Många vadar i data men inser att det inte räcker med att köpa in avancerade affärssystem och dataverktyg. För att utvinna verklig affärsnytta ur all data behövs människor. Men inte vem som helst.
Växande behov av dataanalys
Idag produceras över 2,5 kvintiljoner bytes data varje dag – en kvintiljon är en etta följd av 30 nollor. Enligt Towards Data Science förväntas varje person på planeten skapa 1,7 megabyte data varje sekund i genomsnitt.
CFO:er tror att förmågan att tolka och behandla data kommer att vara den mest värdefulla förmågan för deras yrke under de närmsta fem åren, enligt en undersökning beställd av Workday.
Det är ingen vild gissning att många av dem kommer att behöva datavetenskaplig hjälp med det. Och mycket riktigt: en undersökning av IBM förutspår att antalet eftersökta ”data scientists” 2020 kommer att kommer öka med 364 000 människor – till 2 720 000. De visste visserligen inte att världen skulle drabbas av en pandemi samma år, men det ser ändå ut att vara ett yrke i stark efterfrågan.
Vad gör en dataanalytiker?
Dataanalytiker har ofta många strängar på sin lyra: kunna navigera genom massiva datamängder, dra slutsatser och göra förutsägelser. För att göra det krävs starka kunskaper i statistik, matematik och ibland i maskininlärning och kodning.
När man säger data scientist brukar man mena någon som arbetar med datavetenskap, det vill säga inklusive big data, algoritmer, data mining och machine learning, något som inte gäller alla dataanalytiker.
Men vilka arbetsuppgifter pratar vi om? Det varierar naturligtvis stort, de här tillhör de vanligare:
- Få fram efterfrågad data och omvandla den till lätthanterliga och användbara format
- Göra statistiska tester, hypotesprövningar och A/B-tester
- Lösa affärsrelaterade problem och svara på affärskritiska frågor
- Leta efter och upptäcka mönster och trender i data, så kallad data mining eller datautvinning, och baserat på dessa formulera lämpliga åtgärder
- Prediktiv analys, som förenklat handlar om att beräkna sannolikheten för olika utfall baserat på stora datamängder, i allt större utsträckning med hjälp av maskininlärning.
Prediktiv analys är ett växande område, inte minst när det handlar om att med hjälp av algorimer förutse individuella kunders behov, preferenser och beteenden för att kunna optimera produkter, service och marknadsföring för dem.
Däremot automatiseras databearbetning i form av att hitta och mata in data i olika analysmodeller alltmer. Det finns skäl att tro att dataanalytiker i framtiden kommer att jobba mindre med själva informationen och fokusera mer på algoritmerna och vilka verktyg för maskininlärning som ska användas.
Hjärtat i data science kommer nog fortsatt att vara nyfiket utforskande, experimenterande och testande.
Vad ska en dataanalytiker tänka på?
En vanlig utmaning för dataanalytiker, som bland annat tas upp av Angela Zutavern, VD för Alix Partners, i Tech Republic, är att vara med genom hela projektet hela vägen och följa upp resultatet. En stark rekommendation till analytiker är att sätta sig in i företagets affärsmål och hur deras analys kan bidra.
För att addera så stort värde som möjligt är det också viktigt att samarbeta med flera delar av organisationen och, sist men verkligen inte minst, att kommunicera med företagets intressenter och ledning och förmedla sina insikter.
