در عصر حاضر بسیاری از مسائل بسیار پیچیده و سخت را می‌توان با استفاده از علم داده حل کرد. این موضوع باعث شده است که موج عظیمی از نوآوری‌ها را در صنایع مختلف از مراقبت‌های بهداشتی گرفته تا آموزش، و از امور مالی تا سیاست‌گذاری ایجاد نماید. بطوریکه علم داده یکی از رشته هایی است که امروزه سریع ترین رشد را در سطح مراکز تحقیقاتی و دانشگاهها دارد.
داده‌ها ممکن است توسط انسان‌ها (محتواهای صوتی، تصویری، آزمایش ها و غیره) یا توسط ماشین‌ها (داده‌های آب‌وهوا، اطلاعات جاده ای و غیره) تولید شوند و می‌توانند در قالب‌های مختلف (متن، صوتی، تصویری، واقعیت افزوده یا مجازی و غیره) باشند.
ماهیت و اندازه “داده” در این سناریوها بسیار متفاوت است – از شخصی تا سازمانی، و از چند کیلوبایت (کیلو بایت) تا چندین پتابایت (PB).
به عنوان مثال، جدولی را تصور کنید که حاوی تاریخ تولد همه افراد کلاس یا دفتر شما است. می توانیم کل این جدول (مجموعه ای از تولدها) را به عنوان داده در نظر بگیریم. هر روز تولد یک نقطه از داده است که می توان آن را مبنا نامید، اما ما آن را نیز داده می نامیم. همچنین اغلب بحث در مورد تفاوت بین داده ها و اطلاعات وجود دارد. در واقع، استفاده از یکی برای تعریف دیگری معمول است (به عنوان مثال، “داده ها یک قطعه اطلاعات هستند”).
فرانک لو، مدیر علوم داده در Wayfair، در datajobs.com می‌گوید:
«علم داده ترکیبی چند رشته‌ای از استنتاج داده، توسعه الگوریتم و فناوری به منظور حل مسائل تحلیلی پیچیده است.»
او در ادامه توضیح می دهد که علم داده، در هسته خود، شامل کشف بینش، ارتباط و داده کاوی است. این امر از طریق اکتشاف داده ها با استفاده از ابزارها و تکنیک های مختلف، آزمون فرضیه ها و ایجاد نتیجه گیری با داده ها و تحلیل ها اتفاق می افتد.
از آنجایی که دانشمندان داده با محدودیت‌های فنی مواجه می‌شوند و برای رسیدگی به این مشکلات اکتشافاتی انجام می‌دهند، آنچه را که آموخته‌اند به اشتراک می‌گذارند و مفاهیمی را برای مسیرهای تجاری جدید پیشنهاد می‌کنند.
آنها همچنین باید در نمایش بصری اطلاعات خلاق باشند و الگوهایی را که پیدا می کنند به وضوح و قانع کننده نشان دهند. یکی از مهمترین نقش های دانشمند داده در این زمینه مشاوره دادن به مدیران اجرایی و مدیران در مورد پیامدهای داده ها برای محصولات، خدمات، فرآیندها و تصمیمات آنهاست.
همچنین علم داده به عنوان یک حوزه مستقل به خودی خود به جای زیرمجموعه ای از یک حوزه دیگر، مانند آمار یا علوم کامپیوتر، در نظر گرفته می شود. این موضوع را با نگاهی به چگونگی ارتباط علم داده با رشته‌ها و رشته‌های مختلف می توان بهتر درک کرد.
داده ها و تجزیه و تحلیل داده ها نقش فزاینده ای را در زندگی روزمره ما ایفا می کنند. بنابراین، دانستن مبانی داده ها و تجزیه و تحلیل داده ها به یک مهارت اساسی تبدیل شده است که راهگشای مسائل در علوم مختلف است.
بطور مثال با گسترش استفاده از گوشی های هوشمند که از بستر های ارتباطی متعدد برای ارسال داده های صدا، تصویر بهره می برند، روزانه شاهد تولید حجم بسیار زیادی از داده های صدا و تصویر می باشیم که پردازش و تحلیل آنها نیازمند روش ها و ابزارهای بسیار هوشمند هستند.
با درک این موضوع، در دنیا نه تنها بسیاری از مؤسسات آموزش عالی شروع به توسعه و ارائه مدارک و رشته‌های تحصیلی در این زمینه کرده‌اند، بلکه برای دانش‌آموزان نیز دوره ها و درس هایی در زمینه علم داده ارائه می‌دهند چرا که می‌توانند از مهارت‌های سواد داده‌ای در زندگی خود بهره ببرند.
در یک مقاله معروف، داونپورت و پاتیل علم داده را «جذاب‌ترین شغل قرن بیست و یکم» نامیدند. نویسندگان با فهرست کردن شرکت های مبتنی بر داده مانند آمازون، eBay، Google،LinkedIn، Microsoft، Twitter و Walmart، یک دانشمند داده را ترکیبی از هکر داده، تحلیلگر، ارتباط دهنده و مشاوری مورد اعتماد می دانند.
دکتر تارا سینکلر، اقتصاددان ارشد در Indeed.com می گوید:
تعداد آگهی‌های شغلی برای «دانشمند داده» در سه ماهه اول 2015 نسبت به سال گذشته آن ۵۷ درصد رشد کرده است.
چرا صنعت و دانشگاه اخیراً تقاضای خود را برای علم داده و دانشمندان داده افزایش داده اند؟
چه چیزی در چند سال گذشته تغییر کرده است؟
پاسخ تعجب آور نیست: ما داده های بسیار زیادی داریم، ما به تولید حجم حیرت آور داده با سرعتی بی سابقه و فزاینده ادامه می دهیم، تجزیه و تحلیل دقیق و درست داده ها مستلزم مشارکت متخصصان شایسته و آموزش دیده است و تجزیه و تحلیل چنین داده هایی می تواند بینش عملی و بسیار موثر ارائه دهد. این موضوع به وضوح اهمیت پرداختن به علم داده نمایان می سازد.
مدل 3V تلاش می کند این موضوع یعنی رشد داده ها را به روشی ساده و جذاب بیان کند:
Velocity: سرعتی که داده ها با آن انباشته می شوند
Volume: اندازه و دامنه داده ها
Variety: گستردگی عظیم داده ها و انواع آن (ساختار یافته و بدون ساختار)
هر یک از این سه V در مورد داده ها در سال های اخیر به طور چشمگیری افزایش یافته است. به طور خاص، حجم فزاینده داده‌های ناهمگن و بدون ساختار (متن، تصاویر و ویدئو) و همچنین احتمالات ناشی از تجزیه و تحلیل آنها، علم داده را بیش از پیش ضروری می‌کند.
شکل زیر حجم داده هایی را نشان می دهد که پیش بینی می شده تا پایان سال 2020 به 40 زتابایت (ZB) برسد، که حدود 50 برابر نسبت به ابتدای سال 2010 است.
