytics. También se usa en muchas industrias para permitir que las organizaciones tomen mejores decisiones.

Veamos una infografía a continuación de IBM:

Ahora, veamos las habilidades más valiosas necesarias para convertirse en un analista de datos:

• Capacidad de análisis

Las habilidades analíticas son de gran importancia en el análisis de datos. Estas habilidades se refieren a la capacidad de recopilar, ver y analizar todas las formas de información en detalle.

También significan la capacidad de ver un desafío o una situación desde diferentes perspectivas.

• Visualización de datos

Tienes todos estos datos; ahora cómo lo traes a la vida. Su trabajo como analista de datos sería hacer informes evocadores, encontrar tendencias y comunicar estos hallazgos a los principales ejecutivos.

Las herramientas de visualización de datos para dominar son Tableau, MIcrosoft BI, etc. Si le gusta R, puede usar el paquete ggplot para crear cuadros y gráficos altamente interactivos.

• Conocimiento sólido de SQL

SQL, la segunda habilidad más solicitada, es un lenguaje de programación utilizado para recuperar información de una base de datos.

Algunas habilidades más valiosas son:

• Conocimiento sólido de R y Python
• Habilidades de comunicación y visualización de datos.
• Conocimiento profundo en habilidades de disputa de datos
• Conocimiento profundo de PIG, HIVE
• Matemáticas y habilidades estadísticas

Para saber más, consulte el siguiente enlace:

Habilidades necesarias para convertirse en un analista de datos

El “análisis de datos” podría contener un mar de problemas diferentes, y muchos tienen diferentes técnicas y habilidades que se necesitan para resolverlos. Pero afortunadamente, hay algo de estabilidad en lo que se espera de un candidato hoy en día, y voy a enumerar solo algunas habilidades en las que cualquiera, que sea un aspirante a analista de datos, debería trabajar duro para:

1. Matemáticas y estadísticas : debe tener un fuerte control sobre álgebra lineal, probabilidad y métodos de estadística aplicada. Las distribuciones y otras técnicas estadísticas descriptivas son importantes pero fáciles. Le ruego que aprenda más, como ANOVA, bloqueo, parcelas divididas, submuestreo, regresión lineal y logística, etc.
2. Habilidades de programación / software : Bueno, una gran cantidad de análisis de datos solía, y todavía es (no sé por qué), suceder en Excel. Definitivamente es una herramienta poderosa, pero ahora las herramientas gratuitas como R y Python son muy útiles. SAS también es bueno, pero creo que es costoso, a menos que su institución ya lo tenga instalado. Le recomiendo que busque en R & Python y comience con el idioma que elija. [R es excelente para estadísticas]
3. SQL : esto es extremadamente importante. Muchas organizaciones tienen bases de datos para almacenar sus grandes volúmenes de datos y para obtener y organizar esos datos de esa base de datos que necesita para aprender SQL. Recomiendo encarecidamente el curso ofrecido en Coursera por la Universidad de Duke: Gestión de Big Data con MySQL, ¡es genial! Depende de la organización elegir qué tipo de base de datos quieren usar, pero PostgreSQL y MySQL son ampliamente utilizados.
4. Habilidades de visualización : esto es muy importante ya que visualizar sus resultados se convierte en una forma vital de comunicación. R y Python tienen excelentes bibliotecas para hacer visualizaciones sorprendentes e interactivas. Sin embargo, esto no significa que no debas trabajar en tus propias habilidades de comunicación también.
5. Proyectos : si está aprendiendo solo, asegúrese de exponerse y hacer algunos proyectos también. Esto es esencial para mostrar el conocimiento práctico que posee también. Kaggle es un gran lugar para inspirarse en el trabajo de otras personas.
6. Aprendizaje automático : avance un paso más y conozca también los algoritmos de aprendizaje automático. Es muy útil tenerlos bajo la manga y si realmente estás interesado en estudiar Ciencia de Datos, ¡estos son obligatorios!

Realmente espero que esto ayude a responder tu pregunta. ¡Feliz aprendizaje!

Descargo de responsabilidad: soy cofundador de @GreyAtom y ayudo a talentos de ingeniería a encontrar carreras sostenibles en tecnologías emergentes.

El programa insignia altamente selectivo de GreyAtom tiene como objetivo orientar a los profesionales que trabajan y los más novedosos en el inicio de su carrera de ciencia de datos. Los estudiantes desarrollan proyectos sobre conjuntos de datos REALES y declaraciones de problemas proporcionadas por nuestra industria y socios de contratación. El programa se basa en el aula y está fuertemente orientado a la práctica. GreyAtom es un ecosistema donde los estudiantes pueden aprovechar lo mejor de la academia, profesionales de la industria y personas influyentes.

Algunos enlaces rápidos

• Programa – http://www.greyatom.com/full-sta …
• Chatee con un consejero académico : le invitamos a compartir todas sus dudas e inseguridades, a las que haremos todo lo posible para guiarlo hacia su camino profesional hacia el éxito. https://calendly.com/greyatom/co …
• Panel de discusión en GreyAtom – https://www.youtube.com/watch?v= … https://www.youtube.com/watch?v= …

Gracias por A2A.

Hoy en día, Data Science es tan popular. Para convertirse en un analista de datos o científico de datos, debe tener las siguientes habilidades:

1. Intuición de resolución de problemas.

Esta es la primera habilidad que es más importante para un científico de datos.

1. Conocimiento Estadístico (Matemáticas)

El software ejecuta todas las pruebas estadísticas necesarias en estos días, pero un científico de datos todavía tiene que tener la sensibilidad estadística para saber qué prueba ejecutar, cuándo y cómo interpretar los resultados. Y un científico de datos se ocupa de los datos históricos de una organización para obtener algunos resultados importantes después de aplicar algún tipo de estadística.

Por ejemplo, cómo mejorar los ingresos de una organización revisando datos históricos o aplicando datos científicos y estadísticas sobre datos históricos. Supongamos que una organización quiere saber que en qué mes deberían lanzar un producto significa que están buscando un momento perfecto en el que puedan obtener más atracción del cliente, por lo que al revisar datos históricos o aplicar algunas estadísticas, esto se puede lograr fácilmente.

Entonces las estadísticas tienen un papel importante en la ciencia de datos.

Y aparte de estos, también debe aprender sobre algunas herramientas de procesamiento de datos y herramientas de integración de datos y lenguajes de programación.

Ahora llegando a habilidades técnicas

Según yo, para un científico de datos debe tener un conocimiento profundo de algunos lenguajes de programación, herramientas de integración de datos y herramientas de visualización de datos.

En lenguajes de programación debes tener conocimiento de R y python. Y también debe tener conocimiento de las consultas SQL. Hoy en día, Tableau también es muy popular para el análisis de datos. Y si se trata de una gran cantidad de conjuntos de datos, debe tener experiencia con Hadoop.

Elegir una carrera adecuada y tener éxito en ella es una gran pregunta en el creciente mercado analítico actual, una de esas nuevas tendencias es la ciencia de datos.

La ciencia de datos implica una combinación de ciencias de la computación, matemáticas y observador de tendencias, su trabajo es descifrar grandes datos y hacer un análisis más profundo para impulsar la compañía con éxito.

La industria de nicho está en su apogeo y está pensando en desarrollar una Carrera en Ciencia de Datos, este es el momento adecuado para aprovecharla.

¿La educación que necesitas?

No podrá aprovechar una oportunidad hasta y, a menos que tenga conocimiento al respecto, para desarrollar una carrera en habilidades de ciencia de datos que necesite aprender.

• Matemáticas Aplicadas.
• Programación y comunicación.
• Capacidad para probar hipótesis.
• Lenguajes que incluyen Python, Hadoop, SQL, R, SPSS y tableau.

Además de las habilidades mencionadas anteriormente, debe tener un título en:

• Matemáticas / ciencia / investigación operativa / economía o en tecnología de la información.

Para ganar más en el campo de la ciencia de datos, puede optar por Ph.D. en un campo similar o puede obtener un curso en línea sobre ciencia de datos para construir más conocimiento.

Si es ingeniero de software, le resultará fácil activar la ciencia de datos, ya que la mayor parte del trabajo implica la programación y el análisis.

¿Dónde puedes postular?

Con un estimado de 190,000 escasez de científicos de datos solo en EE. UU., Muestra que elegir Carrera en Ciencia de Datos es uno de los derechos profesionales más lucrativos ahora .

Los campos que puede elegir son:

Arquitecto de datos:

Trabajan en estrecha colaboración con un usuario, desarrollador y diseñador de sistemas al crear un plan para que puedan integrar, mantener, centralizar y proteger las fuentes de datos.

Analista de inteligencia empresarial:

El trabajo del analista de inteligencia empresarial es analizar los datos y aclarar dónde se encuentra la empresa, también ayudan a descubrir las tendencias del mercado y del negocio.

Ingeniero de minería de datos:

El ingeniero de minería de datos también analiza los datos y crea un algoritmo para construir un análisis de datos adicional en el futuro.

Científico de datos:

Ayudan a traducir el caso de negocio en una agenda analítica al comprender los datos, desarrollar hipótesis y explorar patrones estadísticos para medir el impacto del mismo en los negocios.

También hacen un análisis para referencias futuras y explican qué datos afectarán a la compañía en el futuro y también para encontrar la solución para impulsar una compañía más.

Científico de datos sénior:

El científico de datos senior analiza más a fondo las necesidades futuras del negocio. Su tarea es resolver un problema empresarial altamente complejo de manera eficiente. Aunque tienen mucha más experiencia, sus habilidades ayudan a una empresa a impulsarlo aún más con nuevos estándares.

Ingeniero de datos:

El ingeniero de datos confía principalmente en tecnologías de software y tiene experiencia para manejar gran cantidad de datos de manera eficiente. Se centran más en la codificación, la implementación del formulario de solicitud científico de datos y en la limpieza del conjunto de datos.

Prácticamente cuando uno toma datos del científico de datos y los implementa en código, él / ella está desempeñando un papel de ingeniero de datos.

Salario:

Hablando del salario, uno que sigue su carrera en ciencia de datos, el científico de datos con el salario más bajo puede ganar 60,000 $ y más, y puede imaginarse una vez que estabilice una Carrera en Ciencia de Datos .

Data Science es una ciencia multifacética que tiene mucha aplicación. Esto definitivamente exige una base sólida. Las matemáticas, las estadísticas y la programación son los pilares del análisis de datos y la ciencia de datos. Por lo tanto, debe ser minucioso con estos temas. Su conocimiento y comodidad en estos temas desarrollará habilidades de programación y pensamiento estadístico. Básicamente, construirás una fuerte intuición de las cosas.

Ahora, la pregunta obvia aquí es “¿Qué aprender en estas materias? “Bueno, estos temas en sí mismos son tan vastos en sí mismos que no puedes estudiarlos en profundidad individualmente. Por lo tanto, te sugiero que sigas el principio de Pareto para aprenderlos. Debe estudiar solo el 20% de estas materias, que se utiliza el 80% del tiempo.

Entonces, enumeraré algunos temas imprescindibles con los que puede comenzar:

Estadística

• Variables aleatorias
• Distribuciones estadísticas
• Teoría de la probabilidad (Cálculo de MGF, CGF, media, mediana, modo, varianza Máxima probabilidad de expectativa, teoremas del límite central, ANOVA)
• Montaje de una distribución.
• Muestreo
• Prueba de una hipótesis.
• Modelado Bayesiano
• Regresión y series de tiempo

Programación

Ahora aquí, hay mucho debate sobre Python vs R. Ambos idiomas tienen sus propios pros y contras. Personalmente, recomendaría Python ya que es un lenguaje multipropósito general y tiene muchas bibliotecas de visualización como Bokeh, Seaborn y Pygal.

• Python intermedio para ciencia de datos
• Importar datos en Python
• Fundación Pandas
• Caja de herramientas de ciencia de datos de Python
• Bases de datos en Python
• Manipulación de marcos de datos con pandas
• Visualización de datos con Python
• Visualización interactiva de datos con Bokeh
• Análisis de red en Python
• Fusionar marcos de datos con pandas

Descargo de responsabilidad: soy cofundador de @GreyAtom y ayudo a talentos de ingeniería a encontrar carreras sostenibles en tecnologías emergentes.

El programa insignia altamente selectivo de GreyAtom tiene como objetivo orientar a los profesionales que trabajan y los más novedosos en el inicio de su carrera de ciencia de datos. Los estudiantes crearon proyectos a partir de conjuntos de datos REALES y declaraciones de problemas proporcionadas por nuestra industria y socios de contratación. El programa se basa en el aula y está fuertemente orientado a la práctica. GreyAtom es un ecosistema donde los estudiantes pueden aprovechar lo mejor de la academia, profesionales de la industria y personas influyentes.

Algunos enlaces rápidos

• Programa – http://www.greyatom.com/full-sta …
• Chatee con un consejero académico: le invitamos a compartir todas sus dudas e inseguridades, a las que haremos todo lo posible para guiarlo hacia su camino profesional hacia el éxito. https://calendly.com/greyatom/co …

Data Analytics es una combinación de varios aspectos. Hay varias cosas que debe saber para comenzar con Data Analytics,

1. Estadísticas: dado que es la ciencia de recopilar, analizar y hacer inferencias a partir de datos, lo necesitará más. Comience con lo básico.
2. Enfoque de los piratas informáticos: debe desarrollar una ‘mente de resolución de problemas’ o, como algunos de ellos dicen, enfoque de los piratas informáticos. Le ayudará a analizar y resolver problemas más fácilmente. Intenta resolver juegos mentales como el cubo de Rubik, te ayudará.
3. Lenguaje de programación: debe comenzar con un lenguaje de programación para implementar lo que ha aprendido teóricamente. Desde mi experiencia personal sugiero ‘programación R’. Después de descubrir todas las cosas sobre R, hay un paquete llamado SWIRL. Te ayudará a aprender todos los conceptos básicos de R.
4. Competiciones: no podrá ganar la competencia como principiante, pero al menos puede intentarlo para saber exactamente cómo implementar sus conocimientos. Kaggle (Your Home for Data Science) es uno de los mejores lugares para eso.
5. Blogs: encuentra blogs y lee todas las cosas importantes. 1) Ciencia de datos 101. 2) KDnuggets 3) Analytics Vidya
6. MOOC: intente tomar MOOC, ya que le asignarán tareas y podrá realizar las habilidades que desarrolló en tiempo real. Coursera y edX es el lugar para ir.

Espero que esto ayude 🙂

Feliz aprendizaje.

Hola,

Durante el año pasado, la ciencia de internet se ha disparado. El éxito como científico de datos requiere el dominio de una serie de habilidades tanto duras como blandas. Debe poder ejecutar una consulta de base de datos compleja, pero también interactuar cómodamente con usuarios y productores de datos en toda su organización. Es un poco difícil resumir todo el campo de la ciencia de datos en pocas habilidades (especialmente dado que el trabajo de “científico de datos” significa diferentes cosas en diferentes compañías), pero lo intentaré aquí. Estas cinco habilidades se ordenan aproximadamente de las “habilidades duras” a las “habilidades blandas”.

Programación

Este es quizás el conjunto más fundamental de habilidades de un científico de datos: el trabajo de un científico de datos se aplica mucho más que el de un estadístico tradicional. Que incluye la programación R, la programación SAS, Python, Hadoop, la base de datos SQL y los datos no estructurados.

Solución de problemas basada en datos

Un científico de datos necesita saber cómo abordar un problema de manera productiva. Esto significa identificar las características sobresalientes de una situación, descubrir cómo formular una pregunta que produzca la respuesta deseada, decidir qué aproximaciones tienen sentido y consultar a los compañeros de trabajo correctos en las coyunturas apropiadas del proceso analítico. Todo eso además de saber qué métodos de ciencia de datos aplicar al problema en cuestión.

Estadística / Matemáticas

El software ejecuta todas las pruebas estadísticas necesarias en estos días, pero un científico de datos todavía tiene que tener la sensibilidad estadística para saber qué prueba ejecutar, cuándo y cómo interpretar los resultados. Una sólida comprensión del cálculo de múltiples variables y el álgebra lineal, que forman la base de muchas técnicas de análisis de datos, permite a un científico de datos construir implementaciones internas de rutinas de análisis según sea necesario.

Análisis cuantitativo

El análisis cuantitativo es el corazón del conjunto de habilidades de un científico de datos. Gran parte de la ciencia de datos se trata de comprender el comportamiento de un sistema particularmente complejo mediante el análisis de los datos que produce, tanto de forma natural como a través de experimentos.

Intuición de producto

La intuición del producto como habilidad está vinculada a la capacidad de un científico de datos para realizar análisis cuantitativos en el sistema. El conocimiento del producto significa comprender el complejo sistema que genera todos los datos que analizan los científicos de datos.

Visualización

Las imágenes a menudo se comunican de manera más efectiva que los números o las palabras, por lo que corresponde a un científico de datos poder presentar los datos de una manera visualmente atractiva. Esto requiere que no solo domine las herramientas de visualización de datos, sino que también se familiarice con los principios de visualización de datos de manera efectiva.

Visión para los negocios

Para ser un científico de datos, necesitará una sólida comprensión de la industria en la que está trabajando y saber qué problemas comerciales está tratando de resolver su empresa. En términos de ciencia de datos, es fundamental poder discernir qué problemas son importantes de resolver para el negocio, además de identificar nuevas formas en que el negocio debería aprovechar sus datos.

Habilidades de comunicación

Las empresas que buscan un científico de datos sólido buscan a alguien que pueda traducir sus hallazgos técnicos de manera clara y fluida a un equipo no técnico, como los departamentos de Marketing o Ventas. Un científico de datos debe permitir que la empresa tome decisiones al armarlos con conocimientos cuantificados, además de comprender las necesidades de sus colegas no técnicos para poder analizar los datos de manera adecuada.

Trabajo en equipo

Esta última habilidad une al resto de las 4 habilidades. Un científico de datos en particular no puede existir de forma aislada y, por lo que he visto, funciona mejor cuando está profundamente integrado en el resto de la empresa (o al menos dentro de la organización de desarrollo de productos).

Imarticus ayuda a los aspirantes como usted a actualizarse y comenzar una carrera en el campo de la ciencia de datos.

Imarticus ayuda a los aspirantes como usted a actualizarse y comenzar una carrera como científico de datos.

Imarticus ofrece el Data Science Prodegree en colaboración con Genpact como socio de Knowledge. Este programa lo ayuda a comprender en profundidad el análisis de datos y las estadísticas, junto con las perspectivas comerciales y las prácticas de vanguardia que utilizan SAS, R, Python, Hive, Spark y Tableau.

Además de esto, el programa también proporciona asistencia de colocación del 100% para guiar y ayudar a navegar por amplias opciones de carrera y prepararlo para el trabajo desde el día 1.

Para obtener más información, no dude en visitar el sitio web de Imarticus ( https://imarticus.org/?id=Websit …) o también puede visitar uno de nuestros institutos en Mumbai, Chennai, Bangalore, Hyderabad y Delhi.

Espero que esto te ayude en tu proceso de toma de decisiones.

¡¡Gracias!!

Data Analytics o Data Scientist es un trabajo muy bueno y tendrá demanda en los próximos años. Tienes que aprender algunas habilidades específicas que generalmente son parte de Data Science. La siguiente habilidad que debes conocer te obliga a convertirte en un científico de datos o en un científico de datos.

1. Matemática Básica y Estadística
2. Lenguaje de programación (Python como se usa principalmente en muchas empresas de ciencia de datos)
3. Aprender estructuras de datos y algoritmos
4. Aprenda algoritmos de aprendizaje automático
5. Obtenga algunos conocimientos sobre las herramientas de visualización de datos como Qlik Sense, qlik view y tablea

Los siguientes son los enlaces de artículos relevantes que he proporcionado, que serán útiles para dar una visión general de las habilidades anteriores.

¿Qué habilidad se requiere para convertirse en un científico de datos? Obtenga la respuesta completa aquí

Tutorial de Python para el análisis de datos: una descripción completa

Las 5 mejores herramientas de visualización de datos para cada científico de datos

El trabajo de un analista de datos es tomar datos y usarlos para ayudar a las empresas, a tomar mejores decisiones comerciales. Hay muchos tipos diferentes de analistas de datos en el campo, incluidos analistas de operaciones, analistas de marketing, analistas financieros, etc.

• Almacenamiento de datos e inteligencia de negocios.
• Fuerte comprensión de la analítica basada en Hadoop (trabajo MapReduce, Hbase, Hive, Impala, Cascada)
• habilidades de aprendizaje automático (Mahout, bayesiano, agrupación)
• Exposición en profundidad de SQL y herramientas analíticas, de almacenamiento y recuperación de datos
• Perfecto con herramientas y componentes de arquitectura de datos.
• Competencia en la toma de decisiones.

Únase a Data Natives X India para conocer a los mejores científicos de datos del país y comprender cómo los datos están revolucionando los negocios en las principales empresas de la India.

Participa en la conversación.

DATOS NATIVOS X INDIA

Enlace de Facebook: Data Natives X India

No daría una respuesta técnica porque otros la han dado … mi respuesta es

La persona necesita tener sentido común.

La persona debe poder formular preguntas sobre cualquier cosa y todo …

porque en análisis se le darían muchos datos, pero tendría que encontrar razones de falta de rendimiento y encontrar formas de mejorar las pistas que se ocultan en los datos …

por ejemplo, alguien le pide que comprenda las tendencias diarias … y usted lo hace y puede que no encuentre nada allí porque podría haber ido un paso más abajo y tratar de encontrar la tendencia en el marco temporal de si es mañana, tarde o noche … los datos estar allí, pero necesita tener ojos para verlo … y usar todas las herramientas técnicas mencionadas en otras respuestas para sacar conclusiones …

El siguiente blog es solo para usted en Analytics Leap:

Analista de datos versus científico de datos. ¿En qué se diferencian?

También puede descargar el libro electrónico gratuito que ofrecen, ya que detalla muy bien cada uno de estos.

Mejor,

UNA