f‎ > ‎t‎ > ‎

d

Крупные компании все еще пытаются купить большой Data Clue

Опубликовано 19 декабря 2014

матовый Asay

Писатель Вклад


наука данных остается надежный билет на большую зарплату нирване. Если бы только он заплатил одинаково большие дивиденды для компаний, оплачивающих эти зарплаты. Часть проблемы проистекает от получения достаточного числа квалифицированных людей на рынке отчаянной ответов.

Но часть проблемы связана с задавать неправильные вопросы в первую очередь.

Big Love For Big Data

Учитывая фурор над большими данными, это не удивительно видеть, что компании требовали, чтобы нанять людей с данными научной экспертизы. Как ежегодный анализ LinkedIn в 330 миллионов профилей пользователей показывает, статистический анализ и навыки интеллектуального анализа данных вершины чартов как самый жаркий горячих навыков в 2014 году, с больших данных, связанных с талантами, приходящихся на одну треть из топ-15 самых горячих навыков.

Смотрите также: LinkedIn показывает топ-25 вакансий навыки года


Источник: LinkedIn

Учитывая закон спроса и предложения, это не удивительно, что ученые данных делают так много денег. Сколько? За $ 123000 в год, в среднем, с этим число резко возрастает каждый год в течение последних нескольких лет.

Студенты надеются насытить этот спрос, с рекордным количеством MBA и инженерных кандидатов, мчащихся, чтобы стать сертифицированными ученым данных. (Который, как пишет Mitchell Сандерс, несколько глупо, учитывая уникальное сочетание навыков, необходимых, чтобы сделать науку данных хорошо.)

Со временем, полагает аналитик Gartner Алан Дункан, зарплаты будут выравниваться. На данный момент, однако, инструменты и знания, необходимые для освоения современных данных настолько аркан, что компаниям необходимо потушить большие деньги, чтобы иметь надежду на получение значения из больших данных.

Большие задержки для больших данных

Какой может быть одной из причин так много компаний сидят на обочине.

Учитывая этот приток талантов Big Data, было бы разумно предположить, больше проектов больших объемов данных запускаются и доставки реальную ценность. Это предположение, однако, не так.

Смотрите также: почему ученые данных Заплатите So Much

В то время как не "жестких" данных, аналитики Gartner Мерв Адриан и Ник Huedecker отслеживали Hadoop развертываний посредством опроса участников вебинара за последний год. Как пишет Адриан, это исследование указывает на то, что данные Hadoop развертываний, плакат ребенка для больших данных, были "медленно расти до сих пор."

В то время как он признает все большее число пилотов, как организации эксперимента с Hadoop, он указывает не на "не резкий рост крупных проектов проводится до сих пор, или значительные дополнительные проекты, которые добавляются к одному кластеру и стимулирует рост."

Другими словами, Hadoop и, соответственно, больших данных, является дотягивали.

Это обратно-оф-конверт анализ находит поддержку в различных других исследований, которые свидетельствуют, что примерно 70% организаций до сих пор не делают много с большими данными. Часть этого происходит из-за нехватки талантов.

Но часть также проистекает из путаницы относительно того, какие инструменты использовать, и каким образом. Как утверждает Bloomberg руководитель проекта Мэтт Хант: "В Bloomberg, что мы не имеем большую проблему данных. То, что у нас есть проблема, а 'носителя данных' так же все остальные "Хант говорит о том, что инструменты, такие как Hadoop являются неправильный инструмент для правильной работы:. Они предполагают, что масштаб, что большинство компаний не имеют.

Таким образом, не ясно, что наем ученого данных рок-звезды будет решать ничего. За исключением, может быть, если они приходят с достаточной подготовки, чтобы знать, когда не использовать популярные, но неправильные инструменты.

Big Data Cog

Независимо от инструментов, так как подчеркивает Пэм Бэйкер, Big Data часто зависит от маленьких людей, как вы или я, чтобы ввести его в системах правильно. Как она описывает, это выдавать желаемое за действительное в лучшем случае. И когда данные собираются в мусор, полученный в результате анализа будет также:

Если маленькая данные неверно или отсутствует, большой анализ данных с метки, тоже. И сегодня небольшие данные полное и абсолютное бедствие почти везде я смотрю.

Даже если мы предположим, идеальный ввод данных, это еще тот случай, когда мы анализируем данные через призму наших собственных пристрастий, то, что просто невозможно избежать. Бросив больше данных на наших пристрастий не снимает проблему. Это усиливает его.

Мы те, задают вопросы наших данных. Мы те, решить, какие данные сохранить, и для запроса. Мы, другими словами, являются самым большим препятствием для Big данных.

Может быть, платить ученым больше данных денег будет решить эту проблему. Может быть, подготовка нового поколения студентов данных подкованных поможет, тоже.

Но это также время, когда мы глубоко вдохнул и признал, что в то время как данные могут и должны влиять на все больше наших решений, это не безошибочный бог, который всегда будет направлять нас правильно. Поскольку данные в конечном счете, все о нас, и наши собственные способности овладеть ею.

Свинец Изображение предоставлено Shutterstock

Facebook Комментарии

#auto

Comments