A Review On Data Analyst

[piton]

Are you interested in knowing how to become a Data Analyst? The following are some of the abilities you need to have.

- Data Analyst jobs at entry level are usually filled only by graduates of certain majors. Examples include having a bachelor's degree in marketing, finance, computer science, mathematics, statistics and economics, the reason is that knowledge of analysis and calculation is needed in this type of work.

- Jobs in the data sector require a Data Analyst to be able to study a problem with a systematic framework and technique.This step makes it easier for the Data Analyst to analyze every company's business problem.

- Besides being able to analyze data, a Data Analyst is expected to have the knowledge and skills to assess the progress of a company's business. So, the insights generated by the Data analyst will be in line with the company's business.

- Even though they always dissect data, a Data Analyst must also have good communication skills. Because, he will explain technical matters, assess the progress of the company's business, and convey it to many people in the company.

- In analyzing data, teaching computers to be able to make decisions or predict something after having data is important. If you don't have this one skill, try to start learning it.

- The median, mean, mode, and standard deviation are examples of statistical concepts that you need to learn. The reason is, to become a Data Analyst, you need to be able to interpret data. Have a very strong understanding of inferential and descriptive statistics

- As a Data Analyst, it would be better if you also understand a programming language. Even so, the more programming languages you understand, the better it will be and help your work. SQL programming is the most common among Data Analysts. In order to become a reliable Data Analyst, you need to keep learning and gaining experience.

- As a prospective Data Analyst, you should have a lot of knowledge in the field of Microsoft Excel. Because later your work will have a lot to do with Excel, such as calculating numbers, organizing data for analysis. Microsoft Excel methods are still widely used such as writing Macros by using VBA search to perform analysis

- Besides getting knowledge related to Data Analysts from universities, you can also hone your skills by taking online courses provided for the Data Analyst profession. You can try learning Basic Data Analyst with Python which is taught by IBM at Coursera

[yuyul]

The Data Analyst is responsible for translating figures into reports that management can easily understand. Every business collects data, whether it's sales data, market research, logistics, or transportation costs. The job of a Data Analyst is to acquire and use that data to help companies make better business decisions. This can mean pricing a new product to launch, finding ways to reduce transportation costs, solving problems that are costly to the company, or determining how many employees have to work on Saturdays.

There are various kinds of Data Analysts in the work environment such as Operations Analysts, Marketing Analysts, Financial Analysts, etc.

Duty :
Interpret data, analyze results using statistical techniques and provide ongoing reports
Develop and implement databases, data collection systems, data analysis and other strategies that optimize the efficiency and quality of statistics
Get data from primary or secondary data sources and maintain databases / data systems
Identify, analyze, and interpret trends or patterns in complex data sets
Filter and "clean" data by reviewing computer reports, printouts, and performance indicators to find and fix coded problems
Work closely with management to prioritize business and information needs
Look for and define new process improvement opportunities

[alkatiri]

In today's digital era, the need for Data Analysts is increasing. Especially with the increasing number of technology-based startups or startups. They definitely need a Data Analyst to process company data.

In general, the data analyst is responsible for translating the numbers into a report that management can understand. Every company definitely needs sales data, market research, logistics, and transportation costs.

A job in the data field requires a Data Analyst to be able to study a problem with systematic techniques and frameworks. Morning Future reported, data analyst is a profession that deals with data analysis. This profession requires someone to understand the origins of data and distortion by analyzing these data.
The way to analyze these data is not arbitrary, but by using special technology. Morning Future itself stated that this profession is the profession of the future. This statement is based on data quoted from the World Economic Forum. In this data, it is stated that in 2020 this profession will become the favorite profession throughout the world.
The data above is also corroborated by data from IBM. According to these data, it is estimated that there will be 700 thousand recruiters by 2020.

Data analyst duties:
- Understanding the origin of data and the possibility of data distortion with special technology.
- Collect and analyze data
- Identify the correlation and interpretation patterns contained in the data. The results of this identification will later produce useful information, especially for the company

[jindon]

Data practitioners in companies make this profession more and more in demand. You should know, a data analyst should have some business knowledge in order to be able to fulfill the goals of a company. Data Analyst is a profession in charge of analyzing data and gaining new knowledge through it. Having good analytical skills doesn't seem enough, the competence of good hard skills is one of the things that supports you in a career in the data field.

SQL is a programming language used in accessing data. The ability to process SQL is a fundamental and mandatory hard skill in a career in the data field. Not only data analysts but also data engineers and data scientists need to master this hard skill because to be able to do the analysis, of course it requires data which is usually stored in a database. "With SQL allows the data analyst to be able to read and transform data for later processing into insight,"

[alkatiri]

Entry-Level Data Analyst

Entry-level data analysts are those who are just getting into the world of data analysis business. They are usually just graduating from university and are just starting out in this field. There are also many beginner data analysts who start their careers without having a formal education from any institution They learn data analysis techniques using alternative methods. There are so many private tutors or YouTube videos that can be used to learn data analysis methods, formal education through certified online courses or e-learning programs still takes precedence over these alternatives.

Entry-level data analysis jobs have the easiest requirements when compared to other types. This relatively low demand is due to the fact that most companies prefer these young data analysts to work on increasing their knowledge first and learning to experience the intricacies of data analysis techniques. When a company hires an entry-level data analyst, the company already knows that they have to teach the young analyst all the basic skills needed to do well in the company. For this reason, many companies have special training programs that are explicitly designed for those who wish to work as data analytics specialists.

As a beginner, the roles and responsibilities of a data analyst revolve around simple and easy work, such as helping supervisors and other senior teams with their main work, as well as practicing and learning how to analyze data using the programs needed to do the task, etc. You may think that the job and responsibility of an entry-level data analyst is something easy, but it's not really. Because there are so many people competing for a job position as a data analyst. If you decide to stick with your career as a data analyst, then there are many career path options you can take (assuming that you put the time and energy into achieving it). If you want a bigger salary and progress to become a junior data analyst, then you should devote your spare time to further study this topic, so that your potential can be maximized.

[irmafuad]

There are some who claim they are the same. There are also those who say that Data Scientists are data analysts who live and work in America. Because according to them these two professions are the same. But because this profession only appeared recently when Big Data came out, I personally state that these two professions are different even though one person may have both abilities as a Data Analyst and a Data Scientist.

There are several opinions that support my opinion. The following is a summary that I can about the differences between these two professions.

Data analyst or also sometimes called Business Data Analyst is a profession that observes data, looking for patterns from the data that indicate the condition of a company. In general, data analysts use data generated from the Business Intelligence (BI) application. Data analysts have deep skills in the business field that the company is engaged in. With this capability, the pattern of data received by applications such as BI can be visualized. These data patterns are generally of a general nature that many similar companies experience.

We have known data analysts long before Big Data technology. All applications of business intelligence, data mining and data warehouse require a data analyst to translate data. This data needs to be translated into sentences that are understood by the top management level. So it is known, for example, whether the sales increase / decrease by what percentage and so on, depending on the type of data generated.

Now what about the Data Scientist? Data scientist according to the name is a scientist or scientist. Like scientists, data scientists conduct experiments to find new things that will be useful for companies. these new things could be patterns that are not common or are not commonly known to similar companies. By discovering these new patterns, companies can gain an advantage over their competitors. Often times, victory in the competition in business is determined by the ability of data scientists to analyze the data. Examples of patterns that data scientists are looking for include patterns or item recommendation models that are commonly used on e-commerce web sites like Amazon or for example like on Netflix. This recommendation pattern or model, even though the name is the same, certainly differs from one company to another due to the characteristics of the consumers, the types of goods offered, etc. other than that

Data scientists are needed to analyze large amounts of data contained in Big Data systems. A Data Scientist must have skills in three areas. First is the ability about the business logic in the field that the company he is working with, such as a data analyst. The second is statistical and mathematical ability which is sufficient to find out the following data patterns with algorithms. The third is the ability to use tools from the Big Data system that help it process and analyze data such as the Apache Mahout and Apache Spark Machine Learning applications.

[m148]

Definition of Data Analysis

Data analysis is a process or effort to process data into new information so that the characteristics of the data become easier to understand and useful for problem solutions, especially those related to research.
Data analysis can also be defined as activities carried out to change the results of data from research into new information that can be used in making conclusions. In general, the purpose of data analysis is to explain the data to make it easier to understand, then make conclusions.

“Data analysis is the process that determines the business formally to find themes and formulate hypotheses (ideas) as suggested and as an attempt to provide assistance and themes to hypotheses “ ( Taylor 1975 )

“ Data analysis is the process of arranging the order of data, organizing it into patterns, categories, and basic units of description “ ( Lexy J. Moleong, 2002)

Data Analysis Steps and Procedures :

1. Data collection, the initial stage of data analysis activity is data collection for analysis.
2. The Editing Stage, which is the process of checking the clarity and completeness of filling out the data collection instruments.
3. The coding stage, which is the process of identifying and classifying all statements on the instrument to collect data based on the variables being studied.
4. Testing stage, namely the process of testing data quality, both in terms of validity and reliability of the instrument from data collection.
5. Stage of Describing the Data, namely the process of describing the data by presenting it in the form of a frequency table or diagram with various measures of central tendency and dispersion measures. The aim is to understand the characteristics of the sample data from a study.
6. Hypothesis Testing Stage, namely the process of testing a proposition whether it can be accepted or rejected, whether it has meaning or not. Based on this stage, conclusions or decisions will be made.


Types of Data Analysis

1. Descriptive Data Analysis
The definition of descriptive data analysis is an analytical technique used in analyzing data by making pictures of the data collected without making generalizations from the research results. Some of them are included in descriptive data analysis techniques, for example the presentation of data in the form of:

- Chart
- Table
- Presentation
- Frequency
- Diagram
- and others

2. Inferential Data Analysis
The definition of inferential data analysis is a technique of analyzing data using statistics by making generally accepted conclusions. Inferential analysis using certain statistical formulas. The results of the calculation of the formula will be the basis for generalizing the sample to the population. Inferential analysis serves to generalize the results of a sample study for the population.

Benefits of Data Analysis

There are several advantages to analyzing data for study. Following are some of the advantages of analyzing data:

- Get clearer measurement results.
- More reliable identification process.
- Allows to identify things that are important.
- Can be seen visually so that it helps in making decisions quickly and accurately.
- In business activities, it helps the process of identifying problems that require action or decisions.
- Have a better awareness of potential customers.

[yuyul]

Data digitization has opened up opportunities for the use of big data in universities. The value of big data lies in the results of analysis and predictions or the actions taken from the results of these analyzes and predictions. Data digitization enables effective practice to utilize big data analytics in the form of learning analytic, academic analytic and process analytic. By using big data analytics at the University which is supported by the cooperation of all educational enterprise contributors, be it students, staff, lecturers, administrators, and the community, it is possible to make accountable decisions based on information and data mined carefully, so that in the end it supports improvement. decision making based on data in universities in an effort to improve the success performance of students and institutions.

With the use of big data analytics at universities, it can be obtained more insight into students, academics, and university processes so that it supports predictive analysis and increases decision making based on data which in turn can help improve the success performance of students and institutions.
The use of big data analytic in universities which includes learning analytic, academic analytic, and process analytic.

Benefits and Uses of Big Data Analytics for Universities

1. Learning Analytic
Big Data Analytic can be used to analyze in real time student experiences that can be generated from student activities, such as: lecture registration, payments, class participation, online learning, and assessment.
Learning Analytic is analyzing learning data in real time so that it can be used to predict successful students and students who are at academic risk. With big data analytics in higher education, it can provide insight into students who are at risk of dropping out so that preventive action can be taken or provide additional support to increase their success, and confidence, in the learning process.
Learning Analytic has the potential to help students and lecturers together recognize signs of danger before threats to learning success materialize. Learning Analytic provides tools, technology, and a platform to empower educators and open doors to meaningful learning experiences that can engage, inspire, and prepare current and future students for success.

2. Academic Analytic
The object that can be analyzed in Academic Analytic is the performance of academic staff. With academic analytic, real time analysis can be carried out on data which is a variable measurement of academic performance so that it can be seen that outstanding academic staff and academic staff are underperforming compared to other academic staff.
For the academic analytic process, data sources can be used from the Outcomes Assessment, Lecture Assessment, Staff Assessment, Faculty Assessment, and Finance Assessment data.

3. Analytic Process
Big Data Analytic can also be used to analyze real time business processes in Higher Education. The data used can be obtained from log data or activity data from students, lecturers, and units related to the processes and activities that occur in tertiary institutions to then carry out process analytics using process mining to find new business process models. But process analytics is not limited to the process discovery of business processes but also allows for compliance checking, detecting deviations, predicting delays, supporting decision making, and recommending process redesigns.

For analytics process, data sources can be used from log activity data from the Student Information System process, Cource Management, Online Education, Student Assessment, and log activity data from the finance process. Student Assessment, and data finance. Data from several sources is then collected in a data warehouse for analysis using real time analysis and prediction technology, such as: OLAP, Analytical Reporting Tools (Business Intelligence), and Data Mining / Predictive Modeling.
The results of the analysis and predictions will be displayed in the form of a Dashboard Analytic Presentation which is expected to support the improvement of decision making in higher education in an effort to improve educational, academic performance as well as the success of students and institutions.

[kantu]

If you have done any kind of scientific research, you must be familiar with the term quantitative research. It is a type of research, besides a type of qualitative research. It is called quantitative because the results of the research will be in the form of statistical numbers. This type is mainly used by researchers who are trying to research something by taking certain measurements. Let's see how to analyze quantitative research data.

Data analysis is a process for simplifying data in a form that is easier to interpret or understandable for those who read it. In data analysis, it means that you are trying to process data into information. Later, this information becomes a characteristic of data that is easy to understand and answers problems related to research

Data analysis is understanding the meaning of all the data that has been collected, then grouping them and summarizing them into something that is easy to understand. Until finally a general pattern of all of them was found, represented by statistical symbols, such as the mean µ (mean), the number Σ (sigma), the significance level α (alpha), the correlation coefficient ρ (rho) and others. The data analysis technique depends on the research objectives and the type of data that has been collected.

Data Analysis Stages

In analyzing the data, there were several simple steps taken, namely editing, scoring, coding, cleaning, tabulating data, descriptive analysis, and inferential analysis. Later, the results of sample analysis in statistical units are continued to predict population parameters. Meanwhile, the results of population analysis in parameter units have been completed or there is no follow-up

In the data analysis process, researchers need accurate and reliable data. So that it can be used in the research conducted. The key to quantitative data analysis (statistics) is simplification of the data. If you are going to analyze the data, then here are the steps:

- Preparation
Prepare all the data that has been collected, check the completeness or fill in the instruments in data collection.

- Tabulation
If your research uses a questionnaire / questionnaire / test, give a score (rating) according to what you have determined at the beginning of the research method. Give the code to the item that was scored earlier. Changing data, adjusting and modifying it according to the analysis technique to be applied. Usually, interval data will be converted to ordinal data (graded). Then the ordinal (interval) data is transformed into discrete data.

- Application of Data
(adjusted to the research approach)

[yuyul]

For a career in the data analyst, especially if you choose a profession as a Data Analyst, you are required to think critically in order to generate creative ideas. A Data Analyst will certainly face large scale data, therefore you need to have a critical and logical frame of mind.

A Data Analyst must be proficient in other tools to be more competent in data processing. One of them is SQL, SQL is one of the main languages that you need to have to start a career as a Data Analyst. The main task of a Data Analyst is to analyze large amounts of data. Accuracy is one of the basic foundations for a career as a Data Analyst. Therefore, start sharpening yourself to be careful in all aspects, especially in terms of data processing.

[billyboy00007]

Data Science vs. Business Analysis. The data analyst serves as a gatekeeper for an organization's data so stakeholders can understand data and use it to make strategic business decisions. It is a technical role that requires an undergraduate degree or master's degree in analytics, computer modeling, science, or math.

Skilled data analysts are some of the most sought-after professionals in the world. Because the demand is so strong, and the supply of people who can truly do this job well is so limited, data analysts command huge salaries and excellent perks, even at the entry level

An advantage that a data analytics bachelor's degree has over most other degrees is that it will give you good job prospects without the need for a master's degree. With that being said, if you want to also get a master's degree in data analytics then that will also open you up to many more job opportunities.

[yuyul]

Descriptive statistics are statistics that are used to analyze data by describing or describing the data that has been collected as it is without the intention of making generalized conclusions or generalizations. Research conducted on the population (without taking the smapel) will clearly use descriptive statistics in the analysis. But if the research is carried out on the sample, the analysis can use descriptive or inferential statistics. Descriptive statistics can be used when the researcher only wants to describe the sample data, and does not want to make conclusions that apply to the population in which the sample is drawn. Regarding data with descriptive statistics, researchers need to pay attention to the type of data first. If the researcher has discrete data, presenting the data that can be done is to find the absolute frequency, the relative frequency (looking for the percentage), and to find the measure of the central tendency, namely: mode, median and mean.

Descriptive will only describe the state of a symptom that has been recorded through a measuring instrument and then processed according to its function. The results of the processing are then presented in numerical form so as to give the impression that the meaning is easier for anyone who needs information about the presence of these symptoms.

The descriptive statistical function, among others, classifies a variable data based on its respective groups, from the beginning it is not regular and easy to interpret the meaning by people who need information about the state of the variable. In addition, descriptive statistics also serve to present information in such a way that the data generated from the research can be used by others who need it.

[piton]

On the basis of the opinions of Bogdan and Biklen and Lincoln and Guba, Sudarwan Danim and Darwis (2003: 263-267) put forward the principles of data analysis in qualitative research as follows:

a. Researchers are the main instrument of data collection and the subject under study is considered to have the same relative position as the researcher. As the main instrument, the researcher conducts interviews with respondents and observes a number of research focus phenomena that appear and occur in the field as they are.

b. The research data collected is descriptive. Researchers collect data and record phenomena that are directly or indirectly related to the research focus. This characteristic has implications for the collected data, which tends to be words or descriptive descriptions, without neglecting data in the form of numbers.

c. The research work process is carried out using an ethical perspective, namely by prioritizing the views and views of the respondents towards the situation they are facing. The researcher minimizes the ethical perspective with the aim of reducing the subjectivity of the collected data.

d. Data and phenomenon verification is done by looking for different or conflicting cases using different methods and subjects.

e. Research activities prioritize process rather than results and research data are analyzed inductively to get the meaning of existing natural conditions. The meaning of the data is carried out by means of an idiographic interpretation in the form of an analysis of the phenomena that have arisen but are not intended to formulate generalizations.

f. Giving meaning is the main basis for understanding the situation, in which the meaning is not only done by the researcher but also based on the shared interpretation with the data source.

[yuyul]

डेटा विश्लेषक उन रिपोर्टों में आंकड़ों के अनुवाद के लिए जिम्मेदार है जिन्हें प्रबंधन आसानी से समझ सकता है। हर व्यवसाय डेटा एकत्र करता है, चाहे वह बिक्री डेटा, बाजार अनुसंधान, रसद या परिवहन लागत हो। डेटा एनालिस्ट का काम उस डेटा को हासिल करना और उसका इस्तेमाल करना है, जिससे कंपनियों को बेहतर कारोबारी फैसले लेने में मदद मिल सके। इसका मतलब यह हो सकता है कि लॉन्च करने के लिए एक नए उत्पाद का मूल्य निर्धारण किया जाए, परिवहन लागत को कम करने के तरीकों को खोजा जाए, समस्याओं को हल किया जाए जो कंपनी के लिए महंगी हैं, या यह निर्धारित करना कि कितने कर्मचारियों को शनिवार को काम करना है।

कार्य वातावरण में विभिन्न प्रकार के डेटा विश्लेषक हैं, जैसे ऑपरेशन एनालिस्ट, मार्केटिंग एनालिस्ट, वित्तीय विश्लेषक आदि।

कर्तव्य:
आंकड़ों की व्याख्या करें, सांख्यिकीय तकनीकों का उपयोग करके परिणामों का विश्लेषण करें और चल रही रिपोर्ट प्रदान करें
डेटाबेस, डेटा संग्रह प्रणाली, डेटा विश्लेषण और अन्य रणनीतियों को विकसित और कार्यान्वित करें जो आंकड़ों की दक्षता और गुणवत्ता का अनुकूलन करते हैं
प्राथमिक या द्वितीयक डेटा स्रोतों से डेटा प्राप्त करें और डेटाबेस / डेटा सिस्टम बनाए रखें
जटिल डेटा सेट में रुझानों या पैटर्न की पहचान, विश्लेषण और व्याख्या करें
कोडेड समस्याओं को खोजने और ठीक करने के लिए कंप्यूटर रिपोर्ट, प्रिंटआउट और प्रदर्शन संकेतकों की समीक्षा करके फ़िल्टर और "क्लीन" डेटा
व्यवसाय और सूचना की जरूरतों को प्राथमिकता देने के लिए प्रबंधन के साथ मिलकर काम करें
नई प्रक्रिया सुधार के अवसरों की तलाश करें और उन्हें परिभाषित करें

[kantu]

डेटा विश्लेषक एक रिपोर्ट में संख्याओं के अनुवाद के लिए जिम्मेदार है जिसे प्रबंधन आसानी से समझ सकता है। हर व्यवसाय डेटा एकत्र करता है, यह बिक्री डेटा, बाजार अनुसंधान, रसद या परिवहन लागत हो। डेटा विश्लेषक का काम कंपनियों को बेहतर व्यावसायिक निर्णय लेने में मदद करने के लिए उस डेटा का अधिग्रहण और उपयोग करना है। इसका मतलब यह हो सकता है कि लॉन्च करने के लिए एक नए उत्पाद का मूल्य निर्धारण किया जाए, परिवहन लागत को कम करने के तरीके खोजना, एक समस्या को हल करना जो कंपनी को नुकसान पहुंचा रही है, या यह निर्धारित करना कि कितने कर्मचारियों को शनिवार को काम करना है।

कार्य वातावरण में विभिन्न प्रकार के डेटा विश्लेषक हैं, जैसे ऑपरेशन विश्लेषक, विपणन विश्लेषक, वित्तीय विश्लेषक आदि।

कर्तव्य :
आंकड़ों की व्याख्या करें, सांख्यिकीय तकनीकों का उपयोग करके परिणामों का विश्लेषण करें, और निरंतर रिपोर्ट प्रदान करें
डेटाबेस, डेटा संग्रह प्रणाली, डेटा विश्लेषण और अन्य रणनीतियों को विकसित और कार्यान्वित करें जो आंकड़ों की दक्षता और गुणवत्ता का अनुकूलन करते हैं
प्राथमिक या द्वितीयक डेटा स्रोतों से डेटा प्राप्त करें और डेटाबेस / डेटा सिस्टम बनाए रखें
जटिल डेटा सेट में रुझानों या पैटर्न की पहचान, विश्लेषण और व्याख्या करें
कोडेड समस्याओं को खोजने और ठीक करने के लिए कंप्यूटर रिपोर्ट, प्रिंटआउट और प्रदर्शन संकेतकों की समीक्षा करके फ़िल्टर और "क्लीन" डेटा
व्यवसाय और सूचना की जरूरतों को प्राथमिकता देने के लिए प्रबंधन के साथ मिलकर काम करें
नई प्रक्रिया सुधार के अवसरों की तलाश करें और उन्हें परिभाषित करें

[jindon]

अन्य प्रकारों की तुलना में प्रवेश स्तर के डेटा विश्लेषण नौकरियों की सबसे आसान आवश्यकताएं हैं। यह अपेक्षाकृत कम मांग इस तथ्य के कारण है कि अधिकांश कंपनियां इन युवा डेटा विश्लेषकों को पसंद करती हैं कि वे पहले अपने ज्ञान को बढ़ाने पर काम करें और डेटा विश्लेषण तकनीकों की जटिलताओं का अनुभव करना सीखें। जब कोई कंपनी एक एंट्री-लेवल डेटा विश्लेषक को काम पर रखती है, तो कंपनी को पहले से ही पता होता है कि उन्हें कंपनी में अच्छा प्रदर्शन करने के लिए आवश्यक सभी बुनियादी कौशल को युवा विश्लेषक को सिखाना होगा। इस कारण से, कई कंपनियों के पास विशेष प्रशिक्षण कार्यक्रम हैं जो स्पष्ट रूप से उन लोगों के लिए डिज़ाइन किए गए हैं जो डेटा एनालिटिक्स विशेषज्ञों के रूप में काम करना चाहते हैं।

एक शुरुआत के रूप में, एक डेटा विश्लेषक की भूमिकाएं और जिम्मेदारियां सरल और आसान काम के इर्द-गिर्द घूमती हैं, जैसे कि पर्यवेक्षकों और अन्य वरिष्ठ टीमों को अपने मुख्य काम में मदद करने के साथ-साथ अभ्यास और सीखने के लिए कि प्रोग्राम का उपयोग करके डेटा का विश्लेषण कैसे करें। , आदि आप सोच सकते हैं कि एंट्री-लेवल डेटा एनालिस्ट की नौकरी और जिम्मेदारी कुछ आसान है, लेकिन यह वास्तव में नहीं है। क्योंकि डेटा विश्लेषक के रूप में नौकरी की स्थिति के लिए बहुत सारे लोग प्रतिस्पर्धा कर रहे हैं।

[dandin]

डेटा विश्लेषक उन रिपोर्टों में आंकड़ों के अनुवाद के लिए जिम्मेदार है जिन्हें प्रबंधन आसानी से समझ सकता है। हर व्यवसाय डेटा एकत्र करता है, चाहे वह बिक्री डेटा, बाजार अनुसंधान, रसद या परिवहन लागत हो। डेटा एनालिस्ट का काम उस डेटा को हासिल करना और उसका इस्तेमाल करना है, जिससे कंपनियों को बेहतर कारोबारी फैसले लेने में मदद मिल सके। इसका मतलब यह हो सकता है कि लॉन्च करने के लिए एक नए उत्पाद का मूल्य निर्धारण किया जाए, परिवहन लागत को कम करने के तरीकों को खोजा जाए, समस्याओं को हल किया जाए जो कंपनियों के लिए महंगा हो, या यह निर्धारित करें कि कितने कर्मचारियों को शनिवार को काम करना है।

व्यवहार में, विभिन्न प्रकार के डेटा विश्लेषक हैं, जैसे ऑपरेशन विश्लेषक, विपणन विश्लेषक, वित्तीय विश्लेषक आदि।

कर्तव्य
आंकड़ों की व्याख्या करें, सांख्यिकीय तकनीकों का उपयोग करके परिणामों का विश्लेषण करें और चल रही रिपोर्ट प्रदान करें
डेटाबेस, डेटा संग्रह प्रणाली, डेटा विश्लेषण और अन्य रणनीतियों को विकसित और कार्यान्वित करें जो आंकड़ों की दक्षता और गुणवत्ता का अनुकूलन करते हैं
प्राथमिक या द्वितीयक डेटा स्रोतों से डेटा प्राप्त करें और डेटाबेस / डेटा सिस्टम बनाए रखें
जटिल डेटा सेट में रुझानों या पैटर्न की पहचान, विश्लेषण और व्याख्या करें
कोडेड समस्याओं को खोजने और ठीक करने के लिए कंप्यूटर रिपोर्ट, प्रिंटआउट और प्रदर्शन संकेतकों की समीक्षा करके फ़िल्टर और "क्लीन" डेटा
व्यवसाय और सूचना की जरूरतों को प्राथमिकता देने के लिए प्रबंधन के साथ मिलकर काम करें
नई प्रक्रिया सुधार के अवसरों की तलाश करें और उन्हें परिभाषित करें।

[yuyul]

डेटा विश्लेषक क्षमता हर दिन कई लोगों के लिए बातचीत का विषय है। कुछ लोग मुझसे पूछते हैं, “मैंने केवल एक्सेल का उपयोग करने के बारे में जाना है और जब से मैंने शुरू किया है, तब से विश्लेषणात्मक चार्ट कैसे बनाया जाए। मेरी राय में, डेटा विश्लेषकों को सिर्फ व्यावसायिक डेटा का विश्लेषण करना प्रतीत होता है और मुझे नहीं पता कि मुझे अपने कौशल में सुधार कैसे करना है। "

डेटा विश्लेषण का उपयोग प्राप्त डेटा के माध्यम से उत्पादों, विपणन रणनीतियों और परिचालन रणनीतियों का अनुकूलन करने के लिए किया जाता है। अकेले व्यावसायिक ज्ञान पर्याप्त नहीं है, डेटा का विश्लेषण करने के लिए विभिन्न क्षमताओं में महारत हासिल करना अधिक महत्वपूर्ण है। वर्षों से एक डेटा विश्लेषक के रूप में मेरे अनुभव के आधार पर, मैंने दस कौशल को संक्षेप में प्रस्तुत किया है, जिन्हें एक वरिष्ठ डेटा विश्लेषक द्वारा महारत हासिल करने की आवश्यकता है और एक योग्यता है।

सांख्यिकी: बड़ी संख्या में कानून, नंबर रैंकिंग परीक्षण, प्रतिगमन, अनुमान
डेटा विज़ुअलाइज़ेशन सॉफ़्टवेयर: एक्सेल, अजगर, अन्य पेशेवर सॉफ़्टवेयर
बिग डेटा प्रोसेसिंग फ्रेमवर्क: Hadoop, तूफान, स्पार्क
डेटाबेस: SQL, MySQL, DB
डेटा वेयरहाउस: एसएसआईएस, एसएसएएस
कृत्रिम होशियारी
मशीन लर्निंग
डेटा माइनिंग क्षमताएं: मतलाब, आर, पायथन
प्रोग्रामिंग भाषाएँ: जावा, पायथन
एक रिपोर्ट लिखो

[ismar]

डेटा साइंटिस्ट एक ऐसा पेशा है जो अब बिग डेटा के विकास के साथ-साथ विकसित हो रहा है। भले ही उनका एक नाम है जो लगभग डेटा विश्लेषक के समान है, वास्तव में इन दोनों व्यवसायों में एक दूसरे से मतभेद हैं। पूर्वोत्तर में उल्लेख किया है। दोनों के बीच अंतर्निहित अंतर है कि वे डेटा में क्या करते हैं। डेटा विश्लेषकों या डेटा विश्लेषकों को रुझानों की पहचान करने और उन्हें एक ग्राफिक रूप में विकसित करने के लिए बड़े डेटा का विश्लेषण करने का काम सौंपा जाता है जिसे प्रस्तुति में प्रदर्शित किया जाता है। निर्णय लेने में व्यावसायिक क्षेत्र की मदद करने के लिए यह उपयोगी है। जबकि डेटा साइंटिस्ट या डेटा साइंटिस्ट एक जटिल समस्या का समाधान खोजने के लिए विभिन्न तरीकों और एल्गोरिदम का उपयोग करके डेटा विश्लेषण प्रक्रिया करता है।
डेटा वैज्ञानिक प्रोटोटाइप, एल्गोरिदम, भविष्य कहनेवाला मॉडल और कस्टम विश्लेषण का उपयोग करके डेटा मॉडलिंग और उत्पादन के लिए नई प्रक्रियाओं का डिज़ाइन और निर्माण करेंगे। डेटा वैज्ञानिक एक ही समय में कई उपकरणों का उपयोग करके अपरिभाषित डेटा सेट का प्रबंधन कर सकते हैं और अपने स्वयं के स्वचालन प्रणाली और ढांचे का निर्माण कर सकते हैं। संक्षेप में, एक डेटा साइंटिस्ट डेटा का विश्लेषण, प्रक्रिया और मॉडल करेगा और फिर अन्य कंपनियों और संगठनों के लिए कार्य करने योग्य योजना बनाने के लिए परिणामों की व्याख्या करेगा। डेटा साइंस विशेषज्ञ और अल्लुवियम के संस्थापक ड्रू कॉनवे ने डेटा साइंटिस्ट के रूप में एक वेन आरेख बनाया, जिसमें किसी को गणित और सांख्यिकी, हैकिंग कौशल और महत्वपूर्ण विशेषज्ञता का ज्ञान है। इस बीच, डेटा विश्लेषण के लिए गणित और सांख्यिकी में विशेषज्ञता जैसे विशेषज्ञता की आवश्यकता होती है। दोनों के लिए यह भी आवश्यक है कि वे संख्याओं के साथ निर्णय लेने के लिए आवश्यक उपकरण सीखें।

[zahid2016]

In analyzing the data, there were several simple steps taken, namely editing, scoring, coding, cleaning, tabulating data, descriptive analysis, and inferential analysis. Later, the results of sample analysis in statistical units are continued to predict population parameters. Meanwhile, the results of population analysis in parameter units have been completed or there is no follow-up

In the data analysis process, researchers need accurate and reliable data. So that it can be used in the research conducted. The key to quantitative data analysis (statistics) is simplification of the data. If you are going to analyze the data, then here are the steps:

- Preparation
Prepare all the data that has been collected, check the completeness or fill in the instruments in data collection.

- Tabulation
If your research uses a questionnaire / questionnaire / test, give a score (rating) according to what you have determined at the beginning of the research method. Give the code to the item that was scored earlier. Changing data, adjusting and modifying it according to the analysis technique to be applied. Usually, interval data will be converted to ordinal data (graded). Then the ordinal (interval) data is transformed into discrete data.

[Aleena]

Data Science vs. Business Analysis. The data analyst serves as a gatekeeper for an organization's data so stakeholders can understand data and use it to make strategic business decisions. It is a technical role that requires an undergraduate degree or master's degree in analytics, computer modeling, science, or math.

Skilled data analysts are some of the most sought-after professionals in the world. Because the demand is so strong, and the supply of people who can truly do this job well is so limited, data analysts command huge salaries and excellent perks, even at the entry level

An advantage that a data analytics bachelor's degree has over most other degrees is that it will give you good job prospects without the need for a master's degree. With that being said, if you want to also get a master's degree in data analytics then that will also open you up to many more job opportunities.

[ismar]

डेटा विश्लेषक क्षमता हर दिन कई लोगों के लिए बातचीत का विषय है। कुछ लोग मुझसे पूछते हैं, “मैंने केवल एक्सेल का उपयोग करने के बारे में जाना है और जब से मैंने शुरू किया है, तब से विश्लेषणात्मक चार्ट कैसे बनाया जाए। मेरी राय में, डेटा विश्लेषकों को सिर्फ व्यावसायिक डेटा का विश्लेषण करना प्रतीत होता है और मुझे नहीं पता कि मुझे अपने कौशल में सुधार कैसे करना है। "

ऐसा इसलिए है क्योंकि वह बड़े डेटा विश्लेषण के मूल्य को पूरी तरह से नहीं निकालता है। डेटा विश्लेषण का उपयोग प्राप्त आंकड़ों के माध्यम से उत्पादों, विपणन रणनीतियों और परिचालन रणनीतियों को अनुकूलित करने के लिए किया जाता है। अकेले व्यावसायिक ज्ञान पर्याप्त नहीं है, डेटा का विश्लेषण करने के लिए विभिन्न क्षमताओं में महारत हासिल करना अधिक महत्वपूर्ण है। वर्षों से एक डेटा विश्लेषक के रूप में मेरे अनुभव के आधार पर, मैंने दस कौशल को संक्षेप में प्रस्तुत किया है, जिन्हें एक वरिष्ठ डेटा विश्लेषक द्वारा महारत हासिल करने की आवश्यकता है और एक योग्यता है।

सांख्यिकी: बड़ी संख्या में कानून, नंबर रैंकिंग परीक्षण, प्रतिगमन, अनुमान
डेटा विज़ुअलाइज़ेशन सॉफ़्टवेयर: एक्सेल, अजगर, अन्य पेशेवर सॉफ़्टवेयर
बिग डेटा प्रोसेसिंग फ्रेमवर्क: Hadoop, तूफान, स्पार्क
डेटाबेस: SQL, MySQL, DB
डेटा वेयरहाउस: एसएसआईएस, एसएसएएस
कृत्रिम होशियारी
मशीन लर्निंग
डेटा माइनिंग क्षमताएं: मतलाब, आर, पायथन
प्रोग्रामिंग भाषाएँ: जावा, पायथन
एक रिपोर्ट लिखो

[dandin]

फेसबुक एक सोशल नेटवर्किंग साइट है, जिसका इस्तेमाल रिमोट मैसेज भेजने, फोटो और वीडियो अपलोड करने, दोस्तों को जोड़ने आदि के लिए किया जाता है। कई लोगों के फेसबुक अकाउंट हैं। लगभग 1 बिलियन से अधिक लोग इस एप्लिकेशन का उपयोग करते हैं। इस सामाजिक नेटवर्क का उपयोग केवल मनोरंजन या सामाजिककरण के लिए नहीं किया जाता है। आप इस सोशल मीडिया के माध्यम से व्यावसायिक अवसर भी प्राप्त कर सकते हैं।

एक विस्तृत और असीमित पहुंच के साथ आप उन्हें अपने व्यवसाय की पेशकश कर सकते हैं। आपके पास इस सामाजिक नेटवर्क के माध्यम से अपने उत्पाद को बढ़ावा देने का अवसर है। सोशल मीडिया के माध्यम से बेचे जाने वाले उत्पाद आमतौर पर अधिक आकर्षक लगते हैं। इसलिए यह सोशल मीडिया के जरिए बेचने का चलन बन गया है। व्यावहारिक होने के अलावा, समुदाय कुछ खरीदने में आसान और अधिक व्यावहारिक है।

सोशल मीडिया के उपयोग से होने वाली लागत सस्ती है। आप अपने व्यवसाय को जल्दी और मुफ्त में बढ़ावा दे सकते हैं। और बड़े व्यवसायों के लिए आप भुगतान किए गए विज्ञापन बना सकते हैं। विज्ञापन आपके पास मौजूद बजट के अनुसार हो सकते हैं। आप बस यह निर्धारित करते हैं कि आप कितना पैसा खर्च करना चाहते हैं।

फेसबुक कई तरह के होते हैं। नियमित रूप से फेसबुक और व्यवसाय फेसबुक हैं। फेसबुक का इस्तेमाल आम तौर पर संवाद करने के लिए किया जाता है, जिसमें स्टेटस अपडेट करना, फ्रेंड स्टेटस पसंद करना, मैसेज भेजना, दोस्तों को जोड़ना और बहुत कुछ शामिल है। नियमित फेसबुक के सीमित मित्र होते हैं। केवल 5000 मित्र ही मित्र बना सकते हैं। ताकि फेसबुक व्यापार करने के लिए उपयुक्त न हो।

बिजनेस फेसबुक के विपरीत, बिजनेस फेसबुक में दोस्तों की संख्या की कोई सीमा नहीं है। इसलिए आप ज्यादा से ज्यादा दोस्त बना सकते हैं। इसके अलावा, फेसबुक व्यवसाय के विभिन्न उपयोग भी हैं, जैसे, आप अपने व्यवसाय में केवल एक ही विज्ञापन प्रबंधक बना सकते हैं, जोड़ सकते हैं और प्रबंधित कर सकते हैं। अपने व्यवसाय को बढ़ावा देने के लिए एक प्रशंसक पृष्ठ बनाकर।

आमतौर पर एक प्रशंसक पृष्ठ का उपयोग करके, आपका व्यवसाय जनता की नज़र में अधिक पेशेवर होगा। हर कोई आपके प्रशंसक पृष्ठ का अनुसरण कर सकता है या उसे देख सकता है। आप अपने फैन पेज को लाइक और फॉलो करने के लिए दूसरों को भी आमंत्रित कर सकते हैं।

[zahid2016]

डेटा साइंटिस्ट एक ऐसा पेशा है जो अब बिग डेटा के विकास के साथ-साथ विकसित हो रहा है। भले ही उनका एक नाम है जो लगभग डेटा विश्लेषक के समान है, वास्तव में इन दोनों व्यवसायों में एक दूसरे से मतभेद हैं। पूर्वोत्तर में उल्लेख किया है। दोनों के बीच अंतर्निहित अंतर है कि वे डेटा में क्या करते हैं। डेटा विश्लेषकों या डेटा विश्लेषकों को रुझानों की पहचान करने और उन्हें एक ग्राफिक रूप में विकसित करने के लिए बड़े डेटा का विश्लेषण करने का काम सौंपा जाता है जिसे प्रस्तुति में प्रदर्शित किया जाता है। निर्णय लेने में व्यावसायिक क्षेत्र की मदद करने के लिए यह उपयोगी है। जबकि डेटा साइंटिस्ट या डेटा साइंटिस्ट एक जटिल समस्या का समाधान खोजने के लिए विभिन्न तरीकों और एल्गोरिदम का उपयोग करके डेटा विश्लेषण प्रक्रिया करता है।
डेटा वैज्ञानिक प्रोटोटाइप, एल्गोरिदम, भविष्य कहनेवाला मॉडल और कस्टम विश्लेषण का उपयोग करके डेटा मॉडलिंग और उत्पादन के लिए नई प्रक्रियाओं का डिज़ाइन और निर्माण करेंगे। डेटा वैज्ञानिक एक ही समय में कई उपकरणों का उपयोग करके अपरिभाषित डेटा सेट का प्रबंधन कर सकते हैं और अपने स्वयं के स्वचालन प्रणाली और ढांचे का निर्माण कर सकते हैं। संक्षेप में, एक डेटा साइंटिस्ट डेटा का विश्लेषण, प्रक्रिया और मॉडल करेगा और फिर अन्य कंपनियों और संगठनों के लिए कार्य करने योग्य योजना बनाने के लिए परिणामों की व्याख्या करेगा। डेटा साइंस विशेषज्ञ और अल्लुवियम के संस्थापक ड्रू कॉनवे ने डेटा साइंटिस्ट के रूप में एक वेन आरेख बनाया, जिसमें किसी को गणित और सांख्यिकी, हैकिंग कौशल और महत्वपूर्ण विशेषज्ञता का ज्ञान है। इस बीच, डेटा विश्लेषण के लिए गणित और सांख्यिकी में विशेषज्ञता जैसे विशेषज्ञता की आवश्यकता होती है। दोनों के लिए यह भी आवश्यक है कि वे संख्याओं के साथ निर्णय लेने के लिए आवश्यक उपकरण सीखें।

[irmafuad]

फोर्ब्स पत्रिका में बर्नार्ड मार के लेखन से रिपोर्ट की गई कि बड़ी मात्रा में डेटा (बिग डेटा) का विश्लेषण और व्याख्या करने का कौशल रखने वाले चिकित्सकों की संख्या आज की उद्योग मांग (संस्करण 6 जुलाई 2015) के लिए पर्याप्त नहीं है। फिर उद्योग की जरूरतों के आधार पर यूडेसिटी के अनुसार इसके मामले के अध्ययन (Google, Amazon, और IBM) पर आधारित
उपलब्ध आंकड़ों के प्रबंधन में डेटा विश्लेषकों को अधिक सक्षम होना आवश्यक है। सबसे आम समाधानों में से एक है बड़े डेटा समाधान रणनीति का उपयोग करना।

तो, अपने प्रदर्शन को अधिकतम करने के लिए डेटा विश्लेषक के पास क्या क्षमताएँ होनी चाहिए?

सबसे पहले, जैसा कि नाम से पता चलता है, डेटा विश्लेषक के पास डेटा का विश्लेषण करने की क्षमता होनी चाहिए। इस क्षमता के साथ, एक समस्या को एक व्यवस्थित विधि द्वारा हल किया जा सकता है।
दूसरा, डेटा विश्लेषक के पास उस व्यवसाय की व्यापक जानकारी होनी चाहिए, जिसमें वे लगे हुए हैं। व्यवसाय की प्रगति का न्याय करने में सक्षम होने के कारण डेटा विश्लेषक के लिए एक प्लस है। इस क्षमता के साथ, डेटा विश्लेषक इनपुट प्रदान कर सकता है जो कंपनी की स्थितियों के अनुरूप है।

तीसरा, संचार कौशल अच्छा हो। इन तकनीकी विधियों के माध्यम से प्राप्त डेटा विश्लेषण के परिणाम केवल संबंधित पक्षों को प्रस्तुत किए जाने चाहिए।
चौथा, कंप्यूटर प्रोग्राम का उपयोग करने की क्षमता है, जैसे कि SQL प्रोग्रामिंग भाषा, Microsoft Excel, SharePoint और Microsoft Access।

[zahid2016]

डेटा साइंटिस्ट एक ऐसा पेशा है जो अब बिग डेटा के विकास के साथ-साथ विकसित हो रहा है। भले ही उनका एक नाम है जो लगभग डेटा विश्लेषक के समान है, वास्तव में इन दोनों व्यवसायों में एक दूसरे से मतभेद हैं। पूर्वोत्तर में उल्लेख किया है। दोनों के बीच अंतर्निहित अंतर है कि वे डेटा में क्या करते हैं। डेटा विश्लेषकों या डेटा विश्लेषकों को रुझानों की पहचान करने और उन्हें एक ग्राफिक रूप में विकसित करने के लिए बड़े डेटा का विश्लेषण करने का काम सौंपा जाता है जिसे प्रस्तुति में प्रदर्शित किया जाता है। निर्णय लेने में व्यावसायिक क्षेत्र की मदद करने के लिए यह उपयोगी है। जबकि डेटा साइंटिस्ट या डेटा साइंटिस्ट एक जटिल समस्या का समाधान खोजने के लिए विभिन्न तरीकों और एल्गोरिदम का उपयोग करके डेटा विश्लेषण प्रक्रिया करता है।
डेटा वैज्ञानिक प्रोटोटाइप, एल्गोरिदम, भविष्य कहनेवाला मॉडल और कस्टम विश्लेषण का उपयोग करके डेटा मॉडलिंग और उत्पादन के लिए नई प्रक्रियाओं का डिज़ाइन और निर्माण करेंगे। डेटा वैज्ञानिक एक ही समय में कई उपकरणों का उपयोग करके अपरिभाषित डेटा सेट का प्रबंधन कर सकते हैं और अपने स्वयं के स्वचालन प्रणाली और ढांचे का निर्माण कर सकते हैं। संक्षेप में, एक डेटा साइंटिस्ट डेटा का विश्लेषण, प्रक्रिया और मॉडल करेगा और फिर अन्य कंपनियों और संगठनों के लिए कार्य करने योग्य योजना बनाने के लिए परिणामों की व्याख्या करेगा। डेटा साइंस विशेषज्ञ और अल्लुवियम के संस्थापक ड्रू कॉनवे ने डेटा साइंटिस्ट के रूप में एक वेन आरेख बनाया, जिसमें किसी को गणित और सांख्यिकी, हैकिंग कौशल और महत्वपूर्ण विशेषज्ञता का ज्ञान है। इस बीच, डेटा विश्लेषण के लिए गणित और सांख्यिकी में विशेषज्ञता जैसे विशेषज्ञता की आवश्यकता होती है। दोनों के लिए यह भी आवश्यक है कि वे संख्याओं के साथ निर्णय लेने के लिए आवश्यक उपकरण सीखें।

[Aleena]

ऐसा इसलिए है क्योंकि वह बड़े डेटा विश्लेषण के मूल्य को पूरी तरह से नहीं निकालता है। डेटा विश्लेषण का उपयोग प्राप्त आंकड़ों के माध्यम से उत्पादों, विपणन रणनीतियों और परिचालन रणनीतियों को अनुकूलित करने के लिए किया जाता है। अकेले व्यावसायिक ज्ञान पर्याप्त नहीं है, डेटा का विश्लेषण करने के लिए विभिन्न क्षमताओं में महारत हासिल करना अधिक महत्वपूर्ण है। वर्षों से एक डेटा विश्लेषक के रूप में मेरे अनुभव के आधार पर, मैंने दस कौशल को संक्षेप में प्रस्तुत किया है, जिन्हें एक वरिष्ठ डेटा विश्लेषक द्वारा महारत हासिल करने की आवश्यकता है और एक योग्यता है।

सांख्यिकी: बड़ी संख्या में कानून, नंबर रैंकिंग परीक्षण, प्रतिगमन, अनुमान
डेटा विज़ुअलाइज़ेशन सॉफ़्टवेयर: एक्सेल, अजगर, अन्य पेशेवर सॉफ़्टवेयर
बिग डेटा प्रोसेसिंग फ्रेमवर्क: Hadoop, तूफान, स्पार्क
डेटाबेस: SQL, MySQL, DB
डेटा वेयरहाउस: एसएसआईएस, एसएसएएस
कृत्रिम होशियारी
मशीन लर्निंग

[yuyul]

एक डेटा विश्लेषक वह होता है जो विशिष्ट विषयों के बारे में जानकारी लेकर अपनी कंपनियों को मूल्य बचाता है और फिर व्यापक रिपोर्टों में व्याख्या, प्रारंभिक रिपोर्ट और निष्कर्ष प्रस्तुत करता है। विशेषज्ञों के रूप में, डेटा विश्लेषकों को अक्सर प्रतिस्पर्धी विश्लेषण प्रदान करने और उद्योगों के भीतर रुझानों की पहचान करने के लिए अपने कौशल और उपकरणों का उपयोग करने के लिए कहा जाता है।

अब, देखते हैं कि उन्हें कौन से कार्य करने होंगे
- छिपे हुए अंतर्दृष्टि को इकट्ठा करें
डेटा से छिपी अंतर्दृष्टि को इकट्ठा किया जाता है और फिर व्यावसायिक आवश्यकताओं के विषय में विश्लेषण किया जाता है

- रिपोर्ट जनरेट करें
रिपोर्ट डेटा से उत्पन्न होती है और व्यापार में उच्च वृद्धि के लिए आगे की कार्रवाई से निपटने के लिए संबंधित टीमों और व्यक्तियों को दी जाती है

- मार्केट एनालिसिस करें
बाजार विश्लेषण प्रतियोगियों की ताकत और कमजोरियों को समझने के लिए किया जा सकता है

- व्यापार आवश्यकताओं में सुधार डेटा का विश्लेषण ग्राहकों की आवश्यकताओं और अनुभव के लिए व्यापार में सुधार की अनुमति देता है

यदि आप विभिन्न स्रोतों से डेटा एकत्र कर सकते हैं, डेटा का विश्लेषण कर सकते हैं, छिपी हुई अंतर्दृष्टि इकट्ठा कर सकते हैं, और रिपोर्ट उत्पन्न कर सकते हैं, तो आप डेटा विश्लेषक बन सकते हैं!

आपको नीचे उल्लिखित अधिकांश टूल और भाषाओं से अच्छी तरह वाकिफ होना चाहिए:
• आर प्रोग्रामिंग
यह टूल सांख्यिकी और डेटा मॉडलिंग के लिए उपयोग किया जाने वाला प्रमुख एनालिटिक्स टूल है। संकलन और विभिन्न प्लेटफार्मों जैसे यूनिक्स, विंडोज और मैक ओएस पर चलता है। यह उपयोगकर्ता-आवश्यकताओं के अनुसार सभी पैकेजों को स्वचालित रूप से स्थापित करने के लिए उपकरण भी प्रदान करता है
• अजगर
पायथन एक ओपन-सोर्स, ऑब्जेक्ट-ओरिएंटेड प्रोग्रामिंग भाषा है जो पढ़ने, लिखने और बनाए रखने में आसान है। यह विभिन्न मशीन लर्निंग और विज़ुअलाइज़ेशन लाइब्रेरी प्रदान करता है जैसे कि Scikit-learn, TensorFlow, MatPlotLib, Pandas, Keras, आदि। इसे SQL सर्वर, MongoDB डेटाबेस या JSON जैसे किसी भी प्लेटफ़ॉर्म पर इकट्ठा किया जा सकता है

• झांकी जनता
यह मुफ्त सॉफ्टवेयर है जो किसी भी डेटा स्रोत जैसे एक्सेल, कॉर्पोरेट डेटा वेयरहाउस आदि से जुड़ता है। यह तब वेब पर रियल-टाइम अपडेट के साथ विज़ुअलाइज़ेशन, मैप, डैशबोर्ड आदि बनाता है

• QlikView
यह उपकरण अंत-उपयोगकर्ताओं को शीघ्रता से वितरित परिणामों के साथ इन-मेमोरी डेटा प्रोसेसिंग प्रदान करता है। यह डेटा एसोसिएशन और डेटा विज़ुअलाइज़ेशन भी प्रदान करता है जिसमें डेटा अपने मूल आकार के लगभग 10% तक संकुचित होता है

• एसएएस
डेटा हेरफेर और एनालिटिक्स के लिए एक प्रोग्रामिंग भाषा और वातावरण, यह उपकरण आसानी से सुलभ है और विभिन्न स्रोतों से डेटा का विश्लेषण कर सकता है
• माइक्रोसॉफ्ट एक्सेल
यह टूल डेटा एनालिटिक्स के लिए सबसे व्यापक रूप से उपयोग किए जाने वाले टूल में से एक है। ज्यादातर ग्राहकों के आंतरिक डेटा के लिए उपयोग किया जाता है, यह उपकरण उन कार्यों को मारता है जो डेटा को पिवट टेबल के पूर्वावलोकन के साथ सारांशित करते हैं

• रैपिडमैन
एक शक्तिशाली, एकीकृत प्लेटफ़ॉर्म जो किसी भी डेटा स्रोत प्रकारों जैसे कि एक्सेस, एक्सेल, माइक्रोसॉफ्ट एसक्यूएल, तेरा डेटा, ओरेकल, साइनेज, आदि के साथ एकीकृत कर सकता है। इस टूल का इस्तेमाल ज्यादातर प्रेडिक्टिव एनालिटिक्स के लिए किया जाता है, जैसे डेटा माइनिंग, टेक्स्ट एनालिटिक्स, ML

• पता है
Konstanz Information Miner (KNIME) एक ओपन-सोर्स डेटा एनालिटिक्स प्लेटफ़ॉर्म है, जो आपको डेटा का विश्लेषण और मॉडल करने की अनुमति देता है। दृश्य प्रोग्रामिंग के लाभ के साथ, KNIME अपनी मॉड्यूलर डेटा पाइपलाइन अवधारणा के माध्यम से रिपोर्टिंग और एकीकरण के लिए एक मंच प्रदान करता है

• ओपनरफाइन
GoogleRefine के रूप में भी जाना जाता है, यह डेटा सफाई सॉफ़्टवेयर आपको विश्लेषण के लिए डेटा को साफ करने में मदद करेगा। इसका उपयोग गंदे डेटा को साफ करने, डेटा के परिवर्तन और वेबसाइटों से डेटा पार्स करने के लिए किया जाता है

• अपाचे स्पार्क
सबसे बड़े बड़े पैमाने पर डेटा प्रोसेसिंग इंजन में से एक, यह टूल हडोप क्लस्टर्स में मेमोरी में 100 गुना तेज और डिस्क से 10 गुना तेजी से एप्लिकेशन निष्पादित करता है। यह उपकरण डेटा पाइपलाइन और मशीन लर्निंग मॉडल विकास के लिए भी लोकप्रिय है

डेटा विश्लेषक के रूप में आपको नीचे दी गई कुछ भूमिकाओं में एक विशेषज्ञ होना चाहिए:
1.Determine संगठनात्मक लक्ष्य:
डेटा विश्लेषक की पहली और सबसे महत्वपूर्ण भूमिका संगठन के लक्ष्य को निर्धारित करना है। इसके साथ काम करना शामिल है:
• आईटी टीमें
• प्रबंधन
• डेटा वैज्ञानिक

2. डाटा माइनिंग
डेटा माइनिंग कच्चे डेटा की संरचना और गणितीय और कम्प्यूटेशनल एल्गोरिदम के माध्यम से डेटा में विभिन्न पैटर्नों को बनाने या पहचानने की एक प्रक्रिया है। यह नई जानकारी उत्पन्न करने और विभिन्न अंतर्दृष्टि को अनलॉक करने में मदद करता है। डेटा विश्लेषकों को अक्सर डेटा प्राप्त करना या एकत्र करना होता है। कंपनी डेटाबेस से डेटा प्राप्त करना या किसी भी प्रकार का अनुसंधान करने के लिए इसे बाहरी स्रोतों से निकालना किसी भी डेटा विश्लेषक की प्रमुख भूमिकाओं में से एक है।
3. डेटा सफाई
डेटा क्लींजिंग समग्र डेटा तैयारी प्रक्रिया का पहला चरण है और यह गन्दे, कच्चे डेटा के विश्लेषण, पहचान और सुधार की प्रक्रिया है। रणनीतिक निर्णय लेने के लिए संगठनात्मक डेटा का विश्लेषण करते समय डेटा विश्लेषकों को पूरी तरह से डेटा सफाई प्रक्रिया के साथ शुरू करना चाहिए। अच्छा विश्लेषण स्वच्छ डेटा पर टिकी हुई है - यह उतना ही सरल है। सफाई में वह डेटा निकालना शामिल है जो आपके विश्लेषण को विकृत कर सकता है या आपके डेटा को एकल प्रारूप में मानकीकृत कर सकता है।

4. डेटा का विश्लेषण
कहने की जरूरत नहीं है, यह भूमिका किसी भी डेटा विश्लेषक के लिए जरूरी है। डेटा एनालिटिक्स एक विशिष्ट प्रश्न का उत्तर देने के लिए विशिष्ट के साथ डेटा से तथ्यों की खोज करने की कला है। यह प्रदान किए गए डेटा के प्रत्येक घटक की जांच करने के लिए विश्लेषणात्मक और तार्किक तर्क का उपयोग करके डेटा का मूल्यांकन करने की प्रक्रिया है। डेटा का विश्लेषण और व्याख्या करने के लिए एक सांख्यिकीय उपकरण का उपयोग करता है। विश्लेषण में उपयोग किए जाने वाले विभिन्न उपकरण और प्रोग्रामिंग भाषाएं हैं।

5. ट्रेंड और पैटर्न को इंगित करना
डेटा विश्लेषक का एक बड़ा समय जटिल डेटासेट में रुझान, सहसंबंध और पैटर्न खोजने पर खर्च किया जाता है। रुझान भी महत्वपूर्ण हैं। डेटा एनालिस्ट्स शॉर्ट-टर्म और लॉन्ग-टर्म दोनों ट्रेंड्स की तलाश करते हैं।
रुझान विश्लेषण आपको यह समझने में मदद करता है कि आपके व्यवसाय ने कैसा प्रदर्शन किया है और भविष्यवाणी करता है कि वर्तमान व्यावसायिक संचालन और अभ्यास आपको कहां ले जाएंगे। अच्छी तरह से किया, यह आपको इस बारे में विचार देगा कि आप अपने व्यवसाय को सही दिशा में ले जाने के लिए चीजों को कैसे बदल सकते हैं।

6. स्पष्ट विज़ुअलाइज़ेशन के साथ रिपोर्ट बनाना
रिपोर्टिंग डेटा में कच्चे डेटा का अनुवाद करती है। रिपोर्टिंग से कंपनियों को अपने ऑनलाइन कारोबार पर नज़र रखने में मदद मिलती है और जब डेटा अपेक्षित सीमा से बाहर हो जाता है तो सतर्क हो जाता है। अच्छी रिपोर्टिंग को अपने अंतिम उपयोगकर्ताओं से व्यवसाय के बारे में सवाल उठाने चाहिए।
डेटा के साथ एक आकर्षक कहानी बताने में सक्षम होने के नाते अपनी बात मनवाना और अपने दर्शकों को जोड़े रखना महत्वपूर्ण है। इस कारण से, जब आपके डेटा के प्रभाव की बात आती है, तो डेटा विज़ुअलाइज़ेशन पर मेक-या-ब्रेक प्रभाव पड़ सकता है। विश्लेषक अपने निष्कर्षों को स्पष्ट और संक्षिप्त रूप से प्रस्तुत करने के लिए आंख को पकड़ने, उच्च-गुणवत्ता वाले चार्ट और ग्राफ़ का उपयोग करते हैं।

7. डेटाबेस और डेटा सिस्टम को बनाए रखना
डेटा विश्लेषकों को यह सुनिश्चित करना है कि इलेक्ट्रॉनिक रूप से संग्रहीत डेटा का भंडारण, उपलब्धता और सुसंगतता एक संगठन की जरूरतों को पूरा करती है। डेटा विश्लेषक को इसका सर्वोत्तम उपयोग करने के लिए डेटा मॉडल, डेटाबेस डिज़ाइन विकास के बारे में तकनीकी विशेषज्ञता की आवश्यकता होती है।

[fadhiya]

डेटा विश्लेषकों को मास्टर करने के लिए 6 प्रमुख कौशल निम्नलिखित हैं।
1. एक्सेल
एक्सेल दैनिक कार्य में एक आम डेटा विश्लेषण उपकरण है। और इस टूल से शुरुआत करना आसान है। यह न केवल सरल दो-आयामी टेबल, जटिल नेस्टेड टेबल कर सकता है, बल्कि लाइन चार्ट, कॉलम चार्ट, बार चार्ट, एरिया चार्ट, पाई चार्ट, रडार चार्ट, कॉम्बो चार्ट, स्कैटर चार्ट आदि भी बना सकता है।
इसके अलावा, एक्सेल अधिक उन्नत सुविधाओं को लागू कर सकता है, जिसमें PivotTables (BI के बहुआयामी विश्लेषण मॉडल क्यूब के समान), और Vlookup जैसे जटिल कार्य शामिल हैं। यह आसानी से डेटा के हजारों-हजारों टुकड़ों को संसाधित कर सकता है।

2. एसक्यूएल
डेटा विश्लेषकों को सामान्य रूप से उपयोग किए जाने वाले डेटाबेस जैसे कि Oracle, SQL Server, DB2, MySQL और MongoDB से परिचित होना चाहिए। इसके अलावा, वे जानते हैं कि एसक्यूएल कैसे लिखना है, जिसमें विभिन्न सांख्यिकीय कार्य शामिल हैं, जैसे, समूह द्वारा, क्रम से, अलग-अलग, योग, गणना, औसत आदि।
SQL कथनों के कुशल उपयोग के अलावा, डेटा विश्लेषकों को डेटाबेस के भंडारण और पढ़ने की प्रक्रिया के बारे में भी जानना चाहिए। बड़े डेटा वॉल्यूम के साथ काम करते समय, प्रोग्राम को गति देने, नेटवर्क ट्रैफ़िक को कम करने और डेटाबेस की सुरक्षा में सुधार करने के तरीके खोजने के लिए बहुत महत्वपूर्ण है।

3. डेटा विज़ुअलाइज़ेशन
डेटा विश्लेषण के परिणाम अंततः दूसरों को प्रस्तुत किए जाते हैं, और विज़ुअलाइज़ेशन कौशल भी डेटा विश्लेषकों के स्तर का एक उपाय है। हम यह सुनिश्चित करना चाहते हैं कि डेटा के लिए सही चार्ट प्रकार चुना जाए और परिणाम जल्दी और स्पष्ट रूप से प्रदर्शित हों।
डेटा विज़ुअलाइज़ेशन टूल्स जैसे कि डी 3.जेएस, हाईचर्ट्स, झांकी और पावरबीआई सभी के अपने फायदे हैं। आपको कम से कम एक विज़ुअलाइज़ेशन टूल में कुशल होना चाहिए। इस बिंदु पर, यदि आप उपरोक्त कौशल में महारत हासिल करते हैं, तो आपको एक योग्य विश्लेषक माना जा सकता है। इस स्तर पर डेटा विश्लेषकों को डेटा को संसाधित करने, व्यावसायिक परिदृश्यों को समझने और बुनियादी समस्याओं का विश्लेषण करने और हल करने के लिए उपकरणों का उपयोग करने की आवश्यकता है। उसके बाद, यदि आप प्रौद्योगिकी में तल्लीन करना चाहते हैं और यहां तक कि डेटा वैज्ञानिकों की दिशा में विकसित करना चाहते हैं, तो आपको निम्नलिखित कौशल सीखना चाहिए।

4. सांख्यिकी
पहले आपको आंकड़ों को व्यवस्थित रूप से सीखना होगा। शुद्ध मशीन लर्निंग एल्गोरिदम की भविष्य कहनेवाला क्षमता और कार्यान्वयन पर जोर देती है, लेकिन आंकड़ों ने हमेशा व्याख्या पर जोर दिया है। आपको डेटा के पीछे के सिद्धांतों को समझने की आवश्यकता है। निम्नलिखित सांख्यिकीय विधियाँ आप सीख सकते हैं।
डेटा माइनिंग से संबंधित सांख्यिकीय तरीके: मल्टीवीरेट लॉजिस्टिक रिग्रेशन एनालिसिस, नॉनलाइनर रिग्रेशन एनालिसिस, डिस्क्रिमिनेंट एनालिसिस आदि।

5. प्रोग्रामिंग भाषा
कुछ प्रोग्रामिंग भाषाओं में दक्षता डेटा विश्लेषण के काम को अधिक लचीला बना सकती है। प्रोग्रामिंग भाषाएँ सभी प्रकार के डेटा के लिए उपयुक्त हैं। अधिकांश नए और अद्भुत डैशबोर्ड को कोड या ड्राइंग सॉफ़्टवेयर के साथ लागू किया जा सकता है।

6. एआई और मशीन लर्निंग
आर्टिफिशियल इंटेलिजेंस आज के सबसे हॉट टॉपिक्स में से एक है, जो लोगों को मशीन की इंटेलिजेंस देता है। बड़ी संख्या में ऐसे उपकरण हैं जो कृत्रिम बुद्धिमत्ता को लागू करते हैं, जिसमें खोज और गणितीय अनुकूलन और तार्किक कटौती शामिल है। बायोनिक और संज्ञानात्मक मनोविज्ञान पर आधारित एल्गोरिदम, और संभाव्यता और अर्थशास्त्र पर आधारित एल्गोरिदम का भी पता लगाया जा रहा है।
और मशीन लर्निंग कृत्रिम बुद्धिमत्ता की एक शाखा है। मशीन लर्निंग एल्गोरिदम एल्गोरिदम का एक वर्ग है जो स्वचालित रूप से डेटा से नियमों का विश्लेषण करता है और प्राप्त करता है और अज्ञात डेटा की भविष्यवाणी करने के लिए नियमों का उपयोग करता है। इसका उपयोग डेटा माइनिंग, कंप्यूटर विज़न, प्राकृतिक भाषा प्रसंस्करण, खोज इंजन, चिकित्सा निदान, प्रतिभूति बाज़ार विश्लेषण और अन्य क्षेत्रों में व्यापक रूप से किया गया है।

यदि आप एक अच्छे डेटा विश्लेषक बनना चाहते हैं, तो आपको उद्योग के रुझानों को समझने के लिए डेटा विज्ञान में सबसे आगे रहना होगा। आपको कृत्रिम बुद्धिमत्ता और मशीन सीखने की अवधारणाओं के बारे में पता होना चाहिए। भविष्य में, आप इन तकनीकों को अपने काम में नवीन रूप से पेश करने में सक्षम हो सकते हैं।
अंत में, कृपया अपने आप से फिर से पूछें: क्या आपको वास्तव में डेटा विश्लेषण पसंद है? बहुत सारे डेटा के साथ काम करते समय, क्या आप उबाऊ और नीरस या मजेदार और चुनौतीपूर्ण महसूस करते हैं? यदि आप लंबे समय तक डेटा विश्लेषक के रूप में काम करने का निर्णय लेते हैं, या आप सोच रहे हैं कि डेटा एनालिटिक्स में कैरियर के लिए संक्रमण कैसे किया जाए, तो आप ऊपर वर्णित कौशल में सुधार के साथ शुरू कर सकते हैं।

[kantu]

यदि आप प्रौद्योगिकी में एक गहरी कवायद करना चाहते हैं, तो आप डेटा वैज्ञानिक की दिशा में अपना करियर विकसित करना जारी रख सकते हैं।

उन्नत सामग्री
1. लर्निंग स्टैटिस्टिक्स की प्रणाली
शुद्ध मशीन लर्निंग एल्गोरिदम की पूर्वानुमानात्मक शक्ति और कार्यान्वयन पर जोर देती है, लेकिन आंकड़ों ने हमेशा "व्याख्यात्मकता" पर जोर दिया है। उदाहरण के लिए, मैं देख सकता हूं कि दो शेयरों के बीच संबंध सहसंबद्ध है या नहीं। मान लीजिए कि एक सहसंबद्ध सहसंबद्ध स्टॉक नीचे चला जाता है, तो, डेटा के अनुसार, हम मान सकते हैं कि अन्य स्टॉक ऊपर जाएगा।
- डेटा माइनिंग (मल्टीवीरेट लॉजिस्टिक रिग्रेशन एनालिसिस, नॉनलाइनर रिग्रेशन एनालिसिस, डिस्क्रिमिनेंट एनालिसिस आदि) से संबंधित सांख्यिकीय तरीके।
- मात्रात्मक तरीके (समय अक्ष विश्लेषण, संभावना मॉडल, अनुकूलन)।
- निर्णय विश्लेषण (बहुउद्देश्यीय निर्णय विश्लेषण, निर्णय वृक्ष, प्रभाव आरेख, संवेदनशीलता विश्लेषण)।
- प्रतिस्पर्धात्मक लाभ (परियोजनाओं और सफलता की कहानियों के माध्यम से बुनियादी विश्लेषणात्मक अवधारणाओं को सीखना) का विश्लेषण स्थापित करें।
- डेटाबेस प्रविष्टि (डेटा मॉडल, डेटाबेस डिजाइन)।
- भविष्य कहनेवाला विश्लेषण (समय अक्ष विश्लेषण, प्रमुख घटक विश्लेषण, गैरपारंपरिक प्रतिगमन, सांख्यिकीय प्रक्रिया नियंत्रण)।
- डेटा प्रबंधन (ETL (एक्स्ट्रेक्ट, ट्रांसफॉर्म, लोड), डेटा गवर्नेंस, मैनेजमेंट रिस्पॉन्सिबिलिटी, मेटाडेटा)।
- अनुकूलन और सांख्यिकी (पूर्णांक प्रोग्रामिंग, nonlinear प्रोग्रामिंग, स्थानीय अन्वेषण, सुपर-प्रेरणा (सिम्युलेटेड एनीलिंग, आनुवंशिक एल्गोरिथम))।
- बिग डेटा विश्लेषण (असंरचित डेटा अवधारणाओं की सीख, मैप कम करने की तकनीक, बड़े डेटा विश्लेषण के तरीके)।
- डाटा माइनिंग (क्लस्टरिंग-के-मेथड, सेगमेंटेशन मेथड), एसोसिएशन रूल्स, फैक्टर एनालिसिस, सर्वाइवल टाइम एनालिसिस)।
- रिस्क एनालिसिस और ऑपरेशनल एनालिसिस का कंप्यूटर सिमुलेशन।
- सॉफ्टवेयर-स्तरीय विश्लेषण (संगठनात्मक स्तर पर विश्लेषणात्मक विषय, आईटी और व्यावसायिक उपयोगकर्ता, परिवर्तन प्रबंधन, डेटा विषय, प्रस्तुति और संचार।

2. एआई मशीन लर्निंग एल्गोरिथम को मास्टर करें और इसे पायथन / आर जैसे टूल के साथ मॉडल करें
क्या पारंपरिक बीआई विश्लेषण जवाब दे सकता है कि अतीत में क्या हुआ था, अब क्या हो रहा है, और भविष्य का क्या होगा? हमें एल्गोरिदम पर भरोसा करना चाहिए। जबकि स्व-सेवा बीआई जैसे कि झांकी और फाइनबीआई ने विश्लेषण मॉडल का अंतर्निहित हिस्सा बनाया है, विश्लेषक अधिक व्यापक और गहन अन्वेषण चाहते हैं जिसके लिए पायथन और आर जैसे डेटा खनन उपकरण की आवश्यकता होती है। इसके अलावा, बड़े डेटा सेटों के बीच छिपे हुए संबंध को प्राप्त नहीं किया जा सकता है। मैनुअल विश्लेषण या पारंपरिक उपकरणों के साथ। इस समय, एल्गोरिथ्म लागू किया गया है, और कोई और अधिक आश्चर्य नहीं होगा।
उनमें से, सांख्यिकीय विश्लेषण और उसके ऑपरेटिंग वातावरण, आर के लिए ओपन सोर्स प्रोग्रामिंग भाषा ने बहुत ध्यान आकर्षित किया है। आर की ताकत न केवल यह है कि इसमें एक समृद्ध सांख्यिकीय विश्लेषण पुस्तकालय शामिल है, बल्कि एक उच्च-गुणवत्ता वाला चार्ट पीढ़ी फ़ंक्शन भी है जो परिणामों की कल्पना करता है और सरल आदेशों के साथ चलाया जा सकता है। इसके अलावा, इसमें CRAN (व्यापक R संग्रह नेटवर्क) नामक एक पैकेज विस्तार तंत्र है, जिसका उपयोग फ़ंक्शन और डेटा सेट को आयात करने के लिए किया जा सकता है जो एक्सटेंशन पैकेज को आयात करके मानक स्थिति में समर्थित नहीं हैं। यद्यपि आर भाषा शक्तिशाली है, सीखने की अवस्था खड़ी है। व्यक्तिगत रूप से, मैं आपको पायथन के साथ शुरू करने की सलाह दूंगा, जिसमें सांख्यिकीय लाइब्रेरी, जैसे कि न्यूपी, साइपी, पायथन डेटा एनालिसिस लाइब्रेरी और मैटलपोटलिब का धन है।

डेटा प्रतिभा का अंतिम विकास डेटा रणनीति के चारों ओर घूमता है। उदाहरण के लिए, डेटा रणनीतिकार व्यावसायिक निर्णय लेने के लिए आईटी ज्ञान और अनुभव का उपयोग कर सकते हैं। डेटा वैज्ञानिक जटिल मॉडल और एल्गोरिदम विकसित करने के लिए आईटी प्रौद्योगिकी का उपयोग कर सकते हैं। विश्लेषणात्मक सलाहकार आपके उद्योग के अगले विस्फोट बिंदु पर ध्यान केंद्रित करने के लिए वास्तविक व्यावसायिक ज्ञान और विश्लेषणात्मक अनुभव को जोड़ सकते हैं।
इसलिए, आपके पास संचार, संगठन, प्रबंधन कौशल और व्यावसायिक सोच होनी चाहिए। यह एक निश्चित स्थिति तक सीमित नहीं है। आपको एक उच्च स्थिति में सोचने और कंपनी के लिए लाभ लेने की आवश्यकता है। साथ ही, हमें यह भी सोचना चाहिए कि कंपनी में भूमिका निभाने के लिए "डेटा एनालिसिस" कार्ड का उपयोग कैसे करना है और ऑपरेशन को चलाने के लिए डेटा का उपयोग करना चाहिए। यह सोचने वाली बात है।

[kantu]

यहाँ बताया गया है कि 4 चरणों में डेटा वैज्ञानिक कैसे बनें। मैंने इस तरह से इसे किया।

ए सांख्यिकी पहले जानें
मैंने बहुत देर कर दी, आप जल्दी शुरुआत कर सकते हैं। यह बहुत आसान है, मुझे नहीं पता कि मुझे संकोच क्यों हुआ। शायद मानसिक ब्लॉक हम सब (अच्छी तरह से सभी) गणित के साथ नहीं है।

1. वर्णनात्मक आँकड़े
• डेटा चर के प्रकार
• केंद्रीय प्रवृत्ति के उपाय
• डेटा का प्रसार, डेटा का तिरछा होना
• फैलाव के उपाय

2. अव्यक्त आँकड़े
• जनसंख्या और नमूना (नमूनाकरण विधि वैकल्पिक है लेकिन इसे पढ़ें: सरल यादृच्छिक नमूनाकरण और स्तरीकृत यादृच्छिक नमूनाकरण
• यादृच्छिक चर, संभाव्यता वितरण - सामान्य, पॉइसन
• अनुमान और परिकल्पना परीक्षण।

b. एक्सेल और पावर बीआई आगे सीखें: विश्व स्तर पर 750 मिलियन उपयोगकर्ता, वह टूल और प्लेटफ़ॉर्म जिसने किसी अन्य की तुलना में अधिक डेटा देखा है। इसके अलावा पावर बीआई की माँ, हाँ! पावर बीआई एक सॉफ्टवेयर में विकसित उन्नत एक्सेल विशेषताएं है।
• एक्सेल में टेबल डालने की प्रासंगिकता - डेटा एनालिटिक्स पेशेवरों के लिए एक्सेल में टेबल सम्मिलित करने के 9 महान कारण।
• संगतता दृश्य सुविधाओं के साथ डेटा को समेकित करना
एक्सलस्टेट का उपयोग करके एक्सेल में मशीन सीखने के साथ डेटा हेरफेर
• वर्णनात्मक और हीन सांख्यिकी के लिए विश्लेषण टूलपैक
• पावर व्यू, पावर क्वेरी, पावर पिवट और पावर मैप्स।

सी। जानें आर और पायथन
हाँ आप इन दोनों को देखकर खुश हैं। लेकिन आपको आश्चर्य है कि कौन सा? इसके दोनों!

डी। जानें झांकी (यह पायथन और आर के साथ एकीकृत है)
क्यों? इग्नोर करना बहुत हॉट है। कोशिश करना आसान नहीं है। आप देखें कि डेटा साइंस में डेटा एक्सप्लोरेशन, डेटा एनालिटिक्स और डेटा प्रेजेंटेशन है। झांकी और एक हद तक पावर बीआई अन्वेषण और प्रस्तुति के साथ महान है। आर और पायथन बीच में आने वाले एनालिटिक्स के लिए सुपर हैं। "

[mdumarali]

data ko analyst karna bahut he important kaam hota hai kisse bhi kaam start karne se pehle .kisse bhi field ka data collect kya jata hai fir usko analyst kya jata hai fir kisse bhi decesion pe aaya jata hai .data analyst ka kaam bhut he hard hota hai aur usko properly samajh na. trading me bhi pehele data ko analyst kya jata hai fir trading decesion leya jata hai isleye data analyst is very important for any decesion making.

[dandin]

एक डेटा विश्लेषक वह है जो विभिन्न तरीकों की खोज करता है जिसमें डेटा का उपयोग व्यावसायिक सवालों के जवाब देने और उन समस्याओं को हल करने के लिए किया जा सकता है जो एक संगठन का सामना कर रहा है। घटती बिक्री के आंकड़े, कम कर्मचारी उत्पादकता कुछ समस्याओं के उदाहरण हैं जो एक व्यवसाय या कंपनी का सामना कर सकती हैं। आजकल व्यवसाय शायद ही कभी भावना के आधार पर निर्णय लेते हैं, बल्कि निर्णय अत्यधिक डेटा संचालित होते हैं।

यही वजह है कि आईटी सेक्टर में डेटा एनालिस्ट फील्ड का काफी स्कोप है
तो एक डेटा विश्लेषक के लिए आवश्यक कौशल सेट क्या हैं।

1) सांख्यिकी -
हां किसी के पास सांख्यिकीय कौशल होना चाहिए, जो संख्यात्मक डेटा के संग्रह, संगठन, विश्लेषण और व्याख्या का उल्लेख करता है।

2) प्रोग्रामिंग कौशल -
अजगर और आर जैसे प्रोग्रामिंग कौशल में एक अच्छा होना चाहिए। अब एक दिन अधिकांश संगठन उपकरण का विश्लेषण और डेटा तैयार करने के लिए उपयोग कर रहे हैं।

3) कहानी कहने का कौशल -
डेटा स्टोरीटेलिंग डेटा अंतर्दृष्टि को संप्रेषित करने के लिए एक संरचित दृष्टिकोण है, और इसमें तीन प्रमुख तत्वों का एक संयोजन शामिल है: डेटा, विज़ुअल्स और कथा।

ऊपर कौशल हैं जो एक डेटा विश्लेषक होना चाहिए।
कई बार मैंने ऐसे लोगों को देखा है जिनके पास मजबूत प्रोग्रामिंग कौशल नहीं है लेकिन वे डेटा के माध्यम से एक अच्छे कहानीकार हैं। मैं आप लोगों को यह भी बताना चाहूंगा कि कई बड़ी mnc और उत्पाद आधारित फर्म हैं जो डेटा का विश्लेषण करने के लिए टूल का उपयोग करते हैं।

डेटा का विश्लेषण करने के लिए दो चरण हैं एक आपका डेटा तैयार करना है और दूसरा डेटा की कल्पना करना है।
मैं आपको कुछ उपकरण बताता हूं जो प्रसिद्ध हैं और कई कंपनियों में उपयोग किए जाते हैं।
डेटा तैयार / डेटा हार्मोनाइजिंग टूल्स - एलर्टेक्स डिजाइनर, केएनईएम, टैलेंड।
डेटा विज़ुअलाइज़ेशन टूल्स - झांकी, पावर बीआई और क्यूक्लेन्स।

इसलिए उपर्युक्त औजारों के अनुसार इन सभी में व्यक्तिगत रूप से नौकरी के अवसर होते हैं, जिसका अर्थ है कि झांकी डेवलपर के लिए एक भूमिका हो सकती है या एक अल्टरनेक्स डेवलपर इन सभी उपकरणों में व्यक्तिगत नौकरी की भूमिका होती है।

[piton]

डेटा विश्लेषण के बारे में बात करने से पहले हमें यह समझना चाहिए कि डेटा क्या है

डेटा क्या है?
इस दुनिया में हर मौजूदा कणों को डेटा कहा जाता है। यहां तक कि आप कह सकते हैं कि ब्रह्मांड में मौजूद हर चीज डेटा है। उदाहरण के लिए-आपका नाम, उम्र, आपका भोजन, आपने क्या पहना है, तापमान, आवृत्ति, आदि सभी डेटा हैं। लेकिन जब आप डेटा के बारे में सोचते हैं, तो यह आपके विषय से संबंधित होना चाहिए। मान लीजिए हमारा अध्ययन विषय शरीर का तापमान है। इस मामले में हमारे शरीर का तापमान हमारे नाम से संबंधित नहीं है। इसलिए, नाम शरीर के तापमान पर प्रभाव नहीं डालता है। इसलिए हमें नाम को अपने विषय के चर या सूचक के रूप में शामिल नहीं करना चाहिए। लेकिन कुछ समय यह आयु से संबंधित है। इसलिए हम शामिल कर सकते हैं उम्र शरीर के तापमान का एक कारक है। हालांकि, डेटा नालिस करने से पहले अध्ययन के उद्देश्यों को पूरा करने के लिए कुछ कार्यप्रणाली डालना बेहतर है।

डेटा की कुछ मुख्य विशेषताएं
- यह सटीक होना चाहिए।
- यह पूरा होना चाहिए।
- यह समय में होना चाहिए या आवश्यक समय सीमा को कवर करना चाहिए
- यह अध्ययन क्षेत्र से संबंधित होना चाहिए।
- अध्ययन क्षेत्र में उद्देश्य होने चाहिए। आदि।


डेटा विश्लेषण क्या है:
बस, जब हम संबंधित डेटा की तुलना अध्ययन के उद्देश्यों और निष्कर्षों से करते हैं। विश्लेषण भाग के परिणामों को सारणीबद्ध / चित्रमय / सांख्यिकीय विश्लेषण या वर्णनात्मक विधियों में वर्णित किया गया है या इसमें सभी विधियाँ शामिल हैं फिर इसे 'डेटा विश्लेषण' कहा जाता है।

डेटा विश्लेषण की सरल तैयारी
यदि आपके पास सांख्यिकीय पृष्ठभूमि नहीं है, तो एक साधारण विषय लें, जो हमारे दैनिक जीवन से संबंधित है। मान लीजिए कि मैं पिछले महीने के अपने दैनिक जेब खर्च पैटर्न का अध्ययन करना चाहता हूं। इस संबंध में मैं निम्नलिखित चरणों से गुजरूंगा:

उद्देश्य
पिछले दो महीनों के दैनिक पॉकेट खर्च पैटर्न की जांच करने के लिए।

डेटा
डेटा केवल मेरे दैनिक खर्च को कवर करना चाहिए। इसमें आपातकालीन व्यय को कवर नहीं किया जाना चाहिए।

समय
केवल पिछले दो महीनों को कवर करें।

संपूर्णता
इसमें पिछले दो महीनों की सभी दैनिक वस्तुओं को शामिल किया जाना चाहिए।

पद्धति:

सभी आइटम का नाम लिखें / एकत्रित करना और यह तिथि वार व्यय है। तारीख वार को एक तालिका तैयार करना

निष्कर्ष / कॉन्क्लूसिन
अध्ययन आवश्यक दैनिक वस्तुओं और अपेक्षाकृत आवश्यक वस्तुओं को नहीं पाता है।
अध्ययन से पता चलता है कि, यदि हम अपेक्षाकृत दैनिक आवश्यक वस्तु पर ध्यान केंद्रित नहीं करते हैं तो यह हमारे अनावश्यक दैनिक व्यय को कम कर देगा। जिससे बचत बढ़ेगी।

मेरा सुझाव:
मुझे लगता है कि इस प्रकार के डेटा विश्लेषण करने के बाद आप उच्च स्तर के डेटा विश्लेषण के लिए रुचि लेंगे। तब आप डेटा विश्लेषण के लिए अल्पावधि पाठ्यक्रम ले सकते हैं। कई अच्छे संस्थान डेटा विश्लेषण पर दूरी / ऑनलाइन पाठ्यक्रम प्रदान करते हैं। आप इसे खोज सकते हैं।
डेटा विश्लेषण हमारे दैनिक जीवन का एक हिस्सा है। हर काम किसी न किसी डेटा से गुजर रहा है। उदाहरण के लिए- जब आप भोजन तैयार कर रहे होते हैं तो आप तय करते हैं कि भोजन को कितना तैयार करना है, कब तैयार करना है, कब खत्म करना है, इसमें शामिल आइटम आदि।

तो आप पाते हैं कि पहले से ही आप दैनिक जीवन के लिए डेटा विश्लेषण कर रहे हैं। लेकिन यह आपके दिमाग में नहीं आ रहा है। फिर से मैं कहना चाहूंगा कि डेटा विश्लेषण के सभी विश्लेषणात्मक हिस्से को जटिल सांख्यिकीय डेटा विश्लेषण टूल की आवश्यकता नहीं है। आप इसे एक सरल तरीकों में वर्णित कर सकते हैं।
अंत में मैं कहना चाहता हूं कि डेटा विश्लेषण हमारे जीवन को सरल बनाते हैं।

[ismar]

डेटा विश्लेषक डेटा के सांख्यिकीय विश्लेषणों को इकट्ठा, संसाधित और निष्पादित करते हैं। उनके कौशल डेटा वैज्ञानिकों के रूप में उन्नत नहीं हो सकते हैं (उदाहरण के लिए, वे नए एल्गोरिदम बनाने में सक्षम नहीं हो सकते हैं), लेकिन उनके लक्ष्य समान हैं - यह पता लगाने के लिए कि डेटा का उपयोग प्रश्नों का उत्तर देने और समस्याओं को हल करने के लिए कैसे किया जा सकता है।

1. गणित, सांख्यिकी, कंप्यूटर विज्ञान, सूचना प्रबंधन, वित्त या अर्थशास्त्र में उच्च शिक्षा की डिग्री प्राप्त करें।
प्रवेश स्तर की नौकरियों के लिए अधिकांश उम्मीदवारों को गणित, सांख्यिकी कंप्यूटर विज्ञान, सूचना प्रबंधन, वित्त या अर्थशास्त्र में स्नातक की डिग्री की आवश्यकता होगी। ये सभी विषय सांख्यिकीय और विश्लेषणात्मक कौशल पर भारी जोर देते हैं। कैरियर की सीढ़ी पर चढ़ने या डेटा वैज्ञानिक की भूमिका के लिए संक्रमण के लिए, आपको संभवतः कंप्यूटर विज्ञान में मास्टर डिग्री या एक समान क्षेत्र में सूचना प्रबंधन या स्नातक प्रमाणपत्र प्राप्त करना होगा।

2. अपने तकनीकी, विश्लेषणात्मक और प्रोग्रामिंग कौशल को फाइन ट्यून करें।
डेटा विश्लेषकों के लिए तकनीकी कौशल:
- सांख्यिकीय तरीके और पैकेज (जैसे SPSS)
- आर और / या एसएएस भाषाएँ
- डेटा भंडारण और व्यापार खुफिया प्लेटफार्मों
- SQL डेटाबेस और डेटाबेस क्वेरी भाषाओं
- प्रोग्रामिंग (जैसे XML, जावास्क्रिप्ट या ETL चौखटे)
- डेटाबेस
- डेटा माइनिंग
- डेटा की सफाई और मंजन
- डेटा विज़ुअलाइज़ेशन और रिपोर्टिंग तकनीक
- Hadoop और MapReduce का कार्यसाधक ज्ञान
- मशीन सीखने की तकनीक
यह एक नमूना सूची और परिवर्तन के अधीन है।

डेटा विश्लेषकों के लिए व्यावसायिक कौशल
- विश्लेषणात्मक समस्या-समाधान:
विस्तार पर गहन ध्यान देते हुए बड़ी मात्रा में डेटा का विश्लेषण करने के लिए सर्वोत्तम प्रथाओं को नियुक्त करना।
- प्रभावी संचार:
आम दर्शकों के लिए जटिल तकनीकी विचारों और तरीकों की व्याख्या करने के लिए रिपोर्टों और प्रस्तुतियों का उपयोग करना।
- रचनात्मक सोच:
डेटा विश्लेषण के लिए स्थापित व्यवसाय प्रथाओं और नए तरीकों पर विचार-विमर्श करना।
- उद्योग ज्ञान:
यह समझना कि आपके चुने हुए उद्योग को कैसे चलाया जाए और डेटा किसी कंपनी / संगठन की रणनीति की सफलता में कैसे योगदान दे सकता है।

3. अतिरिक्त विश्लेषणात्मक प्रमाणपत्रों पर विचार करें।
स्वतंत्र संगठनों और विशिष्ट कंपनियों (जैसे एसएएस) से बड़े डेटा प्रमाणपत्र उपलब्ध हैं। जब संदेह हो, तो सलाह के लिए अपने आकाओं से पूछें, नौकरी लिस्टिंग आवश्यकताओं की जांच करें और यह निर्धारित करने के लिए टॉम के आईटी प्रो "बेस्ट" प्रमाणीकरण सूचियों जैसे लेखों की सलाह दें कि कौन सा आपके कैरियर को आगे बढ़ाने में मदद करेगा।

प्रमाणित विश्लेषिकी पेशेवर
हम डेटा साइंटिस्ट सर्टिफिकेशन पर अपने सेक्शन में इस योग्यता पर एक करीब से नज़र डालते हैं।

प्रमाणित डाटा प्रबंधन पेशेवर (सीडीएमपी)
गैर-लाभकारी डेटा मैनेजमेंट एसोसिएशन इंटरनेशनल (डीएएमए) द्वारा अधिकृत, सीडीएमपी क्रेडेंशियल चार स्तरों पर पेश किया जाता है: सहयोगी, व्यवसायी, मास्टर और साथी। सहयोगी सीडीएमपी बनने के लिए, उम्मीदवारों को अपनी डेटा भूमिका में कम से कम 6 महीने का अनुभव और डीएमबीओके सिद्धांतों का एक मजबूत ज्ञान होना चाहिए। जिन उम्मीदवारों के पास 5 साल से अधिक डेटा प्रबंधन का अनुभव है, वे एक प्रैक्टिशनर के रूप में साथी सीडीएमपी के लिए अपना रास्ता शुरू कर सकते हैं। 10 साल और साबित कौशल विस्तार और डेटा प्रबंधन पेशे में योगदान के बाद, चिकित्सक मास्टर सीडीएमपी बनने के लिए आवेदन कर सकते हैं। CDMP फैलो डेटा प्रबंधन क्षेत्र के भीतर व्यापक अनुभव है और एक वक्ता, अनुसंधान के प्रकाशक, कार्यशाला प्रस्तुतकर्ता और इसी तरह के अन्य साधनों के रूप में क्षेत्र में लगातार योगदान देते हैं।

[m148]

डेटा विश्लेषक उन तरीकों का पता लगाते हैं जिनमें डेटा का उपयोग व्यावसायिक सवालों के जवाब देने और उन समस्याओं को हल करने के लिए किया जा सकता है जिनका संगठन सामना कर रहा है। घटती बिक्री के आंकड़े, कम कर्मचारी उत्पादकता कुछ समस्याओं के उदाहरण हैं जो एक व्यवसाय या कंपनी का सामना कर सकती हैं। आजकल व्यवसाय शायद ही कभी भावना के आधार पर निर्णय लेते हैं, बल्कि निर्णय अत्यधिक डेटा संचालित होते हैं।

डेटा विश्लेषक के रूप में,
• आप संगठनात्मक लक्ष्यों को पूरा करने के लिए आईटी, प्रबंधन और डेटा वैज्ञानिकों जैसी क्रॉस-फ़ंक्शनल टीमों के साथ मिलकर काम करेंगे
• आप अप्रासंगिक जानकारी की पहचान और त्याग करेंगे।
• आप उपलब्ध डेटा सेट में रुझानों और पैटर्न की पहचान करेंगे
• आपको दिए गए समस्या बयानों के लिए डेटा द्वारा समर्थित समाधानों के साथ आना होगा
• आप रिपोर्ट तैयार करेंगे और अपनी कंपनी के गैर-डेटा विश्लेषकों को आपके निष्कर्षों के आधार पर प्रस्तुतियाँ देंगे
• अब जब हमने एक डेटा विश्लेषक की जिम्मेदारियों को देखा है तो आपको यह देखना चाहिए कि आपको कहां से शुरू करना चाहिए।

शिक्षा
डेटा विश्लेषक बनने के लिए पहला कदम एक डोमेन में स्नातक की डिग्री का पीछा करना है जो तार्किक सोच, सांख्यिकीय विश्लेषण और विश्लेषणात्मक सोच पर जोर देता है। कुछ लोकप्रिय विकल्प गणित, सांख्यिकी, कंप्यूटर विज्ञान, वित्त, अर्थशास्त्र और विपणन हैं।
अपने स्नातक के बाद आप बिग डेटा, डेटा साइंस जैसे क्षेत्रों में मास्टर की डिग्री हासिल कर सकते हैं, लेकिन पोस्ट-ग्रेजुएशन करने की सलाह देने से पहले बहुमूल्य अनुभव प्राप्त करना आवश्यक है। ढेर सारी इंटर्नशिप और एंट्री-लेवल जॉब्स हैं जिनका आप लुफ्त उठाने से पहले कोशिश कर सकते हैं।

इंटर्नशिप के लिए आवेदन करने से पहले आपको कुछ कौशल के साथ खुद को लैस करना होगा।
1. सांख्यिकी
डेटा विश्लेषक के रूप में, आपका काम विभिन्न सांख्यिकीय उपकरणों और पैकेजों का उपयोग करके डेटा एकत्र करना, विश्लेषण और व्याख्या करना है। सुनिश्चित करें कि आपके पास माध्य, माध्यियन, मोड, मानक विचलन और भिन्नता, और ऐसी अन्य उच्च विद्यालय अवधारणाओं की ठोस समझ है।
एक बार जब आप अन्य विषयों पर उस कदम के साथ किया जाता है। इस पोस्ट को देखें जो आपको विभिन्न सांख्यिकीय अवधारणाओं का एक विचार देगा जो एक डेटा विश्लेषक को पता होना चाहिए। इसके अलावा, सुनिश्चित करें कि आपके पास मल्टीवीरेबल कैलकुलस और लीनियर अलजेब्रा की मजबूत पकड़ है।

2. प्रोग्रामिंग कौशल
यदि आप एक डेटा साइंटिस्ट थे, तो आप भविष्य का अनुमान लगाने के लिए उपयोग किए जाने वाले मॉडल और एल्गोरिदम का निर्माण करेंगे। इस भूमिका के लिए मजबूत प्रोग्रामिंग कौशल की आवश्यकता होती है और सबसे लोकप्रिय आर, एसक्यूएल और पायथन हैं। दूसरी ओर, डेटा विश्लेषक के रूप में आपका काम आपके द्वारा एकत्र किए गए डेटा के आधार पर इनफ़ेक्शन तक पहुंचना है।
इसलिए आपकी नौकरी के लिए मजबूत प्रोग्रामिंग कौशल की आवश्यकता नहीं है लेकिन R, C / C ++ और Excel, SQL डेटाबेस और डेटाबेस क्वेरी भाषाओं, डेटाबेस खनन और सफाई, डेटा विज़ुअलाइज़ेशन, एक्सएमएल, जावास्क्रिप्ट और ETL चौखटे पर अच्छा ज्ञान का एक बुनियादी ज्ञान है पूर्व अपेक्षित।
लेकिन अगर आप डेटा वैज्ञानिक या डेटा इंजीनियर भूमिकाओं में जाना चाहते हैं तो आपको अपने प्रोग्रामिंग कौशल पर भी ध्यान देना चाहिए।

3. संचार
यह आपकी नौकरी का दूसरा भाग है। आपको रिपोर्ट लिखने और अपने निष्कर्ष प्रस्तुत करने में निपुण होना होगा। दोनों नेत्रहीन और मौखिक रूप से आपको अपने काम का संचार करने में सक्षम होना चाहिए। कभी-कभी आपको अपनी कंपनी के सी-सूट के अधिकारियों के सामने भी एक प्रस्तुति देनी पड़ सकती है, जो आपकी प्रस्तुति के आधार पर महत्वपूर्ण निर्णय लेंगे।

इसलिए यदि आप गैर-डेटा विश्लेषकों को शब्द-मुक्त भाषा में अपने काम की व्याख्या कर सकते हैं तो आप एक महान डेटा विश्लेषक बना सकते हैं।

कार्य अनुभव प्राप्त करना
अब अपने अर्जित कौशल को परीक्षण में लाने का समय है। उन उद्योगों पर शोध करना शुरू करें जो डेटा विश्लेषकों की तलाश में हैं। डेटा विश्लेषकों को रोजगार देने वाले सबसे लोकप्रिय उद्योग हैं मार्केटिंग फर्म, टेक्नोलॉजी कंपनियां और वित्तीय संस्थान।
इन फर्मों में इंटर्नशिप के अवसरों की तलाश करें और आवेदन करें। कुछ प्लेटफ़ॉर्म जिन्हें आप अपनी इंटर्नशिप का उपयोग करने के लिए उपयोग कर सकते हैं, वे हैं, इंटरनेशला, लेट्सइंटरटेन, बीस19.कॉम, लिंक्डइन, इंफॉर्मेट.इन, और अन्य जॉब साइट्स। कुछ इंटर्नशिप के बाद, आप प्रवेश स्तर की नौकरियों के लिए आवेदन कर सकते हैं। ज्यादातर कंपनियां अपने इंटर्न को प्लेसमेंट ऑफर देती हैं, इसलिए सुनिश्चित करें कि आप अपनी इंटर्नशिप अवधि के दौरान अपनी क्षमता का प्रदर्शन करें।

वेतन
पेसेले द्वारा बताए गए डेटा विश्लेषकों के लिए भारत में औसत शुरुआती वेतन लगभग 3.6 लाख / वर्ष है। ग्लासडोर के अनुसार, औसत आधार वेतन लगभग 4.04 लाख / वर्ष है।

अंतिम विचार
डेटा एनालिटिक्स इंडस्ट्री फलफूल रही है। एनालिटिक्स लैब्स के सहयोग से एनालिटिक्स इंडिया मैगज़ीन के एक अध्ययन के अनुसार डेटा साइंस, एनालिटिक्स और बिग डेटा इंडस्ट्री को 33.5% की स्वस्थ सीएजीआर दर से बढ़ने का अनुमान है। यह तेजी से विस्तार करने वाले क्षेत्र का पता लगाने का एक अच्छा समय है।
अधिक उपयोगकर्ता हर दिन इंटरनेट तक पहुंच प्राप्त करने के साथ, निश्चित रूप से डेटा की उपलब्धता में कोई कमी नहीं होगी।

[irmafuad]

डेटा विश्लेषक विभिन्न प्रकार के होते हैं-बिजनेस डेटा एनालिस्ट, क्लीनिकल डेटा एनालिस्ट, मार्केट एनालिस्ट आदि। डेटा के क्षेत्र के आधार पर, नाम अलग-अलग होता है। इसके अलावा, उपयोग किए जाने वाले तरीके, उपकरण, सॉफ्टवेयर भिन्न होते हैं इसलिए यह एक विशाल क्षेत्र है।
मैं एक अनुभवी क्लिनिकल डेटा विश्लेषक हूं। मैं इस नवंबर 2019 में क्लीनिकल डेटा मैनेजमेंट में अपने 4 साल पूरे करूंगा। मैंने आज तक एक कंपनी को स्विच किया है। मेरे पिछले और मेरे वर्तमान नियोक्ता, दोनों दुनिया की शीर्ष 10 सर्वश्रेष्ठ कंपनियों में शामिल हैं। मेरे पास 3 बारनेट प्रमाणपत्र भी हैं।

मैंने अपनी पिछली कंपनी को एक फ्रेशर के रूप में शामिल किया था और क्लाइंट द्वारा 2 महीने के लिए प्रशिक्षित किया गया था, पोस्ट किया कि मेरे पास ऑन जॉब ट्रेनिंग थी और इस तरह मैं सीडीए बन गया। मैंने क्लिनिकल रिसर्च का अध्ययन नहीं किया, मुझे कंपनी द्वारा प्रशिक्षित किया गया था। क्लिनिकल रिसर्च एक विशाल डोमेन है जहां बड़ी दवा कंपनियों द्वारा नई दवाओं के लिए शोध किया जाता है। यह ज्यादातर नैदानिक अनुसंधान संगठनों के लिए आउटसोर्स किया जाता है। इसलिए, हमारे ग्राहक या प्रायोजक ऐसी कोई भी कंपनी होगी, जिसकी दवाएँ केमिस्ट शॉप में बेची जाती हैं।
मैंने कई ग्राहकों के लिए काम किया है, जो सफल दवाओं का एक हिस्सा है जो बाजार में जारी किया गया है। इसलिए, हां हम बीमारियों को ठीक करने में मदद करते हैं और यह उस गुणवत्ता पर आधारित है जो हम वितरित करते हैं। हम रोगी डेटा को संभालते हैं, हम मानव डेटा विज्ञान में हैं। क्लीनिकल रिसर्च में कई विभाग हैं- मेडिकल राइटिंग, फार्माकोविजिलेंस, डेटा मैनेजमेंट, रेगुलेटरी अफेयर्स, एसएएस प्रोग्रामर, डेटा बेस प्रोग्रामर, डेटा साइंटिस्ट आदि। मैं केवल डेटा मैनेजमेंट पर ध्यान दूंगा क्योंकि यह बहुत विशाल है।

डेटा विश्लेषण में निम्नलिखित शामिल हैं:
1. डेटा संग्रह
2. डेटा की सफाई
3. डेटा प्रतिनिधित्व
4. डेटा विश्लेषण
तो, हमें एक विशेष चिकित्सीय क्षेत्र के लिए प्रायोजक से परियोजनाएं मिलती हैं- कार्डियोवास्कुलर, बाल रोग, ऑन्कोलॉजी, ऑटो इम्यून आदि।

प्रोटोकॉल के आधार पर, डेटा बेस को प्रोग्राम बेस प्रोग्रामर द्वारा डिज़ाइन किया गया है। हमारे पास एसएएस प्रोग्रामर हैं जो डेटा प्रबंधन योजना के आधार पर डेटा में विसंगतियों को पकड़ने में हमारी मदद करते हैं जिसमें डेटा प्रतिबंधों के सभी विवरणों को लागू किया जाना है। सफाई के बाद के आंकड़ों को बायस्टैस्टिशियन द्वारा आवश्यक रूप से दर्शाया गया है, मुख्य रूप से टीएफएल (टेबल्स, फ्लो चार्ट, लिस्टिंग) के रूप में और विश्लेषण के लिए एफडीए को प्रस्तुत किया गया है। अंत में, दवा खारिज हो जाती है या अनुमोदित हो जाती है।
डेटा संग्रह दुनिया भर के चिकित्सा केंद्रों द्वारा किया जाता है। डेटा सफाई हमारे द्वारा किया जाता है, डेटा एनालिस्ट्स, बायोस टीम द्वारा प्रतिनिधित्व किया जाता है और वैज्ञानिकों द्वारा गुणवत्ता और विश्वसनीयता के लिए अंत में विश्लेषण किया जाता है। इस बड़ी प्रक्रिया में कई अन्य टीमें मिलकर काम कर रही हैं।


डेटा विश्लेषक के रूप में, एक ICH दिशानिर्देश, GCP और SOPs के माध्यम से होना चाहिए। ईडीसी (इलेक्ट्रॉनिक डेटा कैप्चर) के माध्यम से डेटा एकत्र किया जाता है, इसलिए हमें डेटाबेस से परिचित होना चाहिए। कई हैं- ओरेकल क्लिनिकल, इंफो, रेव, इन-हाउस डेटा बेस आदि, जिनके साथ एक होना चाहिए।

सबसे पहले, डेटाबेस की स्थापना के दौरान, सीडीए द्वारा परीक्षण और QC प्रदर्शन किया जाता है, यह सेटअप चरण है। नीचे सीडीए द्वारा किया जाएगा:
1. टेस्ट केस लेखन
2. परीक्षण

एक बार, सेट अप चरण समाप्त हो गया है, परीक्षण शुरू होता है और डेटा एकत्र किया जाता है, जिसे विभिन्न गतिविधियों के माध्यम से दैनिक और मासिक सफाई की आवश्यकता होती है, अर्थात्:
1. क्वेरी प्रबंधन (सिस्टम और मैनुअल जांच डेटा बेस में फायरिंग)
2. विक्रेता डेटा सुलह
3. SAE सुलह
4. एसएएस लिस्टिंग आउटपुट
5. पीडी सुलह
6. प्रवृत्ति विश्लेषण, यदि कोई हो
7. डेटा सेट की समीक्षा, आदि
प्रत्येक गतिविधि अलग है और विभिन्न पहलुओं से डेटा को साफ करती है।

अंत में, जब कोई परियोजनाएं समाप्त होती हैं, तो डेटा बेस लॉक गतिविधियों (समीक्षा गतिविधियों) को करने के लिए एक सीडीए माना जाता है। अंत में, डेटा बेस को मैन्युअल रूप से सीडीए या स्क्रिप्ट प्रोग्रामर द्वारा लॉक किए गए स्क्रिप्ट रन द्वारा प्रत्येक फॉर्म को लॉक किया जाता है। Excel में CDA के अत्यधिक कुशल होने की उम्मीद है क्योंकि डेटा विश्लेषण तेज हो सकता है। प्रोटोकॉल की समझ, इसके विचलन और अध्ययन डिजाइन, प्रतिबंध के मानदंडों को समझना भी बहुत महत्वपूर्ण है। सॉफ्टवेयर्स का उपयोग, कुछ निश्चित आउटपुट के लिए किया जाता है। अनुप्रयोगों का उपयोग रिपोर्ट पुलिंग आदि के लिए किया जाता है। इसके अलावा, सीडीए को अध्ययन की स्थिति जानने के लिए मैट्रिक्स और रिपोर्टिंग जानना चाहिए। अंतरिम विश्लेषण, निरर्थकता विश्लेषण, डेटा बेस लॉक मील के पत्थर हैं जो स्वच्छ डेटा की मांग करते हैं इसलिए गुणवत्ता हमेशा बनाए रखी जानी चाहिए।
इसकी लाइव डेटा के रूप में गुणवत्ता से समझौता नहीं किया जा सकता है, इसलिए उम्मीदें काफी अधिक हैं। उचित प्रशिक्षण और सलाह के साथ एक अच्छा डेटा विश्लेषक हो सकता है। जैसे-जैसे समय बीतता है, डेटा का विश्लेषण करने की गति भी बढ़ जाती है इसलिए यह समय के साथ बेहतर होता जाता है।

यह एक बहुत ही आरामदायक काम है, इसे घर से भी किया जा सकता है इसलिए बाद में घर-घर बन सकते हैं और किसी भी इच्छित जगह पर शिफ्ट हो सकते हैं जहाँ नेट कनेक्टिविटी अच्छी हो।

[jindon]

डेटा विश्लेषक उद्योग में सबसे जिम्मेदार काम में से एक है। इसे दुनिया में शीर्ष भुगतान वाली नौकरियों में भी माना जाता है। लेकिन डिजिटल विश्लेषक बनना इतना आसान नहीं है। डेटा विश्लेषक के पास कुछ महत्वपूर्ण कौशल होने चाहिए जो उनके करियर के लिए आवश्यक हैं। आइए शीर्ष 8 प्रमुख कौशल देखें जो हर डेटा विश्लेषक के पास होने चाहिए।

1. प्रोग्रामिंग कौशल
उनके पास ठीक सांख्यिकी कौशल होना चाहिए, सांख्यिकी कौशल के अलावा उनके पास कुछ प्रोग्रामिंग कौशल भी होना चाहिए। प्रोग्रामिंग कौशल में पायथन, MATLAB, R, आदि पर कमांड शामिल हैं और सांख्यिकी कौशल में SAS और SPSS पर कमांड शामिल हैं। इसके अलावा, वे बड़े डेटा टूल यानी स्पार्क, हाइव एचक्यूएल पर भी कमांड कर सकते हैं। अधिक कौशल के विपरीत, उनके पास उनके लिए सबसे अच्छा डेटा विश्लेषक होने की अधिक संभावना है।

2. सामान्य कौशल
सांख्यिकीय के साथ-साथ प्रोग्रामिंग कौशल में एक नज़र रखने के बाद यह डेटा विश्लेषक के लिए विश्लेषणात्मक कौशल पर एक नज़र डालने का समय है। उनके पास Google Analytics पर एक ठीक आदेश होना चाहिए। इसके अलावा, उनके पास Adobe Analytics पर कुछ कमांड भी हो सकते हैं। उन्हें अपनी पूरी क्षमता पर इन उपकरणों का उपयोग कैसे करना चाहिए।

3 अभियान प्रबंधन कौशल
अभियान प्रबंधन एक जगह में विभिन्न चैनल के डेटा और उसके प्रदर्शन को प्रबंधित करने का कौशल है। एडोब अभियान डेटा विश्लेषक को पूर्णता के साथ काम करने की अनुमति देता है। यह अभियान प्रबंधन के लिए सबसे अच्छे साधनों में से एक है। इस उपकरण का सबसे अच्छा हिस्सा यह है कि यह इन दिनों बहुत लोकप्रिय हो रहा है और बड़े संगठनों द्वारा उपयोग किया जाता है। उन्हें अपने करियर को उज्ज्वल बनाने के लिए इन उपकरणों पर एक मजबूत कमांड रखने की आवश्यकता है।

4. रिपोर्टिंग कौशल
रिपोर्टिंग व्यवसाय के प्रमुख पहलुओं में से एक है। यही कारण है कि यह डेटा विश्लेषक के लिए भी महत्वपूर्ण है। रिपोर्टिंग कौशल में डेटा विज़ुअलाइज़ेशन शामिल है और इसके आधार पर, उन्हें निष्कर्ष निकालने और उस पर एक रिपोर्ट बनाने की आवश्यकता है।

5. रचनात्मकता
रचनात्मकता के बिना, डेटा विश्लेषक अब जीवित नहीं रह सकता है। डेटा एनालिटिक्स का उपयोग करने के लिए उनमें जुनून और रचनात्मकता होनी चाहिए। उनकी रचनात्मकता के आधार पर, वे विज़ुअलाइज़ किए गए डेटा से सर्वश्रेष्ठ आउटपुट कर सकते हैं।

6. उन्नत एमएस एक्सेल
एमएस एक्सेल दुनिया में सबसे शक्तिशाली स्प्रेडशीट सॉफ्टवेयर में से एक है। इसमें बहुत सारे सूत्र और कार्य शामिल हैं जो डेटा विश्लेषक के लिए काफी उपयोगी हैं। यही कारण है कि उन्हें उन्नत एमएस एक्सेल पर एक मजबूत कमांड की आवश्यकता है।

7. एसक्यूएल ज्ञान
SQL के बिना हम प्रोग्रामिंग पर अधिक नहीं कर सकते। वास्तव में, एसक्यूएल डेटा और एनालिटिक्स के लिए एक आवश्यक भाषा है। डेटा एनालिस्ट को SQL का पर्याप्त ज्ञान होना चाहिए। SQL उन्हें डेटाबेस को अधिक गहराई से समझने में मदद करेगा।

8. टीम वर्क
टीम वर्क हर व्यवसाय के लिए सफलता की कुंजी है। इस प्रकार डेटा विश्लेषक के लिए टीमवर्क के प्रयास भी अनिवार्य हैं। लेकिन डेटा एनालिस्ट का ज्यादातर काम व्यक्तिगत आधार पर होता है। लेकिन फिर भी, कुछ कार्य ऐसे हैं जिन्हें पूरा करने के लिए टीम के प्रयासों की आवश्यकता होती है।

[Gamechanger2020]

डेटा विश्लेषण उपयोगी जानकारी की खोज, निष्कर्ष को सूचित करने और निर्णय लेने का समर्थन करने के लक्ष्य के साथ डेटा का निरीक्षण, सफाई, रूपांतरण और मॉडलिंग की एक प्रक्रिया है। डेटा विश्लेषण में कई पहलू होते हैं और विभिन्न प्रकार के नामों के तहत विविध तकनीकों को शामिल किया जाता है, और इसका उपयोग विभिन्न व्यवसाय, विज्ञान और सामाजिक विज्ञान डोमेन में किया जाता है। आज की व्यावसायिक दुनिया में, डेटा विश्लेषण निर्णय को अधिक वैज्ञानिक बनाने में मदद करता है और व्यवसायों को अधिक प्रभावी ढंग से संचालित करने में मदद करता है।

डेटा माइनिंग एक विशेष डेटा विश्लेषण तकनीक है जो विशुद्ध रूप से वर्णनात्मक उद्देश्यों के बजाय पूर्वानुमान के लिए सांख्यिकीय मॉडलिंग और ज्ञान खोज पर केंद्रित है, जबकि व्यापार खुफिया डेटा विश्लेषण को कवर करता है जो मुख्य रूप से व्यावसायिक जानकारी पर ध्यान केंद्रित करते हुए एकत्रीकरण पर निर्भर करता है। सांख्यिकीय अनुप्रयोगों में, डेटा विश्लेषण को वर्णनात्मक आंकड़ों, खोजपूर्ण डेटा विश्लेषण (eda), और पुष्टिकरण डेटा विश्लेषण (cda) में विभाजित किया जा सकता है। eda डेटा में नई सुविधाओं की खोज पर ध्यान केंद्रित करता है, जबकि cda मौजूदा परिकल्पनाओं की पुष्टि या मिथ्याकरण पर केंद्रित है। भविष्य कहनेवाला विश्लेषण पूर्वानुमान या वर्गीकरण के लिए सांख्यिकीय मॉडल के अनुप्रयोग पर ध्यान केंद्रित करता है, जबकि पाठ विश्लेषिकी सांख्यिकीय स्रोतों, भाषाई और संरचनात्मक तकनीकों को लागू करता है, जो कि पाठ्यस्रोत स्रोतों से जानकारी निकालने और वर्गीकृत करने के लिए असंरचित डेटा की एक प्रजाति है। उपरोक्त सभी डेटा विश्लेषण की किस्में हैं।

डेटा एकीकरण डेटा विश्लेषण के लिए एक अग्रदूत है, और डेटा विश्लेषण डेटा विज़ुअलाइज़ेशन और डेटा प्रसार से निकटता से जुड़ा हुआ है।

विश्लेषण, व्यक्तिगत परीक्षा के लिए अपने अलग-अलग घटकों में एक पूरे को विभाजित करने के लिए संदर्भित करता है। डेटा विश्लेषण, कच्चे डेटा प्राप्त करने के लिए एक प्रक्रिया है, और बाद में इसे उपयोगकर्ताओं द्वारा निर्णय लेने के लिए उपयोगी जानकारी में परिवर्तित किया जाता है। डेटा, एकत्र किया गया है और सवालों के जवाब देने के लिए विश्लेषण किया गया है, परिकल्पना का परीक्षण किया गया है, या सिद्धांतों को अस्वीकृत किया गया है।