netweek - Πόσο περιζήτητοι είναι -τελικά- οι Data Scientists;

Παρασκευή, 6 Δεκεμβρίου 2019

ΔΙΑΦΗΜΙΣΗ

IT Industry

Πόσο περιζήτητοι είναι -τελικά- οι Data Scientists;

22 Δεκεμβρίου 2016 | 09:39 Γράφει η Ειρήνη  Γκίνη Topics: Big Data

Το 2011 ο data scientist είχε την «πιο sexy δουλειά του κόσμου». Όμως, όπως οτιδήποτε σχεδόν φέρει τον χαρακτηρισμό “sexy”, ο ρόλος του Data Scientist αποπνέει μια αύρα μυστηρίου. Τι ακριβώς κάνει ο data scientist στην επιχείρηση; Ποια είναι η αντίληψη για τον ρόλο στην Ελλάδα και το εξωτερικό; Και τι αξία μπορούν να προσδώσει στον οργανισμό;

To netweek συνομίλησε με τον Κώστα Περήφανο, Senior Data Scientist των Royal Mail και τον Rui Miguel Forte, Lead Data Scientist της Workable προκειμένου να αποσαφηνίσει τον ρόλο του data scientist και να διερευνήσει τις δυναμικές εξέλιξης του ρόλου, στο ευρύτερο επιχειρηματικό και οικονομικό πλαίσιο.

Data Scientist ή... “Data Scientist”;
Ερωτώμενοι για τον ορισμό του Data Scientist, τα δύο διακεκριμένα στελέχη ομονοούν: ο Data Scientist είναι αυτός ο οποίος καλείται να δώσει συγκεκριμένες λύσεις, σε συγκεκριμένα επιχειρησιακά προβλήματα, δουλεύοντας με μεγάλο όγκο δεδομένων. Ο Κ. Περήφανος επισημαίνει συχνά στη διάρκεια της κουβέντας ότι το data science σήμερα σχετίζεται, κατά κύριο λόγο, με machine learning, deep learning και artificial intelligence. Εντούτοις, οι αρμοδιότητες του ρόλου δεν είναι ξεκάθαρες ενώ το hype γύρω από τον “sexy data scientist” σαφώς έχει παίξει ρόλο σε αυτό. «Πολλοί οργανισμοί κάνουν rebranding παραδοσιακούς business intelligence ρόλους, οι οποίοι αφορούν σε ‘κλασσικό reporting’ ονοματίζοντάς τους σε data science. Ο λόγος είναι το buzz γύρω από το αντικείμενο: μια αγγελία με επικεφαλίδα “data scientist” είναι σαφώς πιο ελκυστική στους εν δυνάμει εργαζόμενους, κι έτσι ο οργανισμός προσελκύει περισσότερα βιογραφικά και πιο καλά προφίλ υποψηφίων» επισημαίνει ο Κ. Περήφανος. «Ο όρος του data science έχει μεγάλο εύρος, και όχι μόνο στην Ελλάδα. Ένα κομμάτι αφορά στο ‘καινούργιο business intelligence’, με τις εταιρείες να ζητούν στην ουσία έναν άνθρωπο με πιο ‘κλασσικές’ reporting αρμοδιότητες» επιβεβαιώνει και ο R.M. Forte, τονίζοντας ότι « ο data scientist που δεν αφορά σε business intelligence δεν εντάσσεται κατ’ ανάγκη στο IT: μπορεί να εισέλθει στην ομάδα του marketing ή να δουλέψει δίπλα σε έναν project manager».

Τι προσόντα πρέπει να έχει ένας data scientist, ο οποίος θα απασχοληθεί σε αντικείμενα πέρα από το business intelligence; «Το κοινό υπόβαθρο είναι στατιστική, κώδικας και κατανόηση του business. Απλά, ανάλογα με τον κλάδο, τα προσόντα που απαιτούνται ποικίλουν: Για παράδειγμα, μια logistics εταιρεία μπορεί να χρειάζεται γνώση αλγόριθμων για βελτιστοποίηση διαδρομών, ένα e-commerce να θεωρεί αυτονόητη τη γνώση γύρω από recommendation engines, ενώ στα start-ups ζητούν artificial intelligence και deep learning. Οι περισσότεροι data scientists αποκτούν τα πρόσθετα skills στην πορεία τους ή εντάσσονται σε μία ομάδα, επειδή θεωρούνται συμβατοί με αυτή, και ο οργανισμός τους εκπαιδεύει στην πορεία, επενδύοντας πάνω τους. Δίχως αμφιβολία, δεν έχουν όλα τα άτομα τα ίδια skills. Στην ομάδα μου συμμετέχουν άτομα με Phd στη φυσική και προϋπηρεσία στο CERN: Υπό αυτό το πρίσμα, χωρίς να έχουν ιδιαίτερη εμπειρία σε τεχνητή νοημοσύνη και μηχανική μάθηση, έχουν εξαιρετική ικανότητα ανάλυσης σε τεράστιο όγκο δεδομένων, κάτι που είναι σύνηθες σε περίπλοκα, μεγάλης κλίμακας πειράματα φυσικής» αναφέρει ο Κ. Περήφανος. Τη δυναμική της ομάδας αναδεικνύει ο R.M. Forte τονίζοντας ότι «είναι μη ρεαλιστικό να πιστεύεις ότι ένα μόνο άτομο είναι σε θέση να καλύψει ολόκληρο το φάσμα του data science, και να είναι ταυτόχρονα Type A Data Scientist (θεωρητική γνώση, ανάλυση, machine learning) και Type B Data Scientist (προγραμματισμός και υλοποίηση μοντέλων) και συνάμα να κατανοεί και το business. Αντίθετα, η καινοτομία συνήθως προέρχεται από καλά ισορροπημένες ομάδες data science, που διαθέτουν προγραμματιστές που είναι καλοί στο software engineering, και άτομα με καλό υπόβαθρο στη στατιστική και ανθρώπους που κατανοούν πολύ καλά τις τεχνολογίες, το πώς αυτές κλιμακώνονται και καλύπτουν κι άλλες ανάγκες και τομείς κ.ο.κ. Δεν πρέπει να έχετε κάποια αμφιβολία πως το data science αποτελεί ομαδικό σπορ. Τουλάχιστον, υπό αυτή την έκφανση μπορεί να είναι αποτελεσματική όσο και αποδοτική, προσθέτοντας αξία σε μια επιχείρηση ή έναν οργανισμό».

Αυτούς τους data scientists ποιος θα τους πάρει;
Ποιες εταιρείες και ποιοι κλάδοι επενδύουν σήμερα στο data science; Σε αυτό το πεδίο, η ελληνική αγορά παρουσιάζει διαφορετική εικόνα σε σχέση με το εξωτερικό. «Ποιοι προσλαμβάνουν data scientists στο Λονδίνο; Όλοι! Αυτό προκύπτει λόγω buzz γύρω από το αντικείμενο, επειδή όλοι ενδιαφέρονται να ανακαλύψουν τις νέες τεχνολογίες, αλλά και λόγω ανταγωνισμού. Εάν μια εταιρεία προσλάβει data scientists, θα το κάνει και ο ανταγωνιστής του, επειδή θεωρεί ότι, διαφορετικά, θα χάσει σε όρους στρατηγικού πλεονεκτήματος», αναφέρει ο Κ. Περήφανος.

To netweek συνομίλησε με τον Κώστα Περήφανο, Senior Data Scientist των Royal Mail και τον Rui Miguel Forte, Lead Data Scientist της Workable προκειμένου να αποσαφηνίσει τον ρόλο του data scientist και να διερευνήσει τις δυναμικές εξέλιξης του ρόλου, στο ευρύτερο επιχειρηματικό και οικονομικό πλαίσιο.

Data Scientist ή... “Data Scientist”;
Ερωτώμενοι για τον ορισμό του Data Scientist, τα δύο διακεκριμένα στελέχη ομονοούν: ο Data Scientist είναι αυτός ο οποίος καλείται να δώσει συγκεκριμένες λύσεις, σε συγκεκριμένα επιχειρησιακά προβλήματα, δουλεύοντας με μεγάλο όγκο δεδομένων. Ο Κ. Περήφανος επισημαίνει συχνά στη διάρκεια της κουβέντας ότι το data science σήμερα σχετίζεται, κατά κύριο λόγο, με machine learning, deep learning και artificial intelligence. Εντούτοις, οι αρμοδιότητες του ρόλου δεν είναι ξεκάθαρες ενώ το hype γύρω από τον “sexy data scientist” σαφώς έχει παίξει ρόλο σε αυτό. «Πολλοί οργανισμοί κάνουν rebranding παραδοσιακούς business intelligence ρόλους, οι οποίοι αφορούν σε ‘κλασσικό reporting’ ονοματίζοντάς τους σε data science. Ο λόγος είναι το buzz γύρω από το αντικείμενο: μια αγγελία με επικεφαλίδα “data scientist” είναι σαφώς πιο ελκυστική στους εν δυνάμει εργαζόμενους, κι έτσι ο οργανισμός προσελκύει περισσότερα βιογραφικά και πιο καλά προφίλ υποψηφίων» επισημαίνει ο Κ. Περήφανος. «Ο όρος του data science έχει μεγάλο εύρος, και όχι μόνο στην Ελλάδα. Ένα κομμάτι αφορά στο ‘καινούργιο business intelligence’, με τις εταιρείες να ζητούν στην ουσία έναν άνθρωπο με πιο ‘κλασσικές’ reporting αρμοδιότητες» επιβεβαιώνει και ο R.M. Forte, τονίζοντας ότι « ο data scientist που δεν αφορά σε business intelligence δεν εντάσσεται κατ’ ανάγκη στο IT: μπορεί να εισέλθει στην ομάδα του marketing ή να δουλέψει δίπλα σε έναν project manager».

Τι προσόντα πρέπει να έχει ένας data scientist, ο οποίος θα απασχοληθεί σε αντικείμενα πέρα από το business intelligence; «Το κοινό υπόβαθρο είναι στατιστική, κώδικας και κατανόηση του business. Απλά, ανάλογα με τον κλάδο, τα προσόντα που απαιτούνται ποικίλουν: Για παράδειγμα, μια logistics εταιρεία μπορεί να χρειάζεται γνώση αλγόριθμων για βελτιστοποίηση διαδρομών, ένα e-commerce να θεωρεί αυτονόητη τη γνώση γύρω από recommendation engines, ενώ στα start-ups ζητούν artificial intelligence και deep learning. Οι περισσότεροι data scientists αποκτούν τα πρόσθετα skills στην πορεία τους ή εντάσσονται σε μία ομάδα, επειδή θεωρούνται συμβατοί με αυτή, και ο οργανισμός τους εκπαιδεύει στην πορεία, επενδύοντας πάνω τους. Δίχως αμφιβολία, δεν έχουν όλα τα άτομα τα ίδια skills. Στην ομάδα μου συμμετέχουν άτομα με Phd στη φυσική και προϋπηρεσία στο CERN: Υπό αυτό το πρίσμα, χωρίς να έχουν ιδιαίτερη εμπειρία σε τεχνητή νοημοσύνη και μηχανική μάθηση, έχουν εξαιρετική ικανότητα ανάλυσης σε τεράστιο όγκο δεδομένων, κάτι που είναι σύνηθες σε περίπλοκα, μεγάλης κλίμακας πειράματα φυσικής» αναφέρει ο Κ. Περήφανος. Τη δυναμική της ομάδας αναδεικνύει ο R.M. Forte τονίζοντας ότι «είναι μη ρεαλιστικό να πιστεύεις ότι ένα μόνο άτομο είναι σε θέση να καλύψει ολόκληρο το φάσμα του data science, και να είναι ταυτόχρονα Type A Data Scientist (θεωρητική γνώση, ανάλυση, machine learning) και Type B Data Scientist (προγραμματισμός και υλοποίηση μοντέλων) και συνάμα να κατανοεί και το business. Αντίθετα, η καινοτομία συνήθως προέρχεται από καλά ισορροπημένες ομάδες data science, που διαθέτουν προγραμματιστές που είναι καλοί στο software engineering, και άτομα με καλό υπόβαθρο στη στατιστική και ανθρώπους που κατανοούν πολύ καλά τις τεχνολογίες, το πώς αυτές κλιμακώνονται και καλύπτουν κι άλλες ανάγκες και τομείς κ.ο.κ. Δεν πρέπει να έχετε κάποια αμφιβολία πως το data science αποτελεί ομαδικό σπορ. Τουλάχιστον, υπό αυτή την έκφανση μπορεί να είναι αποτελεσματική όσο και αποδοτική, προσθέτοντας αξία σε μια επιχείρηση ή έναν οργανισμό».

Αυτούς τους data scientists ποιος θα τους πάρει;
Ποιες εταιρείες και ποιοι κλάδοι επενδύουν σήμερα στο data science; Σε αυτό το πεδίο, η ελληνική αγορά παρουσιάζει διαφορετική εικόνα σε σχέση με το εξωτερικό. «Ποιοι προσλαμβάνουν data scientists στο Λονδίνο; Όλοι! Αυτό προκύπτει λόγω buzz γύρω από το αντικείμενο, επειδή όλοι ενδιαφέρονται να ανακαλύψουν τις νέες τεχνολογίες, αλλά και λόγω ανταγωνισμού. Εάν μια εταιρεία προσλάβει data scientists, θα το κάνει και ο ανταγωνιστής του, επειδή θεωρεί ότι, διαφορετικά, θα χάσει σε όρους στρατηγικού πλεονεκτήματος», αναφέρει ο Κ. Περήφανος.


«Στην εγχώρια αγορά, οι δυνητικοί εργοδότες των data scientists είναι τα start-ups, τα οποία αξιοποιούν τα δεδομένα στη βάση του επιχειρηματικού μοντέλου τους για να σχεδιάσουν πρωτοποριακές λύσεις και προϊόντα, αλλά και οι συμβουλευτικές εταιρείες, οι οποίες, στο πλαίσιο δημιουργίας καινοτόμων λύσεων προς τους πελάτες τους, εντάσσουν data scientists στις ομάδες των αναλυτών τους» δηλώνει ο R.M. Forte, o οποίος, με την ιδιότητα και του βοηθού καθηγητή στο MSc. in Business Analytics του Οικονομικού Πανεπιστημίου Αθηνών επισημαίνει ότι «οι απόφοιτοι του μεταπτυχιακού έχουν δυνατότητες απασχόλησης σε μεγάλες συμβουλευτικές εταιρείες και οργανισμούς τεχνολογίας, χάρη στο πολύ καλό industry partnership του προγράμματος» (σημειώνεται ότι οι industry partner του μεταπτυχιακού είναι οι εταιρείες ΙΒΜ, SAS, EY και IRI) ενώ προσθέτει ότι «ένα λογικό βήμα για τους απόφοιτους είναι μια junior θέση data science, η κάλυψη θέσης business intelligence ή business analyst, και φυσικά μια start-up επιχείρηση».

Θα μπορούσαμε να κάνουμε την υπόθεση εργασίας ότι οι data scientists στην Ελλάδα θα... αργήσουν να βρουν τον δρόμο προς τις παραδοσιακές επιχειρήσεις; Ο R.M Forte επισημαίνει ότι «δεν είναι θέμα πρόθεσης, είναι πολλοί οι οργανισμοί που θα αποκόμιζαν σημαντικά οφέλη από τους data scientists. Κάθε εταιρεία παράγει αξιόλογο όγκο δεδομένων, τα οποία έχουν επιχειρηματική αξία. Επειδή, όμως, το αντικείμενο είναι -σχετικά- καινούργιο, μοιραία προκύπτουν σημαντικά, πρακτικά ζητήματα. Ποιος θα αξιολογήσει τους υποψήφιους data scientists, ποιος θα τους εκπαιδεύσει, ποιος θα τους επιβλέψει; Οι συμβουλευτικές εταιρείες μπορούν να δημιουργήσουν μια ομάδα η οποία θα αποτελείται από «κλασσικούς» αναλυτές και data scientists, ή να εκπαιδεύσουν τους αναλυτές ώστε να ενταχθούν στο αντικείμενο. Θεωρώ πως στην παρούσα φάση ενδεχομένως να αποδειχτεί περισσότερο φρόνιμο να προσφύγουν στις υπηρεσίες ενός consulting οργανισμού προκειμένου με τη σειρά του ο τελευταίος να δημιουργήσει μοντέλα επίλυσης επιχειρησιακών προκλήσεων, με βάση τα δεδομένα τους».

Ο Κ. Περήφανος εξηγεί ότι στο εξωτερικό, λόγω μεγάλης ζήτησης, o μέσος μισθός για έναν data scientist (εν προκειμένω στο Λονδίνο) φτάνει τις 70.000 λίρες ετησίως, κάτι που συνιστά τη δουλειά εξαιρετικά καλοπληρωμένη –«φυσικά, η εικόνα είναι διαφορετική σε έναν μεγάλο οργανισμό απ’ ότι σε ένα start-up» υπογραμμίζει ο ίδιος. Επισημαίνει ωστόσο οτι «το data science απαιτεί συγκεκριμένες υποδομές, διαδικασίες και τεχνολογίες, δεν εξαντλείται στην πρόσληψη data scientists. Και οι εταιρείες μπορεί να δυσκολευθούν να βρουν και να κρατήσουν data scientists, ιδιαίτερα εάν στην ουσία θέλουν BI ή δεν έχουν το κατάλληλο infrastructure: επειδή υπάρχει τεράστια ζήτηση, ενας ταλαντούχος data scientist θα βρει αλλού απασχόληση, εάν θεωρήσει ότι δεν έχει ευκαιρίες εξέλιξης του αντικειμένου του σε έναν οργανισμό. Σε αυτό το πλαίσιο, είναι επίσης πιθανό να βρει περισσότερες ευκαιρίες εξέλιξης σε ένα start-up, έστω και με λιγότερες απολαβές».

Ένα «ανθρώπινο κεφάλαιο» προς αξιοποίηση
Με την πείρα του ανθρώπου που ξεκίνησε από την Ελλάδα (και συγκεκριμένα από την εφημερίδα Ελευθεροτυπία) για να συνεχίσει τη σταδιοδρομία του ως data scientist στο εξωτερικό, ο Κ. Περήφανος υπογραμμίζει ότι «είχα την τύχη στην πορεία μου να συνεργαστώ με εξαιρετικούς επιστήμονες και μηχανικούς, ενώ στην Ελευθεροτυπία μου δόθηκε η ευκαιρία να τεστάρω διάφορες τεχνολογίες. Το γεγονός ότι στην Ελλάδα τα πράγματα είναι περιορισμένα εξαιτίας πρωτίστως της «προβληματικής» οικονομικής κατάστασης, καθώς επίσης και της περιορισμένης αγοραστικής ζήτησης, δεν αποτελεί κάποια καινούρια πραγματικότητα. Όταν, λοιπόν, τίθεται θέμα επιβίωσης της επιχείρησης σε μια σχετικά ‘κλειστή’ οικονομία, δεν μπορεί ένας προγραμματιστής ή ένας μηχανικός να πάρει μισθό αντίστοιχο του εξωτερικού και η πρόσληψη data scientists ενδεχομένως να μην αποτελεί προτεραιότητα για τον επιχειρηματία, ενώ δεν θα αποτελέσει έκπληξη εάν δεν βρίσκεται καν στον οπτικό του ορίζοντα».

To χάσμα ανάμεσα στις αγορές του εξωτερικού. Αναπόφευκτα, λοιπόν, και στην Ελλάδα έρχεται να «γεφυρώσει» το παντοδύναμο mobility και η νέα εργασιακή κουλτούρα που διαμορφώνεται: σύμφωνα και με τους δύο data scientists που ρωτήσαμε, οι έλληνες data scientists σήμερα μπορούν να βρουν δουλειά σε οργανισμούς του εξωτερικού χωρίς καν να χρειαστεί να μεταναστεύσουν! «Μόνο σπάνια δεν είναι η περίπτωση κατά την οποία ένας ταλαντούχος data scientist να δουλεύει από το σπίτι του, πηγαίνοντα μιας φορά τον μήνα εκεί που πρέπει να πάει» τονίζει ο Κ. Περήφανος.

«Εδώ και μερικά χρόνια οι μεγαλύτερες εταιρείες που δραστηριοποιούνται στον εν γένει κλάδο της τεχνολογίας και της πληροφορικής αλλάζουν την εργασιακή κουλτούρα, με βάση το mobility. Σε αυτό το πλαίσιο, το data science μπορεί να αποτελέσει ευκαιρία για την Ελλάδα καθώς θα μπορέσει να χρησιμοποιηθεί ως βάση για την εξαγωγή υπηρεσιών» δηλώνει ο R.M. Forte, βάζοντας και μια δεύτερη, εξόχως ενδιαφέρουσα διάσταση σχετικά με την απασχολησιμότητα των ελλήνων data scientist. «Η οικονομική πολιτική και η μακροοικονομική κατάσταση της χώρας επηρεάζει σημαντικά το ελληνικό data science, και αναφέρομαι στην ανάπτυξη των νεοφυών επιχειρήσεων. Οι start-ups εξ ορισμού επιδιώκουν τη δημιουργία καινοτομίας, άρα ο data scientist είναι ένας από τους πιο βασικούς ρόλους σε αυτές.

Πιστεύω ότι ο αριθμός των start-ups στην Ελλάδα θα αυξηθεί, καθώς εταιρείες όπως η Workable έχουν ήδη δώσει καλά δείγματα γραφής, κι έτσι θα δημιουργηθούν περισσότερες ευκαιρίες απασχόλησης για data scientists και στην Ελλάδα».

netweek (T. 399)
« 1 2 »
Έχετε άποψη;
Ο σχολιασμός των άρθρων προϋποθέτει την Είσοδο σας στο Netweek Online.
ΔΙΑΦΗΜΙΣΗ

Δείτε ακόμη...

Αυτοί που διάβασαν αυτό διάβασαν επίσης

Τα πιο δημοφιλή Topics

Οι πιο δημοφιλείς ειδήσεις σε αυτήν την ενότητα

Οι πιο δημοφιλείς ειδήσεις σε άλλες ενότητες

ΔΙΑΦΗΜΙΣΗ
ΔΙΑΦΗΜΙΣΗ

Συνεντεύξεις / Πρόσωπα

 
ΔΙΑΦΗΜΙΣΗ

Topics

Banking / Finance

International

Τηλεπικοινωνίες

Πολιτισμός / Ψυχαγωγία

e-government

Μουσική Βιομηχανία

Retail

Ευρωπαική Ένωση

Services

Ενέργεια / Περιβάλλον

©2019 Boussias Communications, all rights reserved. Κλεισθένους 338, 153 44 Γέρακας, info@boussias.com, Τ:210 6617777, F:210 6617778