DJ Patil, den første vitenskapsmannen i Det hvite hus under tidligere president Barack Obama.abin Botsford / The Washington Post via Getty Images Hvis du i det siste har fulgt den minste oppmerksomhet til arbeidsmarkedet, har du kanskje lagt merke til en rørende trend i ansettelsen i disse dager: hver rekrutterer, fra store selskaper og små startups, ønsker å fylle en stilling som heter datavitenskapsmann. Hvis du ser nærmere på det, er det sannsynlig at noen av vennene dine uten noen som helst vitenskapelig bakgrunn allerede har innhentet buzz og har ommerket deres profesjonelle selv som dataforskere på LinkedIn.
Begrepet data scientist, nesten uhørt for bare noen få år siden, returnerer nå over 25.000 resultater på Jobs Jobs-side - det er solide 2000 flere enn søkeresultatene til den universelt trendy finansanalytikeren (i det minste for oss New Yorkere).
Hvorfor den plutselige økningen av interesse? Og hva betyr det til og med, som i, hva gjør dataforskere? Jeg tok disse spørsmålene til personen som jeg skjønte er mest kvalifisert til å svare på dem: fyren som laget begrepet datavitenskapsmann.
DJ Patil, en tidligere LinkedIn-sjef (fra 2008 til 2011) som senere fungerte som Det hvite husets sjefdatavitenskapsmann under president Barack Obama, er kjent som den aller første datavitenskapsmann i USA. Hans regjeringsrolle ble opprettet som en del av en omfattende digitaliseringsinnsats innen administrasjonen ledet av Obama, men valg av ord som ble brukt for å beskrive denne rollen ble bestemt i løpet av hans dager på LinkedIn.
Jeg var på LinkedIn og bygde datateamet, og Jeff Hammerbacher [medstifter av Cloudera] var yrende på Facebooks datateam, og vi ville samarbeide og sammenligne notater noen ganger. En av tingene vi innså var at vi ikke visste hva vi skulle kalle oss selv, sa Patil i et intervju med Braganca i forrige måned.
Kaller du deg selv analytiker? Det føles for Wall Street. En forsker eller statistiker? Føles for akademisk, husket han. Men fordi jeg jobbet hos LinkedIn, testet jeg bare alle stillingstittlene vi kunne tenke oss for å se hvilken som ville få mest interesse av jobbsøkere. Det viser seg at alle ønsket å bli datavitenskapsmann, så vi er som, OK, det er det vi vil kalle oss selv.
Tittelen høres sofistikert ut og bare vag nok til å overskride næringer og bli tatt på alvor, selv av folk som ikke aner hva det er.
Jeg tror den grunnleggende grunnen til at den har tatt av, er fordi folk ikke er helt sikre på hva det betyr. Og det er kraften, sa Patil. Når du merker deg selv som noe, merker folk også det du ikke skal være. Så når du er i et rom og sier at du er en dataanalytiker, vil de tro at du ikke skal være på disse nivåene av møter. Men når du sier at du er datavitenskapsmann, vil de være som, takk og lov, vi har de smarte menneskene her.
Etterspørselen etter dataforskere skyldes delvis den enestående mengden data vi har samlet i internettalderen, noe som har drevet en boom av store datarelaterte jobber i forskjellige bransjer. Den sexy klingende jobbtittelen har gjort det enkelt for rekrutterere å legge ut jobbannonser og praktisk for arbeidssøkere å markedsføre seg selv. Men dens iboende tvetydighet har også hentet kritikk fra de som er forvirret om hva det egentlig betyr.
Clint Chegin, produktsjef på karrieresiden Indeed, uttrykte sin frustrasjon i et Middels innlegg med tittelen, There’s No Such Thing as a Data Scientist.
De aller fleste datavitenskapelige stillingsbeskrivelser overfører ikke de faktiske kravene til stillingen de annonserer, skrev Jeremie Harris, grunnlegger av karriereveiledningsplattformen SharpestMinds.
Jeg er generelt motstander av å prøve å definere det for strengt, sa Patil. Det viktige er hvordan du bruker data til å samhandle med verden, studere dem og prøve å komme med nye ting.
Noen av disse tingene er nye produkter, som en selvkjørende bil eller din vær-app . Andre er dataanalyser som brukes til å hjelpe mennesker med å vurdere for alt fra lån til beslutninger om helsevesenet, fortsatte han. Det er alle slags dataforskere.Kanskje overlever tittelen og kanskje blir den til noe annet. Men jeg tror det mektigste her er at vi bruker data på nye måter å bygge ting på.
