Data Science.
Kad god bih to ranije čula, pomislila bih na neku scenu iz futurističkog filma.
Danas je stvarnost drugačija, daleko zanimljivija.
Danas čak i bez fakultetske diplome (što je nekad bilo zaista nemoguće) možete napraviti ogroman skok u karijeri, i postatio dio ove revolucionarne industrije.
Ovaj post gledajte kao na vašu mapu do skrivenog blaga, jer ću vam pokazati kako da zakoračite u svijet nauke o podacima (u ovom tekstu koristiću engleski termin Data Science), uporediti ga sa drugim sličnim poslovima, i pružiti konkretne lako primjenljive korake ka uspjehu.
U ovom postu pročitaćete...
Zašto je Data Science karijera budućnosti?
Ako pripadate generaciji starijih milenijalaca, vjerovatno ćete se lako sjetiti vremena kada su banke i finansijske institucije oslanjale svoje poslovanje na ručne kalkulatore, papirne knjige i analogne metode vođenja evidencije. Prije samo nekoliko decenija, analitički rad je zahtijevao sate ručnog prebrojavanja, a greška u unosu podataka mogla je značiti velike probleme.
Danas se sve vrti oko digitalne pismenosti jer su softveri i automatizovani sistemi preuzeli su tu ulogu, transformišući način na koji radimo. Logično, u takvom okruženju Data Science se razvija brže nego što smo mogli da zamislimo.
Statistike pokazuju da plata Data Scientist-a može porasti za 30-50% u roku od nekoliko godina nakon prelaska u ovu oblast. I, što je najbolje – nema potrebe za fakultetskom diplomom (iako je ona veliki plus). Dovoljno je volje i prave strategije!
Statistika i trendovi
- Brz rast tržišta: Globalno tržište Data Science očekuje rast od 40% u narednih pet godina.
- Visoke plate: Prelazak u Data Science rezultira značajnim povećanjem prihoda, čak i bez formalnog obrazovanja.
- Raznovrsnost poslova: Od finansija, preko zdravstva, do maloprodaje – svaka industrija sada traži stručnjake za podatke
Data Science, Data Analytics i Machine Learning: koja je razlika?
Prije nego što zaronimo dublje u Data Science, hajde da pogledamo kako se ova tri zanimanja razlikuju. Ipak, danas nam je Data Science u centru pažnje.
OPŠTE RAZLIKE: Kombinacija statistike, programiranja i biznis uvida. Data Scientist ne samo da analizira podatke, već ih koristi da predvidi trendove i kreira nove poslovne strategije.
GLAVNI FOKUS: Integracija statistike, programiranja i biznis uvida
KLJUČNE VJEŠTINE: Statistika, Python/R, mašinsko učenje (Machine Learning), vizualizacija
OPŠTE RAZLIKE: Fokus na prikupljanju, čišćenju i interpretaciji podataka. Analitičari pomažu kompanijama da donesu informisane odluke, ali im često nedostaje dubina prediktivnih modela koje koristi Data Scientist.
GLAVNI FOKUS: Prikupljanje i analiza podataka radi donošenja odluka
KLJUČNE VJEŠTINE: SQL, Excel, vizualizacija podataka (Data Visualisation), poslovna inteligencija (Business Intelligence)
OPŠTE RAZLIKE: Primjena algoritama za automatizaciju i prediktivno modeliranje. Ova oblast je specifičnija i zahtijeva dublje razumijevanje matematičkih i statističkih modela.
GLAVNI FOKUS: Kreiranje modela za automatizaciju i prediktivne algoritme
KLJUČNE VJEŠTINE: Algoritmi, duboko učenje (deep learning), rad sa velikim skupovima podataka (Big Data)
Napomena: Iako su sva tri zanimanja izuzetno važna, Data Science dominira kao „game-changer“ u industriji – zato se danas fokusiramo na njega.
Kako uopšte ući u Data Science bez fakultetske diplome
KORAK #1: Pokušajte da savladate osnove
Prije nego što počnete da se bavite istraživanjem kurseva i obuka, važno je da postavite čvrste temelje ne samo u pogledu osnovne terminologije, već i kroz ličnu samoprocjenu.
Zašto je samospoznaja i samoprocjena važan segment?
Šta bi se desilo ako nakon godinu dana izučavanja ove oblasti i dosta uloženog novca u edukacije shvatite da se rad sa podacima ne odgovara vašim prirodnim sklonostima i talentima? Sigurno biste se osjećali demotivisano i promašeno.
Da se to ne bi desilo, istražite svoje afinitete i odradite adekvatne procjene. Na netu postoje mnogi testovi koji vam mogu pomoći u tome – od testova ličnosti, do testova sposobnosti. Naš favorit je NBI procjena koja gotovo nikad ne griješi kad su ove stvari u pitanju, i nakon koje ćete tačno znati da li vaš mozak prirodno gotivi brojke.
Još neki testovi koje možete da uradite su razni kognitivni testovi.
Sada, kad ste ustanovili da vam brojke “leže”, hajde da krenemo od osnovnih termina koje morate da znate:
Dataset: organizovan skup podataka koji se koristi za analizu i modeliranje. Obično sadrži podatke raspoređene u redove i kolone, što omogućava lakše procesuiranje i interpretaciju.
Algoritam: niz koraka ili pravila koja se koriste za rešavanje problema ili izvođenje određene operacije. U Data Science-u, algoritmi se primjenjuju za obradu podataka, kreiranje modela i donošenje odluka.
Machine Learning: podoblast vještačke inteligencije koje omogućava računarima da uče iz podataka i unapređuju se bez eksplicitnog programiranja. Kroz učenje na osnovu primjera, modeli mogu da prepoznaju obrasce i donose predviđanja.
Deep Learning: specijalizovana grana mašinskog učenja koja koristi višeslojne neuronske mreže za analizu složenih obrazaca u velikim skupovima podataka. Posebno je efikasan u prepoznavanju vizuelnih, zvučnih i jezičkih obrazaca.
Data Mining: proces otkrivanja skrivenih obrazaca i korelacija unutar velikih skupova podataka pomoću statističkih i tehnika mašinskog učenja. Cilj je pronaći korisne informacije koje mogu podržati donošenje poslovnih odluka.
Data Visualization: pretvaranje podataka u vizuelne prikaze, kao što su grafikoni, dijagrami i mape, kako bi se olakšalo razumijevanje kompleksnih informacija. Dobar vizuelni prikaz omogućava brzu interpretaciju podataka i identifikaciju ključnih trendova.
Predictive Modeling: koristi statističke tehnike i mašinsko učenje kako bi se kreirali modeli koji predviđaju buduće ishode na osnovu istorijskih podataka. Ovi modeli pomažu organizacijama da planiraju unaprijed i donose strateške odluke.
Feature Engineering: proces transformacije sirovih podataka u relevantne karakteristike (features) koje poboljšavaju performanse modela mašinskog učenja. Uključuje selekciju, modifikaciju i kreiranje novih varijabli koje bolje predstavljaju problem.
Supervised Learning: tehnika mašinskog učenja gdje model uči iz podataka koji su unapijred označeni sa ispravnim odgovorima. Cilj je da nauči pravilo koje može da se primijeni na nove, neoznačene podatke kako bi se predviđali rezultati.
Unsupervised Learning: pristup gdje model analizira podatke bez unaprijed definisanih oznaka ili ciljeva, tražeći skrivene strukture ili obrasce. Najčešće se koristi za klasterovanje ili redukciju dimenzionalnosti podataka.
Reinforcement Learning: tehnika mašinskog učenja gdje agent uči kroz interakciju sa okolinom, dobijajući nagrade ili kazne na osnovu svojih akcija. Cilj je da agent razvije optimalnu strategiju koja maksimizira ukupnu nagradu kroz vrijeme.
KORAK #2: Pohađajte provjerene, sertifikovane obuke
Super je što ste kupili kurs na Udemy, to je dobro da se odnekud krene. Ali, ako mislite da će posle tog kursa poslodavci da se lome oko vas – žao mi je, ali neće.
Udemy, Coursera i slične platforme su kao brza hrana. Vama treba fine dining restoran.
Istražite sertifikovane obuke koje nude i mogućnost rada 1-na-1 ili grupnog mentoringa, kao i one koje kao outcome (odnosno rezultat) imaju i neki mini projekat. Inače, mi smo trenutno u pregovorima oko jedne sertifikacije, pa ako ste stigli dovde možda ne bi bilo loše da se stavite na listu čekanja i javimo vam kad se sve realizuje. Upišite se OVDJE. Inače sertifikaciju će sprovoditi akreditovana internacionalna ustanova, i biće na engleskom jeziku.
U međuvremenu, dok ne pronađete idealnu obuku za sebe, naučite Python ili R – ključne alate svakog Data Scientist-a.
Postoje besplatni tutorijali, evo nekoliko koje sam pronašla (neki traju i do 6h!):
Svaka nova linija koda približava vas cilju, ali ćete uz to morati da uložite vrijeme i savladate neke osnovne koncepte statistike. Da se razumijemo – ne morate postati matematički genije, ali razumijevanje osnovnih principa može biti presudno. Osim toga, savremene kompanije testiraju kognitivne sposobnosti kandidata, među kojima i numeričke, a one su dosta prediktivne i pomažu nam da procijenimo i kako će osoba mjeriti rezultate svog rada, koliko će biti precizna, kakav joj je fokus na neke posebne zadatke, itd.
Uz to, alati za vizuelizaciju poput Tableau ili Power BI pomoći će vam da podatke pretvorite u priče – a svaka dobra priča pogađa pravo u srce publike (i regrutera).
KORAK #3 Učite kroz praktične projekte
Osoba sa iskustvom u nekom polju vrijedi više nego 3 osobe sa sertifikatom najistaknutijih svjetskih institucija! Prevažno je da sve što naučite primijenite u praksi, i iako vam u školi to niko nije rekao – realni svijet očekuje da se sami snalazite.
Postoji više načina na koji ovo možete da postignete, i najlakše je da krenete sa volonterskim radom, mini projektom ili radite sa mentorom. Ovaj treći oblik zahtijeva najveću investiciju, ali donosi najbolje rezultate jer ćete od mentora naučiti stvari koje inače ne biste na drugi način, pa ćete biti korak ispred drugih.
Zamislite da na intervjuu za posao postave neko tehničko pitanje a vi im tačno odgovorite, i još dodate da ste to naučili kroz rad sa mentorom! Pa recite mi – ko ne bi poželio da zaposli osobu koja ulaže u svoje znanje i pritom ima mentora?
Počnite sa jednostavnim mini projektima odmah nakon završenog kursa, obuke ili sertifikacije. To može biti analiza javno dostupnih datasetova, ili kreiranje osnovnih vizualizacija podataka. Probajte da primijenite neke jednostavne mašinske modele i tako osnažite svoj portfolio. Pođite kod prijatelja koji ima neku svoju firmu. Pitajte da li mu treba pomoć u vidu honorarnog angažmana. S obzirom da ste početnik, nemojte bježati ni od volonterskog rada – ali postavite jasne granice: Uradiću to i to, do tad i tad, i zauzvrat očekujem to i to.
KORAK 4#: Ništa bez jake mreže kontakata
Najlakši način da uđete na neko novo tržište jeste da budete svima top-of-mind, odnosno čim neko u društvu pomene “Data Science” da svi ostali kažu “aha, znam ja jednog lika, neki Petar, on se tim bavi…”
Petar je top-of-mind, ne zato što sjedi kući i uči o Data Science, već zato što svima priča o tome. Ima mrežu ljudi oko sebe, ali i komentariše postove na LinkedIn-u.
Učlanjen je u svaku grupu koja se bavi tom temom, i nema šanse da mu promakne neki novi trend. Aktivno učestvuje u diskusijama, i ostavlja smislene komentare na postove koje pišu eksperti iz te oblasti. Ne stidi se da ih pita.
Ide na sve meetup-ove gdje se skupljaju istomišljenici i prikuplja vrijedne kontakte potencijalnih saradnika i mentora.
Objavljuje svake sedmice na LinkedIn-u neki novi post u vezi sa svojom sferom interesovanja, i smisleno dodaje u svoju mrežu donosioce odluka u kompanijama sa svoje liste.
Inače, ako vam je promaklo, pisala sam o tim listama u blogu “Strategije za traženje posla o kojima niko ne priča”. Bilo bi dobro da ga čekirate.
Kako izgleda jedan radni dan na ovoj poziciji?
Ovo ćete najviše voljeti!
Jedna od najuzbudljivijih prednosti Data Science karijere jeste mogućnost rada od kuće – ili bilo kog mjesta na svijetu. Evo nekoliko ideja i savjeta kako da iskoristite ovu priliku:
Prednosti rada na daljinu
Kao Data Scientist, često imate slobodu da sami organizujete svoje radno vrijeme. To znači da možete uskladiti radne obaveze sa ličnim životom – više vremena za porodicu, hobije ili čak dodatno učenje. Ipak budite oprezni jer fleksibilnost polako postaje mač sa dvije oštrice!
Ako vam je radno vrijeme fleksibilno, to ne znači da ćete uvijek moći da spavate preko dana a da radite uveče. Postoji tim ljudi koji voli da je aktivan od 9-5 pa u cilju dobre saradnje od vas će se očekivati da budete dostupni u tom periodu.
Rad od kuće znači da možete da zaboravite na svakodnevne gužve u javnom prevozu ili troškove goriva. Rad od kuće znači više novca u vašem džepu, a manje stresa na putu do kancelarije. To takođe znači doručak i ručak kod kuće, ali i često preskakanje popodnevne kafe sa prijateljima, pa posle nekog vremena možete osjetiti kao da vam fali društveni život. Imamo savjete i za to, nastavite da čitate 🙂
Mnoge kompanije sada prihvataju rad od kuće, što znači da se možete prijavljivati za poslove širom svijeta, bez obzira gde živite. To otvara vrata međunarodnim projektima i saradnjama, koje kasnije utiču na vašu reputaciju a Bogami i platu!
Kako organizovati rad od kuće?
Kreirajte udoban i funkcionalan radni kutak – neka to bude vaša “mala kancelarija” koja inspiriše na produktivnost. Idealno je da to ne bude vaša spavaća soba, ali Bože moj…
Uložite u dobru stolicu, radnu stanicu i sve potrebne tehničke alate. Predlažem i onaj sto sa podesivom visinom, za trenutke kada će vam prijati da stojite. Neki ljudi koje znam koriste i traku za hodanje/trčanje, i obično je koriste za vrijeme brainstorminga, slušanja tutorijala i slično.
Imam čak i klijenta koji trči dok sastančimo. Cool.
Struktuirajte svoj dan. Postavite jasne radne i pauze termine.
Ako osjetite da niste efikasni, probajte tehniku “Pomodoro” kako biste se fokusirali u intervalima, a zatim se odmorili – to pomaže da ostanete produktivni, a istovremeno odmoreni. Ovo je moja omiljena tehnika kad god osjetim da mi treba fokus: upalim pomofocus i radim u intervalima od 25 min, pa 5 min pauza za vodu, telefon, kafu, toalet.
Lično volim i da blokiram termine u svom Google kalendaru, gdje uvijek imam različite boje za različite kategorije taskova. Ovim planiranjem se bavim vikendom, iako tokom tekuće sedmice počnem već polako da popunjavam termine za narednu. Ovo mi pomaže da ujutru ne lutam od zadatka do zadatka već da jasno znam šta mi je “na tanjiru” tog dana.
Primjer mog kalendara: žuto su lične obaveze, plavo intervjui i radionice, svijetlo roza rad sa koučing klijentima, tamno roza zaostale obaveze iz prethodnih dana, zeleno marketing i pisanje, sivo interni sastanci
Koristite alate poput Slack-a, Zoom-a ili Microsoft Teams-a za komunikaciju sa kolegama, zajednicama i mentorima. Redovni online sastanci održavaju timsku koheziju i pomažu vam da se osjećate kao dio veće zajednice, čak i kada radite od kuće.
Koristite Asanu, Trello, Notion ili ClickUp da organizujete svoje projekte. Ako ste početnik možda će vam trebati poneki tutorijal da sve ovo dovedete u red (posebno kad je u pitanju Notion jer je toliko fleksibilan da se lako izgubite), ali jednom kad to uradite nema više lutanja. Sve će biti na jednom mjestu, pregledno, jasno, dostupno.
Rad od kuće može ponekad dovesti do toga da se previše udubite u posao. Postavite granice – isključite poslovne notifikacije nakon radnog vremena i posvetite se ličnim interesovanjima. Vaš mentalni balans je ključan za dugoročan uspjeh. Zato je najbolje da, iako imate fleksibilno radno vrijeme, sebi postavite neke okvirne sate u toku kojih ćete raditi.
Koliko se kreću zarade Data Scientist-a?
U zavisnosti od godina iskustva i stručnosti, ova zarada može da varira ali je svakako mnogo iznad prosječne. Takođe, lokacija na kojoj se nalazite može da diktira platu.
Evo kako se na osnovu istraživanja koje je sprovela Coursera kreće godišnja zarada za ovu poziciju:
To dođe od 8k do 10k USD mjesečno. Veoma primamljive cifre, rekla bih.
Vrijedi li pokušati?
To vidite sami 🙂
Da rezimiramo…
Promjena karijere ka Data Science počinje sa jednim malim, ali odlučujućim korakom. Ako ste spremni da se upustite u avanturu i otvorite nova vrata, sada je pravo vrijeme da preduzmete akciju. Znate već da formalna diploma nije uslov, već su to prije vaša strast, upornost i praktično iskustvo!
Ako ste se prepoznali i želite da saznate više o praktičnom i sveobuhvatnom putu ka Data Science karijeri – koja uključuje i mogućnosti rada od kuće – upišite se na listu čekanja za sertifikaciju o kojoj sam vam pričala. Čim budemo spremni da podjelimo sve detalje, bićete među prvima koji će saznati sve o ovoj nevjerovatnoj prilici.
Kliknite ovdje da se prijavite.
Čitamo se u nekom narednom blogu, a do tada glavu gore – bolje karijere dolaze!
