Svaret er ja! Data er særdeles aktuelt, og flere av oss begynner å skjønne hvordan data brukes, og hvordan vi samler informasjon fra verden rundt oss for å legge grunnlag for å utforme politikk så vel som marked. Prosessen som ligger bak analysen og utformingen av modellene av all denne dataen opptrer i hovedsak i to fagfelt som ofte overlapper: datavitenskap og dataanalyse.

Med den stadige veksten av data og behovet for både data scientists og dataanalytikere, så er det viktig å skjønne de helt grunnleggende forskjellene mellom de to disiplinene. Dette er ikke alltid like lett, fordi begge prøver i essensen å løse det samme problemet når det kommer til å bruke data for å gjøre samfunnet bedre og mer oversiktlig.

De beste ITlærerne tilgjengelig
Kristian
4,9
4,9 (9 Evaluering(er))
Kristian
150kr
/t
Gift icon
1. kurstime gratis!
Håvar
5
5 (4 Evaluering(er))
Håvar
599kr
/t
Gift icon
1. kurstime gratis!
Eric
Eric
230kr
/t
Gift icon
1. kurstime gratis!
Singh
5
5 (4 Evaluering(er))
Singh
250kr
/t
Gift icon
1. kurstime gratis!
Eirik
Eirik
200kr
/t
Gift icon
1. kurstime gratis!
Runar
5
5 (1 Evaluering(er))
Runar
350kr
/t
Gift icon
1. kurstime gratis!
Kristian
Kristian
300kr
/t
Gift icon
1. kurstime gratis!
Natasha
5
5 (1 Evaluering(er))
Natasha
250kr
/t
Gift icon
1. kurstime gratis!
Kristian
4,9
4,9 (9 Evaluering(er))
Kristian
150kr
/t
Gift icon
1. kurstime gratis!
Håvar
5
5 (4 Evaluering(er))
Håvar
599kr
/t
Gift icon
1. kurstime gratis!
Eric
Eric
230kr
/t
Gift icon
1. kurstime gratis!
Singh
5
5 (4 Evaluering(er))
Singh
250kr
/t
Gift icon
1. kurstime gratis!
Eirik
Eirik
200kr
/t
Gift icon
1. kurstime gratis!
Runar
5
5 (1 Evaluering(er))
Runar
350kr
/t
Gift icon
1. kurstime gratis!
Kristian
Kristian
300kr
/t
Gift icon
1. kurstime gratis!
Natasha
5
5 (1 Evaluering(er))
Natasha
250kr
/t
Gift icon
1. kurstime gratis!
Start nå

Hvordan definere en dataanalytiker

Det har vært en enorm økning i behovet av dataanalyse, noe som har ført til at flere har spesialisert seg innen faget, til det punktet hvor arbeidsmarkedet nærmest virker reservert for dem med utdannelse i feltet. Men analyse av data er ikke noe nytt. I Norge har Statistisk sentralbyrå samlet inn data om befolkingen siden 1876, og både børs og regnskapsføring har vi hatt befatning med i flere hundre år. Men feltet er dynamisk, og det innebærer en stadig oppdatert ekspertise i effektiv innsamling av data, tolkning av et bredt utvalg resultater, og evnen til å kunne presentere nøkkelinnsikter for sine oppdragsgivere.

For å i det hele tatt kunne definere rollen en analytiker har, er det viktig å forstå hvordan den enorme ekspansjonen av data som skal analyseres ikke ville ha vært mulig å håndtere uten de innovasjonen vi har hatt med god programvare, som Excel og Stata. Selv om dataanalyse har eksistert lenge, så har det fått større plass i offentligheten takket være forskning og økonomi. Der forskere bruker analytiske metoder for å prøve ut hypoteser, så kan økonomer og regnskapsførere bruke det til å analysere årlige, månedlige og kvartalsvise data. Dataanalyse har utvilsomt en vital rolle i alles liv.

Etter hvert som både offentlig og privat sektor begynte å ta i bruk digitale løsninger i slutten av forrige århundre, så fulgte det en nærmest eksplosiv innovasjon i statistikk og dataanalyse. Å analysere data er ikke lenger en ferdighet for de spesielt interesserte, implementering av statistikk kan man finne i alt fra skoler, matbutikker samt den enkelte husholdning. Å konsultere data for å ta strategiske avgjørelser basert på en vid informasjon om økonomi og folks vaner, kan gjøre det lettere å vurdere og forbedre alt fra industri til byråkrati og reklame. Statistikk og dataanalyse har med andre ord et enormt bruksområde!

Noen eksempler på jobber innen dataanalyse kan være:

  • Forretningsintelligens
  • Forretningsanalyse
  • Forskningsanalyse
  • Regnskap
Datavisualisering av koronasmitte.
Datavisualisering er et viktig verktøy for dataanalytikere og statistikere for å få dataene ut til folket på en forståelig måte. Særlig under koronapandemien har det vært mye brukt for å vise den pågående situasjonen på en oversiktlig måte. Bilde: Unsplash

Hvordan definere en data scientist

Datavitenskapen kommer fra samme sted som dataanalysen og statistikken, men den har for lengst tatt sin egen retning. Datavitenskap er definitivt et resultat av store fremskritt i teknologien. Et av de helt avgjørende eksemplene på datavitenskapens gryende rolle har vi fra USA, hvor IBM vant en kontrakt på å samle, organisere og digitalisere informasjonen som var samlet inn fra landets trygdede. Utviklingen av datasystemer har vært avgjørende for fremskrittene og den følgende spesialiseringen innenfor datavitenskap, og kan defineres som et produkt av både statistikk og informatikk. Følgelig vil aspirerende data scientists ofte lære om statistikk for å få grepet om viktige statistiske konsepter.

De viktigste oppgavene til en data scientist er i hovedsak å samle, vaske, lage modeller for og prosessere stordata. Denne dataen er stort sett en masse av ustrukturert informasjon fra en mengde kilder som omhandler alt fra bedrifter, banker og myndigheter. Innovasjoner i stordata kommer vanligvis fra utforming av ny programvare eller systemer som automatiserer mange prosesser og funksjoner, være det seg statistisk programvare eller kunstig intelligens i selvkjørende biler. Å jobbe med datavitenskap har mange fordeler, ikke bare for bransjene som gjør nytte av det, men også for samfunnet vi alle er en del av.

Der rollen til en dataanalytiker er å tolke statistikk for en stor variasjon av bransjer – forskning, forretning, kommunikasjon, og så videre, så dekker en data scientist felt som vedrører programmering og prosjektering. Noen av de vanligste stillingene for en data scientist kan være:

  • Bedriftsanalytiker
  • Systemanalytiker
  • Utvikler
  • Programmerer
  • Senioranalytiker
Programmering av data.
Programmering er en svært viktig del av datavitenskapen. Bilde: Unsplash

Helt konkrete forskjeller mellom en data scientist og en dataanalytiker

Når man kommer ut på arbeidsmarkedet som nyutdannet data scientist, så kan en del av de aktuelle utlysningene være til forvirring og frustrasjon. Det hjelper heller ikke at mange selskaper ikke skjønner at det er en forskjell mellom det du driver med og hva en dataanalytiker gjør. I tillegg finnes det en rekke spesialiseringer innenfor dataanalyse og datavitenskap, noe som ikke gjør jakten på din første jobb noe enklere i jungelen av utlysninger.

Å vite hvordan de forskjellige kvalifikasjonene skiller de to profesjonene fra hverandre er ikke minst viktig dersom du vurderer å utdanne deg innen et av de to fagfeltene. Å vite hvilke jobber som finnes der ute når du har fullført utdannelsen kan være en utløsende faktor når du skal velge hvilken disiplin du skal gå for.

Når du skal velge retning, er det lurt å ta de forskjellige ferdighetene som følger med i vurderingen. Hvor er det styrken din ligger? Hva er du interessert i? Er det matematikk, bedriftsanalyse eller informatikk som frister mest?

Det følgende skjemaet beskriver de vanligste ferdighetene som kreves av de forskjellige profesjonene, for å gjøre det mer oversiktlig for deg som fortsatt sitter på gjerdet:

 

Hvorfor er det viktig å vite forskjellen?

Avhengig av hvordan du bruker statistikk, så kan det være avgjørende å forstå forskjellen mellom datavitenskap og dataanalyse. Selv om mange gjerne blander de to feltene sammen, så er både formålene, lønnsnivået og rekrutteringsprosessene ganske forskjellige. Vurderer du selv en karriere innen en av profesjonene, er det i hvert fall viktig at du kan skille de to fra hverandre.

Stort sett er det et ganske adskilt og åpenbart hvilke studieprogrammer som baserer seg på hva. Men det er også en stor variasjon av spesialiseringer, noe som gjør det desto viktigere å finne ut hva du ønsker å satse på. For eksempel har matematisk statistikk ikke så mye å gjøre med datamodeller, men retter seg mer mot den teoretiske databehandlingen som ligger bak modellene.

Om du går inn for å studere matematisk statistikk, så kommer du ikke unna en viss innføring i datavitenskap på en eller annen måte, som går dypere inn i komplekse matematiske konsepter som lineær algebra, kalkulering og sannsynlighetsberegning. Spesialiserer du deg i datavitenskap rettet mot bedrifter, derimot, vil mye av fokuset rette seg mot forretningsvirksomhet og/eller kommunikasjon i kombinasjon med informatikk.

Å sortere hvilke oppgaver datavitenskapen og dataanalysen løser gjør det enklere for deg å velge retning ut fra egne interesser, og ikke minst hvilken spesialisering som passer best for deg. Når det kommer til arbeidsmarkedet, så kan det å forstå forskjellen mellom de to feltene være vel så viktig, men en god jobbannonse vil som oftest kunne skjelne mellom hvilken formell bakgrunn som er påkrevd, av disiplin så vel som spesialisering.

Men hvor skal du studere?

For den som rekrutterer dataanalytikere er det naturlig å søke etter noen med en bakgrunn i matematikk, statistikk eller med en høyere grad fra handelsskole med spesialisering i analyse. Ser man derimot etter en data scientist, er det naturlig å se etter noen med en grad i informatikk kombinert med statistikk. En stor andel av yrkesaktive data scientists har en mastergrad, mens dataanalytikere ofte ikke trenger mer enn en bachelorgrad for å være attraktive på arbeidsmarkedet.

Når du søker på jobb som dataanalytiker, burde du lese jobbannonser grundig for å forstå hvilke oppgaver og roller som matcher kvalifikasjonene dine. Ofte vil bedrifter uten særlig god erfaring med data oppgi en mengde generelle kvalifikasjoner. Det kan være greit nok når du er nyutdannet og trenger et sted å starte, mens det kanskje ikke er helt det en erfaren analytiker higer etter.

Skilt "for hire"
Om det er jobbsikkerhet du er ute etter, så er det å studere noe som har med data å gjøre et rimelig sikkert kort! Bilde: Unsplash

Det er stor konkurranse på arbeidsmarkedet for begge disipliner, men etterspørselen er samtidig enorm, og enten du har studert datavitenskap eller dataanalyse så er det stort sett mye å velge mellom, og mange blir til og med rekruttert under studiene. Noe av det viktigste når du skal ut på jobbjakt er å differensiere og spesifisere. Den ideelle jobbannonsen differensierer mellom de analytiske ferdighetene de trenger fra deg i samsvar med interessene dine, og enda bedre så presenterer den spesifiserte eksempler på hvilke arbeidsoppgaver du kan forvente i stillingen.

Kort sagt vil det å kunne konkretisere forskjellene mellom de to disiplinene gjøre en forskjell for deg, enten du vurderer en karriere innenfor en av dem, eller om du står på den andre siden og skal rekruttere. Å kunne tolke hvilke situasjoner som krever hva kan ikke minst gjøre det lettere å holde tritt med nye innovasjoner på begge felt. Utviklingen i datavitenskap har ikke alltid den samme sosio-politiske innfallsvinkelen som det den har i dataanalysen, men det er uansett viktig å holde seg oppdatert på hva som er hva når det kommer til data.

>

Plattformen som kobler privatlærere og elever

Første kurstime gratis

Likte du denne artikkelen? Vurder den!

5,00 (1 vurdering(er))
Loading...

Jorun

Språkdame med forkjærlighet for rettskriving generelt, skjønnlitteratur, strikketøy og katter spesielt.