डेटा साइंस में 7 शीर्ष करियर और उन्हें कैसे अपनाएँ

डेटा प्रोसेसिंग, विश्लेषण, और विज़ुअलाइज़ेशन R और उसके संबंधित पैकेजों का उपयोग करके किए गए। प्रयुक्त नोटबुक और संबंधित फ़ाइलें यहाँ मिल सकती हैं।

Merriam-Webster शब्दकोश के अनुसार, डेटा वह तथ्यात्मक जानकारी है जिसे तर्क, चर्चा, या गणना के आधार के रूप में उपयोग किया जाता है। इस परिभाषा के अनुसार, डेटा मूलतः कोई भी एकत्रित जानकारी है जिसे अंतर्दृष्टि प्राप्त करने के लिए उपयोग किया जा सकता है और आगे संसाधित व विश्लेषित किया जा सकता है। इसे आमतौर पर कंप्यूटरों से जोड़ा जाता है क्योंकि डेटा सामान्यतः कंप्यूटर में ही उत्पन्न और संग्रहीत होता है, फिर भी डेटा हमारे अनुमान से कहीं अधिक समय से मौजूद है।

डेटा का इतिहास

मानवों द्वारा डेटा को संग्रहीत और विश्लेषित करने का सबसे पुराना उदाहरण 18000 ईसा पूर्व का है, जब यह पता चला कि प्रागैतिहासिक मानव आदिम गणनाएँ करने के लिए टैली स्टिक का उपयोग करते थे। इन पुरापाषाण युग के जनजातियों ने अपनी गतिविधियों जैसे व्यापार और आपूर्ति की निगरानी का हिसाब रखने के लिए लकड़ी और हड्डियों पर खांचे बनाए। 2400 ईसा पूर्व तक, बैबिलोन में एबाकस का आविष्कार हुआ, जो गणनाएँ करने में उपयोग होने वाला एक उपकरण है।

इतिहास भर में, पत्थर की तख्तियों, मिट्टी, पपीरस, लकड़ी, और कागज़ की स्क्रॉल पर असंख्य लेखन के माध्यम से डेटा संग्रह, प्रोसेसिंग, और विश्लेषण का सतत विकास देखा गया। अंततः, जैसे-जैसे डेटा के और रूप खोजे गए, वैसे-वैसे उसे प्रोसेस करने, एकत्र करने, संग्रहीत करने, और विश्लेषित करने की आवश्यकता भी विकसित होती गई।

जैसे-जैसे मानव समाज अधिक उन्नत हुआ, वैसे-वैसे डेटा प्रोसेसिंग की उसकी आवश्यकता भी बढ़ी। 1800 के दशक में, संयुक्त राज्य अमेरिका में जनगणना शुरू हुई। जनगणना में डेटा बिंदुओं की संख्या तेज़ी से इतनी बढ़ गई कि यू.एस. जनगणना ब्यूरो ने अनुमान लगाया कि सारी जनगणना का डेटा एकत्रित और विश्लेषित करने में वर्षों, यहाँ तक कि दशकों लग जाएँगे। यह इसलिए बड़ी समस्या थी क्योंकि मौजूदा जनगणना डेटा का संकलन और विश्लेषण तब तक ही पूरा हो पाता जब अगली जनगणना शुरू होने वाली होती या शुरू हो चुकी होती। सौभाग्य से, Herman Hollerith नामक एक युवा इंजीनियर और आविष्कारक ने Hollerith Tabulating Machine—एक इलेक्ट्रोमैकेनिकल टैबुलेटिंग मशीन—विकसित की, जिसने जनगणना डेटा को एकत्र करने और विश्लेषित करने के लिए लगने वाला समय वर्षों से घटाकर महज़ कुछ महीनों में कर दिया। इस कारण, Hollerith को आधुनिक स्वचालित संगणना का जनक माना जाता है और बाद में वे IBM की स्थापना के लिए भी जाने गए।

1900 के दशक में आगे बढ़ें, और कंप्यूटर का आविष्कार। अधिक शक्तिशाली कंप्यूटिंग मशीन के आगमन के साथ डेटा भंडारण की अधिक परिष्कृत आवश्यकता भी सामने आई। जर्मन-ऑस्ट्रियाई इंजीनियर Fritz Pfleumer ने टेप पर सूचनाओं को चुंबकीय रूप से संग्रहीत करने की एक विधि का आविष्कार किया। उनके आविष्कार के कुछ सिद्धांत आज भी डिजिटल डेटा भंडारण के लिए उपयोग किए जाते हैं। इसी युग में, उभरते सॉफ्टवेयर और वाणिज्यिक व परिचालन प्रदर्शन का विश्लेषण करने वाली प्रणालियों की ज़रूरत तेज़ी से बढ़ने के साथ “बिज़नेस इंटेलिजेंस” शब्द लोकप्रिय हुआ।

डेटा में असली क्रांति तब आई जब Tim Berners-Lee ने 1989 में वर्ल्ड वाइड वेब, जिसे इंटरनेट भी कहते हैं, बनाया। इससे दुनिया भर के लोगों के बीच सूचनाओं के स्वचालित साझा करने का मार्ग खुला। इसका अर्थ है कि आज अधिक डेटा साझा, निर्मित और संग्रहीत किया जा रहा है, जिससे डेटा एकत्र करने, उपयोग करने, और विश्लेषित करने के नए तरीके सामने आए हैं।

“बिग डेटा” की ओर संक्रमण

1990 के दशक में इंटरनेट की अविश्वसनीय वृद्धि और व्यक्तिगत कंप्यूटरों तथा सामान्य रूप से कंप्यूटिंग डिवाइसों के सतत विकास के कारण, ऑनलाइन उपकरणों की संख्या (और फलस्वरूप बनाए गए डेटा की मात्रा) तेज़ी से बढ़ी।

यद्यपि बिग डेटा की अवधारणा 1990 के दशक से पहले भी मौजूद थी, इसे आधिकारिक नाम 2005 में Roger Mougalas ने दिया। उन्होंने इसे “डेटा का एक बड़ा सेट बताया, जिसे पारंपरिक बिज़नेस इंटेलिजेंस टूल्स का उपयोग करके प्रबंधित और प्रोसेस करना लगभग असंभव है।”

बिग डेटा वह शब्द है जो डेटा की बड़ी मात्रा—स्ट्रक्चर्ड और अनस्ट्रक्चर्ड दोनों—का वर्णन करता है, जो रोज़मर्रा के आधार पर संगठनों को अभिभूत कर देती है। यह सूचना की मात्रा, उसके सृजन और संग्रह की गति, और कवर किए जा रहे डेटा बिंदुओं की विविधता या व्यापकता को समेटता है।

बिग डेटा के आकार और जटिलता को देखते हुए, पैटर्न और अन्य उपयोगी जानकारियाँ खोजने के लिए उसे एकत्र करने, व्यवस्थित करने और विश्लेषित करने की प्रक्रिया, कई संगठनों को अपने व्यावसायिक निर्णय लेने में मदद करने का हिस्सा बन गई है। इसी से डेटा साइंस—एक अंतःविषय क्षेत्र जो वैज्ञानिक तरीकों, प्रक्रियाओं, एल्गोरिद्मों और प्रणालियों का उपयोग करके बड़ी मात्रा के डेटा से पैटर्न उजागर करता है और व्यावसायिक नेताओं को सूचित अंतर्दृष्टियाँ निकालने में सक्षम बनाता है—का उदय हुआ।

डेटा साइंस में कौन-कौन सी भूमिकाएँ हैं?

IBM के अनुसार, डेटा साइंस आज के संगठनों द्वारा एकत्रित और निर्मित डेटा की बड़ी और लगातार बढ़ती मात्रा से क्रियाशील अंतर्दृष्टियाँ निकालने का एक बहुविषयक दृष्टिकोण है। इस क्षेत्र में आमतौर पर कंप्यूटर साइंस और शुद्ध विज्ञान की क्षमताएँ चाहिए होती हैं क्योंकि डेटा वैज्ञानिक अपने दृष्टिकोण में वैज्ञानिक विधियाँ लागू करते हैं, और डेटा से अंतर्दृष्टियाँ निकालने के लिए प्रेडिक्टिव एनालिटिक्स और आर्टिफिशियल इंटेलिजेंस का उपयोग करते हैं। हमारे ‘डेटा साइंस क्या है’ पर पूर्ण मार्गदर्शक में अधिक गहन परिभाषा देखें।

आजकल, “डेटा साइंस” शब्द का उपयोग व्यवसायों और संगठनों द्वारा अक्सर एक छत्र शब्द के रूप में किया जाता है, जो बड़े पैमाने पर डेटा को संभालने की प्रक्रिया—चाहे वह तैयारी, सफाई, विश्लेषण, या पैटर्न उजागर करने के लिए विज़ुअलाइज़ेशन हो—को समेटता है। ये कुछ डेटा साइंस करियर हैं जिन्हें अपनाया जा सकता है:

1. डेटा साइंटिस्ट

   डेटा साइंटिस्ट को गणित, सांख्यिकी और वैज्ञानिक पद्धति लागू करने में सक्षम होना चाहिए; डेटा की सफाई और तैयारी के लिए अनेक टूल्स और तकनीकों का उपयोग करना चाहिए; प्रेडिक्टिव एनालिटिक्स और आर्टिफिशियल इंटेलिजेंस करना चाहिए; और समझा सकना चाहिए कि इन परिणामों का उपयोग व्यावसायिक समस्याओं के लिए डेटा-प्रधान समाधान देने में कैसे किया जा सकता है। उन्हें डेटा विश्लेषकों की तुलना में कहीं अधिक तकनीकी कौशल की आवश्यकता होती है। शुरुआत के लिए, आप DataCamp पर ऐसे डेटा साइंस-उन्मुख पाठ्यक्रम कर सकते हैं: Introduction to Python for Data Science और Introduction to R।

2. डेटा एनालिस्ट

   डेटा एनालिस्ट संगठन के लिए सार्थक निष्कर्ष तक पहुँचने हेतु डेटा एकत्र करते हैं, प्रोसेस करते हैं, और सांख्यिकीय विश्लेषण करते हैं। वे बड़े डेटा सेट को रिपोर्ट या प्रेज़ेंटेशन जैसे उपयोगी रूपों में बदलते और संशोधित करते हैं। वे महत्वपूर्ण पैटर्न देखकर और डेटा से अंतर्दृष्टियाँ निकालकर निर्णय प्रक्रिया में भी मदद करते हैं, जिन्हें वे फिर व्यावसायिक निर्णयों में सहायता के लिए संगठनात्मक नेताओं तक प्रभावी ढंग से पहुँचाते हैं। DataCamp के ये पाठ्यक्रम आपके डेटा एनालिस्ट करियर की शुरुआत में मदद कर सकते हैं: Introduction to SQL और Exploratory Data Analysis in SQL।

3. डेटा इंजीनियर

   डेटा इंजीनियर विश्लेषणात्मक या संचालनात्मक उपयोगों के लिए एकत्रित और संग्रहीत डेटा की तैयारी, प्रोसेसिंग, और प्रबंधन के लिए जिम्मेदार होते हैं। पारंपरिक इंजीनियरों की तरह, डेटा इंजीनियर “पाइपलाइन्स” बनाते और बनाए रखते हैं जो एक सिस्टम से दूसरे सिस्टम तक डेटा को जोड़ती हैं, जिससे डेटा साइंटिस्ट के लिए सूचना सुलभ होती है। इस कारण, डेटा इंजीनियरों को डेटा साइंस में प्रयुक्त कई प्रोग्रामिंग भाषाएँ जैसे Python, R, और SQL समझनी पड़ती हैं। डेटा इंजीनियरिंग से संबंधित विषय DataCamp पर उपलब्ध हैं, जैसे: Introduction to Data Engineering और Understanding Data Engineering।

4. डेटा आर्किटेक्ट

   डेटा आर्किटेक्ट मुख्य रूप से डेटा प्रबंधन प्रणालियों के लिए ब्लूप्रिंट डिज़ाइन और तैयार करते हैं, जिन्हें बाद में डेटा इंजीनियर बनाते हैं। पारंपरिक आर्किटेक्ट के समान, डेटा आर्किटेक्ट “दूरदर्शी” होते हैं क्योंकि वे किसी संगठन के डेटा प्रबंधन ढांचे की कल्पना और डिज़ाइन करने के लिए जिम्मेदार होते हैं। इसके अलावा, डेटा आर्किटेक्ट मौजूदा प्रणालियों के प्रदर्शन में सुधार करते हैं, यह सुनिश्चित करते हुए कि वे डेटाबेस प्रशासकों और विश्लेषकों के लिए सुलभ हों। आप DataCamp पर उपलब्ध डेटा आर्किटेक्चर से संबंधित ऐसे पाठ्यक्रम ले सकते हैं: AWS Cloud Concepts और Database Design

5. बिज़नेस इंटेलिजेंस (BI) डेवलपर

   BI डेवलपर विशेषीकृत इंजीनियर होते हैं जो सॉफ्टवेयर टूल्स का उपयोग करके डेटा को ऐसे उपयोगी इनसाइट्स में बदलते हैं जो व्यावसायिक निर्णयों में मदद करें। वे कंपनी के अन्य सभी लोगों के लिए तकनीकी जानकारी को सरल बनाकर आसानी से समझने योग्य बनाते हैं। संक्षेप में, वे बिज़नेस इंटेलिजेंस टूल्स का उपयोग करके खोजे गए डेटा वाली रिपोर्टें बनाते और चलाते हैं, और जानकारी को अधिक सरल भाषा में बदलते हैं। Microsoft Power BI और Tableau जैसे बिज़नेस इंटेलिजेंस से संबंधित टूल्स पर पाठ्यक्रम DataCamp पर उपलब्ध हैं, जैसे: Introduction to Power BI और Analyzing Data in Tableau

6. स्टैटिस्टिशियन

   चूँकि सांख्यिकी डेटा साइंस की मुख्य नींवों में से एक है, कई स्टैटिस्टिशियन आसानी से डेटा साइंस क्षेत्र में संक्रमण कर सकते हैं। स्टैटिस्टिशियन मुख्य रूप से डेटा के संग्रह और प्रबंधन के लिए जिम्मेदार होते हैं। वे तय करते हैं कि उन्हें कौन सा डेटा चाहिए और उसे कैसे एकत्र करना है। साथ ही, वे प्रयोगों को डिज़ाइन करते हैं, डेटा का विश्लेषण और व्याख्या करते हैं, और निष्कर्षों की रिपोर्ट करते हैं। आप DataCamp पर सांख्यिकी के ये प्रारंभिक पाठ्यक्रम देख सकते हैं: Introduction to Statistical Modeling in R और Introduction to Statistics in Spreadsheets।

7. मशीन लर्निंग इंजीनियर

   मशीन लर्निंग इंजीनियर एक अन्य समूह के विशेषीकृत इंजीनियर होते हैं जो प्रेडिक्टिव मॉडलों का स्वचालन करने के लिए आर्टिफिशियल इंटेलिजेंस (AI) और मशीन लर्निंग (ML) प्रणालियों पर शोध, निर्माण, और डिज़ाइन पर केंद्रित होते हैं। मूल रूप से, वे ऐसे एल्गोरिद्म विकसित करते हैं जो इनपुट डेटा का उपयोग करते हुए सांख्यिकीय मॉडलों का लाभ उठाकर एक आउटपुट की भविष्यवाणी करते हैं, और जैसे-जैसे नया डेटा उपलब्ध होता है आउटपुट को लगातार अपडेट करते रहते हैं। DataCamp पर मशीन लर्निंग से संबंधित अनेक पाठ्यक्रम हैं, जो आपके लिए उपयोगी हो सकते हैं, जैसे: Understanding Machine Learning और Machine Learning with caret in R.

ऑनलाइन एक त्वरित नौकरी खोज आपको यह अंदाज़ा दे सकती है कि उपरोक्त सूचीबद्ध डेटा साइंस करियर पथों में से कौन सा सबसे अधिक मांग में है। नीचे दिया गया ग्राफ़ 8 दिसंबर, 2021 तक Indeed USA के अनुसार प्रत्येक करियर पथ के लिए नौकरी के अवसर दिखाता है।

डेटा आर्किटेक्ट सबसे अधिक मांग वाला डेटा साइंस करियर पथ प्रतीत होता है, क्योंकि वे ऐसे डेटा प्रबंधन सिस्टम बनाते हैं जिन्हें बाद में अन्य डेटा साइंस पेशेवर उपयोग करते हैं। सूची में अगला स्थान मशीन लर्निंग इंजीनियर का है, क्योंकि कई टेक कंपनियों में परिणामों की भविष्यवाणी करने के लिए आर्टिफिशियल इंटेलिजेंस का उपयोग अत्यंत महत्वपूर्ण है।

सबसे कम मांग स्टैटिस्टिशियन की है, मुख्यतः क्योंकि बहुत से पारंपरिक स्टैटिस्टिशियन अब डेटा साइंटिस्ट बन रहे हैं। यह प्रवृत्ति जारी रहने की उम्मीद है, क्योंकि स्टैटिस्टिशियनों के लिए शुद्ध सांख्यिकी से डेटा साइंस में जाना अपेक्षाकृत आसान है—क्योंकि उनके पास पहले से ही एक पूर्ण डेटा साइंटिस्ट बनने के लिए आवश्यक बुनियादी ज्ञान होता है।

डेटा साइंस की रफ़्तार धीमी नहीं पड़ रही

डेटा साइंस का क्षेत्र 2010 के दशक में अत्यधिक लोकप्रियता तक पहुँचा, विशेष रूप से जब Harvard Business Review ने “डेटा साइंटिस्ट” को “21वीं सदी की सबसे आकर्षक नौकरी” बताया। यह इतना लोकप्रिय हो गया कि “डेटा साइंटिस्ट” शीर्षक एक सर्वव्यापी और प्रचलित अभिव्यक्ति बन गया। जबकि “सबसे आकर्षक नौकरी” शब्द पहले सुनने में विचित्र लगता है, इसका आशय मुख्यतः यह है कि डेटा साइंटिस्ट न केवल मांग में हैं, बल्कि उन्हें नियुक्त करना महंगा और उन्हें बनाए रखना कठिन भी है।

यद्यपि इसमें कोई सवाल नहीं कि आज डेटा साइंस अत्यंत लोकप्रिय है, बेहतर प्रश्न यह है कि क्या भविष्य में भी यह उतनी ही लोकप्रिय रहेगी? रोजगार अनुमानों के आधार पर, ऐसा ही प्रतीत होता है। यू.एस. ब्यूरो ऑफ़ लेबर स्टैटिस्टिक्स के 2020–2030 रोजगार अनुमानों के डेटा से पता चलता है कि डेटा साइंस करियर—जिसमें सांख्यिकी, डेटा साइंस, और डेटा इंजीनियरिंग जैसी अन्य गणितीय और विज्ञान-आधारित भूमिकाएँ शामिल हैं—2020 से 2030 के बीच प्रतिशत परिवर्तन के लिहाज़ से बहुत उच्च वृद्धि दर प्रदर्शित करेंगे। स्टैटिस्टिशियन समग्र रूप से 14वें स्थान पर रहे, जबकि डेटा साइंटिस्ट और अन्य गणितीय विज्ञान व्यवसाय 790 नौकरियों में से समग्र रूप से 31वें स्थान पर रहे।

यद्यपि कुल श्रम बल में स्टैटिस्टिशियन और डेटा साइंटिस्ट का हिस्सा अन्य व्यवसायों की तुलना में छोटा है, आने वाले वर्षों में ये संख्या बढ़ने की उम्मीद है क्योंकि डेटा साइंस करियर पथ और अधिक लोकप्रिय होता जा रहा है। नीचे का चित्र दर्शाता है कि उच्च अनुमानित वृद्धि वाली अन्य नौकरियों की तुलना में स्टैटिस्टिशियन, डेटा साइंटिस्ट, और अन्य गणितीय विज्ञान व्यवसाय कहाँ ठहरते हैं।

वाकई एक महँगा क्षेत्र

डेटा साइंस के लोकप्रिय होने का एक प्रमुख कारण यह है कि यह दुनिया की सबसे अधिक वेतन वाली नौकरियों में से एक है। नीचे दिया गया चित्र न्यूयॉर्क सिटी में 10 अलग-अलग व्यवसायों—जिनमें डेटा साइंटिस्ट और डेटा एनालिस्ट शामिल हैं—के वेतन दायरे को दिखाता है। डेटा Teleport से प्राप्त किया गया, जो विभिन्न शहरों में रहने की स्थितियों (जैसे, वेतन) पर डेटा एकत्रित करने वाली वेबसाइट है।

Teleport के अनुसार, न्यूयॉर्क सिटी में डेटा साइंटिस्ट्स का वार्षिक माध्य वेतन \$114,105 था, जो केवल C-लेवल एग्ज़ीक्यूटिव्स और स्वास्थ्यकर्मी के पीछे 4थे स्थान पर था। वास्तव में, कुछ अन्य शहरों जैसे मनीला में, डेटा साइंटिस्ट्स 2रे स्थान तक पर हैं, सिर्फ C-लेवल एग्ज़ीक्यूटिव्स के पीछे। यह बताता है कि यह नौकरी कितनी लाभकारी है। डेटा एनालिस्ट की नौकरियाँ, भले डेटा साइंस पदों जितनी लाभकारी न हों, फिर भी कम आंकी नहीं जानी चाहिए। $61,818 के वार्षिक माध्य वेतन पर, डेटा एनालिस्ट अभी भी न्यूयॉर्क सिटी की औसत घरेलू आय के आसपास कमाते हैं।

नौकरी बाज़ार में लगातार बढ़ता हुआ

डेटा साइंस के लोकप्रिय होने का एक और बड़ा कारण यह है कि आजकल संगठन अपने दैनिक संचालन में डेटा साइंस के सिद्धांतों का एकीकरण कर रहे हैं। नीचे दिया गया ग्राफ़ उन शीर्ष 10 उद्योगों को दिखाता है जो अपने कार्य में डेटा साइंस को शामिल करते हैं। 8,000 डेटा साइंस-उन्मुख कंपनियों का नमूना डेटा Diffbot से निकाला गया है, जो दुनिया का सबसे बड़ा नॉलेज ग्राफ़ है।

इसमें कोई आश्चर्य नहीं कि सॉफ्टवेयर कंपनियाँ—जिनमें Google, Apple, और Uber जैसी टेक कंपनियाँ शामिल हैं—सबसे ऊपर आईं। आखिरकार, बिग डेटा की असाधारण वृद्धि इंटरनेट के सृजन से प्रेरित थी, जो सॉफ्टवेयर और तकनीक से घनिष्ठ रूप से जुड़ा है। डेटा साइंस वास्तव में विभिन्न टूल्स और तकनीक का उपयोग करके बहुत सारी सूचनाओं को प्रोसेस करने के बारे में है।

सूची में अगला स्थान वित्तीय सेवा कंपनियों का है, जो फिनटेक कंपनियों के उदय से आया है। “फाइनेंस” और “टेक्नोलॉजी” का संधि-शब्द, फिनटेक कंपनियाँ अपनी सेवाओं और पेशकशों में तकनीक और नवाचार का एकीकरण करती हैं ताकि ग्राहकों तक डिलीवरी में सुधार हो और पारंपरिक वित्तीय सेवाओं में बदलाव लाया जा सके। चूँकि इसमें ग्राहक जानकारी जैसे विशाल मात्रा के डेटा को संभालना शामिल है, वित्तीय सेवा कंपनियों ने अपनी प्रक्रियाओं को सुव्यवस्थित और अनुकूलित करने तथा अपनी सेवाओं में सुधार करने के लिए डेटा साइंस टूल्स की क्षमता को पहचाना।

अंत में, क्या डेटा साइंस में करियर बनाना सार्थक है?

ऊपर बताई गई सभी बातों के साथ, उत्तर बिल्कुल हाँ है! जहाँ तक सवाल है कि आपको डेटा साइंस का कौन सा विशिष्ट करियर पथ अपनाना चाहिए, यह मुख्य रूप से आपकी व्यक्तिगत ताकतों और सामान्य रुचियों पर निर्भर करता है। महत्वपूर्ण यह है कि ऊपर उल्लिखित किसी भी करियर का पीछा करना निश्चित रूप से सार्थक होगा।

एक ऐसा करियर पथ जो अत्यंत लाभकारी है और लोकप्रियता के मामले में धीमा पड़ने के कोई संकेत नहीं दिखाता, डेटा साइंस आने वाले कई वर्षों तक इस बात को आकार देता और प्रभावित करता रहेगा कि व्यवसाय और संगठन कैसे काम करते हैं।