Datavetenskap

Vad är datavetenskap?

Datavetenskap är ett område inom tillämpad matematik och statistik som ger användbar information baserad på stora mängder komplex data eller big data.

Datavetenskap, eller datadriven vetenskap, kombinerar aspekter av olika områden med hjälp av beräkningar för att tolka mängder av data för beslutsfattande ändamål.

Förstå datavetenskap

Data hämtas från olika sektorer, kanaler och plattformar, inklusive mobiltelefoner, sociala medier, e-handelssajter, vårdundersökningar och internetsökningar. Ökningen av mängden tillgänglig data öppnade dörren till ett nytt studieområde baserat på big data – de enorma datamängderna som bidrar till skapandet av bättre operativa verktyg inom alla sektorer.

Den ständigt ökande tillgången till data är möjlig på grund av framsteg inom teknik och insamlingstekniker. Individers köpmönster och beteende kan övervakas och förutsägelser göras baserat på den insamlade informationen.

Den ständigt ökande informationen är dock ostrukturerad och kräver analys för effektivt beslutsfattande. Denna process är komplex och tidskrävande för företag – därav framväxten av datavetenskap.

Syftet med datavetenskap

Datavetenskap, eller datadriven vetenskap, använder big data och maskininlärning för att tolka data i beslutsfattande syfte.

En kort historia av datavetenskap

Termen "datavetenskap" har använts sedan början av 1960-talet, då den användes synonymt med "datavetenskap". Senare gjordes termen distinkt för att definiera undersökningen av databehandlingsmetoder som används i en rad olika tillämpningar.

År 2001 använde William S. Cleveland för första gången termen "datavetenskap" för att hänvisa till en oberoende disciplin. Harvard Business Review publicerade en artikel 2012 som beskrev dataforskarens roll som det "sexigaste jobbet på 2000-talet."

Hur datavetenskap tillämpas

Datavetenskap innehåller verktyg från flera discipliner för att samla in en datamängd, bearbeta och härleda insikter från datamängden, extrahera meningsfull data från uppsättningen och tolka den för beslutsfattande syften. De disciplinära områdena som utgör datavetenskapsområdet inkluderar gruvdrift, statistik, maskininlärning, analys och programmering.

Datautvinning tillämpar algoritmer på den komplexa datamängden för att avslöja mönster som sedan används för att extrahera användbar och relevant data från uppsättningen. Statistiska mått eller prediktiv analys använder denna extraherade data för att mäta händelser som sannolikt kommer att inträffa i framtiden baserat på vad data visar har hänt i det förflutna.

Maskininlärning är ett verktyg för artificiell intelligens som bearbetar mängder av data som en människa inte skulle kunna bearbeta under en livstid. Maskininlärning fulländar beslutsmodellen som presenteras under prediktiv analys genom att matcha sannolikheten för att en händelse inträffar med vad som faktiskt hände vid en förutspådd tidpunkt.

Med hjälp av analys samlar dataanalytikern in och bearbetar strukturerad data från maskininlärningsstadiet med hjälp av algoritmer. Analytikern tolkar, konverterar och sammanfattar data till ett sammanhållet språk som beslutsfattandet kan förstå. Datavetenskap tillämpas på praktiskt taget alla sammanhang och, allt eftersom dataforskarens roll utvecklas, kommer fältet att expandera till att omfatta dataarkitektur, datateknik och dataadministration.

Snabbt faktum

Efterfrågan på data- och informationsforskare förväntas växa med 15 % från 2019 till 2029, mycket snabbare än andra yrken, enligt US Bureau of Labor Statistics.

Dataforskare

En datavetare samlar in, analyserar och tolkar stora mängder data, i många fall, för att förbättra ett företags verksamhet. Dataforskare utvecklar statistiska modeller som analyserar data och upptäcker mönster, trender och samband i datamängder. Denna information kan användas för att förutsäga konsumentbeteende eller för att identifiera affärs- och operativa risker.

Dataforskarens roll är ofta en historieberättare som presenterar datainsikter för beslutsfattare på ett sätt som är förståeligt och applicerbart för problemlösning.

Data Science idag

Företag tillämpar big data och datavetenskap i vardagliga aktiviteter för att skapa värde för konsumenterna. Bankinstitutioner drar nytta av stordata för att förbättra sina framgångar för upptäckt av bedrägerier. Kapitalförvaltningsföretag använder stordata för att förutsäga sannolikheten för att ett värdepappers pris rör sig uppåt eller nedåt vid en angiven tidpunkt.

Företag som Netflix utvinner stordata för att avgöra vilka produkter som ska levereras till sina användare. Netflix använder också algoritmer för att skapa personliga rekommendationer för användare baserat på deras visningshistorik. Datavetenskapen utvecklas i snabb takt, och dess tillämpningar kommer att fortsätta att förändra liv i framtiden.

Höjdpunkter

– Datavetenskap använder tekniker som maskininlärning och artificiell intelligens för att extrahera meningsfull information och för att förutsäga framtida mönster och beteenden.

– Området datavetenskap växer i takt med att tekniken går framåt och insamlings- och analystekniker för stora data blir mer sofistikerade.

– Framsteg inom teknik, internet, sociala medier och användningen av teknik har alla ökat tillgången till big data.

Vanliga frågor

Vilka är några nackdelar med datavetenskap?

Datautvinning och ansträngningar för att commoditize personuppgifter av sociala medieföretag har fått kritik mot bakgrund av flera skandaler, som Cambridge Analytica,. där personuppgifter användes av datavetare för att påverka politiska resultat eller undergräva val.

Vad är datavetenskap användbart för?

Datavetenskap kan identifiera mönster, vilket gör det möjligt att dra slutsatser och förutsägelser, från till synes ostrukturerade eller orelaterade data. Teknikföretag som samlar in användardata kan använda tekniker för att omvandla det som samlas in till källor för användbar eller lönsam information.

Använder inte alla vetenskaper data?

Ja, alla empiriska vetenskaper samlar in och analyserar data. Det som skiljer datavetenskap är att den är specialiserad på att använda sofistikerade beräkningsmetoder och maskininlärningstekniker för att bearbeta och analysera stora datamängder. Ofta är dessa datamängder så stora eller komplexa att de inte kan analyseras ordentligt med traditionella metoder.