NCI: s Dr Anu Sahni ger en inblick i de färdigheter som utvecklats och karriärmöjligheter som finns tillgängliga för kandidater för dataanalys.
I den snabba utvecklande tekniska världen är det viktigt att välja rätt akademisk väg för alla som strävar efter att göra ett märke inom dataanalys och artificiell intelligens (AI).
Uppfattningen att det finns och kommer att fortsätta att vara hög efterfrågan på jobb inom dataanalysen stöds allmänt av flera källor, inklusive Gartner, som uppgav 2023 att ”dataanalys, cybersäkerhet, digitalisering och talanghantering förblir högsta prioriteringar för chefer för chefsrevision ”. Medan Morgan McKinley Salary Guide 2024 rapporterade en stark tillväxt inom datavetenskap under det senaste året.
Forskning om uppskattad efterfrågan på kandidater med expertis inom området Data Analytics/Business Analytics indikerar att hög efterfrågan på sådana kandidater kommer att fortsätta växa. I BPFI Banking Banking -färdighetsrapporten 2023 var Data Analytics och AI viktiga stillbilder identifierade av respondenterna i finanssektorn, med cirka 20 st av Honors IKT -kandidater som hittade anställning i sektorn inom ett år efter examen.
Data Analytics-kandidater, särskilt de som har studerat på masternivå, kan utforska ett brett spektrum av jobb efter examen. Många studenter fortsätter att arbeta i roller som Data Analytics och Assurance Senior Associate, datateknikkonsult, data och CRM -analytiker och många andra.
Vilka färdigheter behöver jag?
Vanligtvis kräver dessa jobb att kandidater är skickliga i ett brett spektrum av färdigheter, inklusive statistisk programmeringsupplevelse i SAS, R, Python, maskininlärning – konstgjorda/djupa neurala nätverk, GPT, naturlig språkbehandling, LLMS, tidsserier, rekommendationssystem, Matematik, datavetenskap, statistik och datavetenskap, prediktiv modellering och klustertekniker, och det här är bara några exempel.
När de tittar framåt och överväger vilken väg som är rätt för dem, bör eleverna bli medvetna om de specifika färdigheter som vissa roller fokuserar på om de har en roll i åtanke, liksom att veta vilka färdigheter som vanligtvis används i olika positioner så att de som inte är Ganska så säker på vilken roll de vill exakt kan skapa en imponerande mängd överförbara sektorfärdigheter under sina studier.
Till exempel bör de som är intresserade av att bli en Natural Language Processing (NLP) ingenjör vara särskilt uppmärksam på konstgjorda neurala nätverk (ANN), djupa neurala nätverk (DNN), generativa förtränade transformatorer (GPT), Natural Language Processing (NLP) och Stora språkmodeller (LLM), som en av de viktigaste aspekterna av denna roll är att bygga applikationer som bearbetar och analyserar mänskligt språk. Några av projekten för studenter som är intresserade av denna roll inkluderar bland annat ämnesmodellering, sentimentanalys och sammanfattning av text.
De som är intresserade av att bli en data och CRM -analytiker bör ägna särskild uppmärksamhet åt CRM -plattformar som Salesforce, HubSpot eller Microsoft Dynamics som är viktiga för att hantera kunddata, ML -modeller för tidsserier och utveckla kunskaper i datavisualiseringsverktyg som Tableau eller Power BI som hjälper till att skapa insikter. Denna roll kräver en solid förståelse för kundsegmentering och marknadsföringsanalys. Och automatisering är avgörande för att optimera kampanjer, affärsstrategier och driva kundinsikter. Studenter som är intresserade av dessa roller kommer att dra nytta av till exempel projekt som inkluderar kundsegmentering med kluster, churn -förutsägelsemodell och försäljningsprognos med hjälp av tidsserieralys.
De som kanske inte har ett specifikt jobb i åtanke när de börjar studera bör inte oroa sig, eftersom många av dessa innovativa färdigheter är relevanta i många roller inom världen av dataanalys. Studenter med färdigheter som Python och R, som är väsentliga för datamanipulation och modellering, tillsammans med ett fast grepp om data mining, maskininlärning – både traditionell och ANN/DNN, statistisk analys, domänapplikation, datavisualiseringsverktyg och big data är i en mycket lycklig position eftersom dessa färdigheter kan tillämpas på olika sätt i många olika roller. Till exempel används dessa färdigheter av de som arbetar som dataanalytiker, produktanalytiker, datateknikkonsulter, prestanda och optimeringsledningar och datavetare.
Hur man förbereder sig för branschen
Medan de får lämpliga akademiska kvalifikationer är det också avgörande att studenter utvecklar överförbara färdigheter så att de efter examen är branschklara. De som får tillgång till den senaste tekniken bör utnyttja möjligheten att engagera sig i förstahandsupplevelser som speglar industrin kräver.
Att agera på idéer och vårda ambitioner är en oerhört betydande aspekt av att hedra färdigheter som omedelbart kommer att tillämpas på arbetsplatsen. Studenter bör välkomna möjligheter att delta i evenemang som gör det möjligt för dem att bedöma sina förmågor som utmaningar eller hackathons.
Studenter bör också ansluta sig till kamrater, mentorer och branschfolk när det är möjligt att kontinuerligt bygga ett nätverk som kommer att gynna dem professionellt.
Det är viktigt att inse kraften i samarbetet tidigt under studier. Att använda kunskap och tillämpa den på vardagliga arbetsinställningar är en färdighet som tar tid att behärska, varför akademiker bör sträcka sig utöver klassrummet. De som vill bedriva en karriär inom dataanalys bör vara beredda att sätta sig där ute och omfamna feedback när det är möjligt.
Denna blandning av att anpassa sig till branschbehov och utveckla praktiskt lärande gör det möjligt för elever att trivas i ett ständigt krävande karriärlandskap.
Av Dr Anu Sahni
Dr Anu Sahni är föreläsare och programchef för MSc i dataanalys inom datoranvändning vid National College of Ireland.
