Datavitenskap

Hva er datavitenskap?

Datavitenskap er et felt innen anvendt matematikk og statistikk som gir nyttig informasjon basert på store mengder komplekse data eller big data.

Datavitenskap, eller datadrevet vitenskap, kombinerer aspekter av forskjellige felt ved hjelp av beregning for å tolke mengder data for beslutningsformål.

Forstå datavitenskap

Data hentes fra ulike sektorer, kanaler og plattformer, inkludert mobiltelefoner, sosiale medier, e-handelssider, helseundersøkelser og internettsøk. Økningen i mengden data som er tilgjengelig åpnet døren til et nytt studiefelt basert på store data – de massive datasettene som bidrar til å skape bedre operasjonelle verktøy i alle sektorer.

Den stadig økende tilgangen til data er mulig på grunn av fremskritt innen teknologi og innsamlingsteknikker. Enkeltpersoners kjøpsmønstre og atferd kan overvåkes og spådommer gjøres basert på informasjonen som samles inn.

Imidlertid er de stadig økende dataene ustrukturerte og krever analysering for effektiv beslutningstaking. Denne prosessen er kompleks og tidkrevende for bedrifter – derav fremveksten av datavitenskap.

Formålet med datavitenskap

Datavitenskap, eller datadrevet vitenskap, bruker stordata og maskinlæring for å tolke data for beslutningsformål.

En kort historie om datavitenskap

Begrepet "datavitenskap" har vært i bruk siden tidlig på 1960-tallet, da det ble brukt synonymt med "datavitenskap". Senere ble begrepet gjort distinkt for å definere undersøkelsen av databehandlingsmetoder brukt i en rekke forskjellige applikasjoner.

I 2001 brukte William S. Cleveland for første gang begrepet "datavitenskap" for å referere til en uavhengig disiplin. Harvard Business Review publiserte en artikkel i 2012 som beskrev rollen til dataforskeren som "det mest sexy jobben i det 21. århundre."

Hvordan datavitenskap brukes

Datavitenskap inkorporerer verktøy fra flere disipliner for å samle et datasett, behandle og utlede innsikt fra datasettet, trekke ut meningsfulle data fra settet og tolke det for beslutningsformål. Disiplinærområdene som utgjør datavitenskapsfeltet inkluderer gruvedrift, statistikk, maskinlæring, analyse og programmering.

Data mining bruker algoritmer til det komplekse datasettet for å avdekke mønstre som deretter brukes til å trekke ut nyttige og relevante data fra settet. Statistiske mål eller prediktiv analyse bruker disse uthentede dataene til å måle hendelser som sannsynligvis vil skje i fremtiden basert på hva dataene viser har skjedd i fortiden.

Maskinlæring er et kunstig intelligensverktøy som behandler store mengder data som et menneske ikke ville vært i stand til å behandle i løpet av livet. Maskinlæring perfeksjonerer beslutningsmodellen som presenteres under prediktiv analyse ved å matche sannsynligheten for at en hendelse skjer med det som faktisk skjedde på et forutsagt tidspunkt.

Ved hjelp av analyser samler og behandler dataanalytikeren de strukturerte dataene fra maskinlæringsstadiet ved hjelp av algoritmer. Analytikeren tolker, konverterer og oppsummerer dataene til et sammenhengende språk som beslutningsteamet kan forstå. Datavitenskap brukes i praktisk talt alle sammenhenger, og etter hvert som dataforskerens rolle utvikler seg, vil feltet utvides til å omfatte dataarkitektur, datateknikk og dataadministrasjon.

Rask fakta

Etterspørselen etter data- og informasjonsforskere forventes å vokse 15 % fra 2019 til 2029, mye raskere enn andre yrker, ifølge US Bureau of Labor Statistics.

Dataforskere

En dataforsker samler inn, analyserer og tolker store mengder data, i mange tilfeller, for å forbedre virksomhetens drift. Dataforskere utvikler statistiske modeller som analyserer data og oppdager mønstre, trender og sammenhenger i datasett. Denne informasjonen kan brukes til å forutsi forbrukeratferd eller til å identifisere forretnings- og operasjonsrisikoer.

Dataforsker-rollen er ofte en historieforteller som presenterer datainnsikt for beslutningstakere på en måte som er forståelig og anvendelig for problemløsning.

Data Science Today

Bedrifter bruker big data og datavitenskap til daglige aktiviteter for å gi verdi til forbrukerne. Bankinstitusjoner utnytter store data for å forbedre suksessen med å oppdage svindel. Kapitalforvaltningsfirmaer bruker store data for å forutsi sannsynligheten for at et verdipapirs pris beveger seg opp eller ned på et angitt tidspunkt.

Selskaper som Netflix utvinner stordata for å finne ut hvilke produkter de skal levere til brukerne. Netflix bruker også algoritmer for å lage personlige anbefalinger for brukere basert på deres seerhistorikk. Datavitenskap utvikler seg i rask hastighet, og dens applikasjoner vil fortsette å endre liv inn i fremtiden.

Høydepunkter

– Datavitenskap bruker teknikker som maskinlæring og kunstig intelligens for å trekke ut meningsfull informasjon og for å forutsi fremtidige mønstre og atferd.

– Fagfeltet datavitenskap vokser etter hvert som teknologien går videre og innsamlings- og analyseteknikker for store data blir mer sofistikerte.

– Fremskritt innen teknologi, internett, sosiale medier, og bruk av teknologi har alle økt tilgangen til big data.

FAQ

Hva er noen ulemper med datavitenskap?

Datautvinning og innsats for å varevare personopplysninger fra sosiale medieselskaper har blitt kritisert i lys av flere skandaler, for eksempel Cambridge Analytica,. der personopplysninger ble brukt av dataforskere for å påvirke politiske utfall eller undergrave valg.

Hva er datavitenskap nyttig for?

Datavitenskap kan identifisere mønstre, som tillater slutninger og spådommer, fra tilsynelatende ustrukturerte eller urelaterte data. Teknologiselskaper som samler inn brukerdata kan bruke teknikker for å gjøre det som samles inn til kilder til nyttig eller lønnsom informasjon.

Bruker ikke alle vitenskaper data?

Ja, alle empiriske vitenskaper samler inn og analyserer data. Det som skiller datavitenskap er at den spesialiserer seg på å bruke sofistikerte beregningsmetoder og maskinlæringsteknikker for å behandle og analysere store datasett. Ofte er disse datasettene så store eller komplekse at de ikke kan analyseres ordentlig med tradisjonelle metoder.