Nhiều lập trình, có lẽ trong số đó có cả bạn sẽ lầm tưởng rằng business intelligence và data science không có nhiều sự khác biệt. Nhưng thực tế, chúng không giống nhau như chúng ta đã từng nghĩ. Vậy hãy cùng tìm hiểu sự khác nhau giữa business intelligence và data science với những kinh nghiệm tôi sẽ chia sẻ trong quá trình làm việc của mình.
1. Hành trình làm công việc business intelligence
Sau khi làm việc như một doanh nhân thông minh trong 10 tháng, đây là một số kinh nghiệm tôi muốn chia sẻ. Nếu bạn vẫn còn là sinh viên, hoặc mới tốt nghiệp, hoặc vẫn đang cân nhắc chuyển nghề nghiệp của mình sang kinh doanh thông minh, tôi hy vọng bạn sẽ sử dụng dữ liệu này qua quá khứ trước khi đưa ra quyết định cuối cùng.
Trước khi tôi bắt đầu, chỉ để cung cấp một số nền tảng của tôi, tôi đã làm việc tại Shopee với tư cách là một business intelligence địa phương. Vì vậy, tôi chịu trách nhiệm cung cấp các báo cáo về thị trường địa phương. Bên cạnh đó, trách nhiệm chính của tôi không chỉ bao gồm thu thập dữ liệu quy mô lớn các trang web để thực hiện phân tích đối thủ cạnh tranh mà còn xây dựng các mô hình học máy để giúp công ty tiết kiệm chi phí vận hành.
Từ những gì bạn nhận thấy ở trên, vị trí này là tất cả về kinh doanh. Mỗi ngày, tôi sẽ nhận được nhiều yêu cầu từ các nhóm nội bộ khác để thực hiện các phân tích nhất định. Tôi sẽ cần liên lạc với họ, cho họ lời khuyên về cách thực hiện loại phân tích này để nó không bị lãng phí. Để lấy lại dữ liệu tôi cần, tôi sẽ cần phải viết rất nhiều truy vấn SQL.
Đây là ba điểm tôi muốn ra cho vị trí này:
Rất nhiều yêu cầu: Công việc hàng ngày của bạn sẽ tràn ngập các yêu cầu, cho dù đó là yêu cầu có thể làm được hay không thể thực hiện được. Đừng sốc khi quá trình làm việc của bạn sẽ được lấp đầy với rất nhiều yêu cầu đặc biệt.
Giao tiếp là bắt buộc: Bên cạnh đó, sẽ có rất nhiều giao tiếp cần thiết cho vị trí này. Nếu bạn là một người chỉ muốn tập trung vào phần kỹ thuật của trí tuệ kinh doanh, hãy hỏi người phỏng vấn chi tiết hơn về những gì bạn sẽ làm hàng ngày. Điều này ít nhất sẽ đảm bảo bạn sẽ có thể biết môi trường trước khi chấp nhận công việc.
Thành thạo SQL: Ngoài ra, thành thạo SQL là một lợi thế. Bất kể yêu cầu nào đang đến, cách duy nhất để trích xuất dữ liệu trong nội bộ là thông qua các truy vấn SQL.
Quay trở lại cuộc sống làm việc của tôi, các báo cáo chiếm phần lớn thời gian của tôi là doanh nhân thông minh. Họ có thể đến dưới các hình thức khác nhau, hàng ngày, hàng tuần, hàng tháng, hàng quý hoặc thậm chí cơ sở đặc biệt. Do đó, có các kỹ năng như VBA hoặc Python sẽ rất có lợi, do đó bạn sẽ có thể tự động hóa chúng.
Chia sẻ trên các phần kỹ thuật hơn của vị trí này bao gồm thu thập dữ liệu web và xây dựng một số mô hình học máy. Hai thành phần này cũng rất cần thiết trong một doanh nghiệp thương mại điện tử, một lý do là để đạt được lợi thế cạnh tranh và một lý do khác là để giảm chi phí cho công ty.
Đối với thu thập dữ liệu web, từ những gì tôi đã trải nghiệm, phần khó nhất là duy trì nó. Xây dựng trình thu thập dữ liệu web rất đơn giản, nhưng để đảm bảo trình thu thập dữ liệu web của bạn sẽ không bị chặn bởi các trang web là một câu chuyện hoàn toàn mới. Bên cạnh đó, xây dựng các mô hình học máy, nó chỉ là một phần nhỏ trong cuộc sống làm việc thông minh trong kinh doanh của tôi.
Đây là điểm cuối cùng tôi muốn thực hiện. Kỹ năng công nghệ cần có ở vị trí này là tối thiểu, kinh doanh là khía cạnh quan trọng nhất. Mặc dù bạn không giỏi về công nghệ, nhưng nếu bạn quan tâm đến kinh doanh, thì vị trí này rất phù hợp với bạn.
Tiếp theo, hãy đọc tiếp phần 2 để thấy được sự khác nhau giữa business intelligence và data science
2. Hành trình làm công việc: Data science
Sau khi chuyển vị trí của tôi sang data science, tôi có thể nói rằng trải nghiệm này rất khác. Hãy để tôi chia sẻ nó với bạn.
Nhiệm vụ của tôi vẫn dựa trên các yêu cầu nội bộ, nhưng ở dạng dự án . Vì vậy, tôi sẽ có nhiều thời gian hơn để phân tích dữ liệu và xây dựng mô hình. Vì vậy, bạn có thể nghĩ rằng các dự án tốt hơn, vì bạn có nhiều thời gian hơn để tập trung và tạo ra công việc tốt nhất. Tuy nhiên, điều này không hoàn toàn chính xác. Đôi khi, các dự án mà bạn đã thực hiện nửa chừng sẽ bị ngừng hoạt động vì nhiều lý do, hoặc trở nên ít ưu tiên hơn, điều này là khá bình thường.
Một trong những vấn đề tôi gặp phải khi xây dựng mô hình trong suốt quá trình làm business intelligence là tài nguyên. Tuy nhiên, ở đây, có nhiều nguồn lực hơn để tôi thử các ý tưởng và suy nghĩ của mình . Hãy nhớ rằng, tài nguyên cũng đi kèm với điều kiện, bạn cần có khả năng tạo ra chất lượng công việc trong một thời gian giới hạn.
Tự cải thiện là điều bắt buộc trong phát triển data science . Tôi sẽ cần phải liên tục đọc các bài báo mới nhất để có thể theo xu hướng mới nhất trong lĩnh vực này. Không chỉ vậy, hãy nắm bắt thêm kiến thức công nghệ, kỹ năng mã hóa và ngôn ngữ lập trình để bạn có thể sử dụng nó khi cần thiết.
Bên cạnh đó, các lệnh UNIX là các kỹ năng cơ bản trong khoa học dữ liệu . Để có thể SSH đến máy chủ, các lệnh vi khi sử dụng máy chủ, v.v ... là lệnh tôi đang sử dụng hàng ngày trong công việc của mình. Tuy nhiên, trong kinh doanh thông minh, kỹ năng này có thể yêu cầu, nhưng không bắt buộc.
Hiệu quả mã được ưu tiên trong data science. Tôi sẽ cần đảm bảo mã của tôi hiệu quả và đồng thời, kiểm tra xem tài nguyên của máy chủ có đủ để máy chủ có thể xử lý được không. Sẽ có rất nhiều người chia sẻ máy chủ, do đó bằng cách truyền đạt về cách chia sẻ tài nguyên cũng rất quan trọng.
3. Sự khác nhau giữa Business Intelligence và Data Science là kỹ năng giao tiếp. Nó thực sự rất quan trọng.
Hãy hình dung điều này nếu bạn có một ý tưởng tuyệt vời hoặc bạn đang thực hiện một cải tiến lớn trong các màn trình diễn mô hình, nhưng bạn vô tình làm hỏng nó trong khi trình bày cho người khác. Hoặc có thể khi bạn đang liên lạc với các nhóm nội bộ về việc đặt ra các yêu cầu của dự án và bạn không thể bày tỏ quan điểm của mình một cách rõ ràng. Bạn sẽ làm cho cuộc sống của bạn khó khăn hơn hoặc mất cơ hội thể hiện giá trị của công việc của bạn.
Hiểu những ưu và nhược điểm của các loại mô hình học máy . Điều này rất quan trọng mà bạn nên nghĩ đến trước khi chọn thử bất kỳ mô hình nào. Vì vậy, bạn sẽ không lãng phí thời gian của mình trong việc thực hiện một mô hình rõ ràng sẽ không thực hiện tốt trong nhiệm vụ cụ thể đó.
Cuối cùng nhưng không kém phần quan trọng, ngôn ngữ mã hóa và truy vấn là hai trong số các kỹ năng cần thiết nhất trong khoa học dữ liệu . Có thể lấy dữ liệu phù hợp và thử các mô hình khác nhau trong một thời gian ngắn là một trong những kỹ năng được tìm kiếm trong thị trường hiện tại. Bên cạnh đó, việc có kỹ năng hiểu mã của người khác một cách nhanh chóng cũng rất quan trọng vì các dự án của bạn sẽ được các đồng nghiệp của bạn bàn giao.
Đây chỉ là quan điểm của tôi về phạm vi công việc và sự khác nhau giữa Business Intelligence và Data Science. Chắc hẳn ở một số công ty khác, các nhiệm vụ được giao có thể rất khác so với những gì tôi mô tả ở trên.
Business intelligence liên quan đến những ẩn số đã biết, trong khi data science đề cập đến những ẩn số chưa biết. Tôi hy vọng, với những điểm đã chỉ ra trong sự khác nhau giữa business intelligence và data science sẽ giúp bạn hiểu được hai công việc này khác nhau như thế nào để bạn có thể đưa ra quyết định sáng suốt.
Xem thêm: Cách Đưa Dữ Liệu Vào Khoa Học Dữ Liệu
[Nguồn Tổng hợp]
---
JT1 - IT Recruitment Agency Website: https://www.jt1.vn Email: hi@jt1.vn Điện thoại: +8428 6675 6685 Xem thêm các bài viết khác tại: https://www.jt1.vn/blog Theo dõi chúng tôi tại: https://www.facebook.com/jt1asia/
