Ha tudom alapszinten az Oracle SQl, PL/SQL-t, de tovább fejlesztem őket Udemyn, és mellette megtanulok nyáron python-t is használni, van eseélyem gyakornoki állát szerezni a területen?

Milyen szakterületen akarsz elhelyezkedni? A data science az gyakorlatilag programozás + matematikai modellezés/statisztika + domain knowledge.

Én voltam már olyan data science-nek hívott interjún, ami inkább egy lightosabb data analystnak felelt meg, meg voltam már olyanon is amit úgy éreztem, hogy kb PhD level volt és esélyem sem lett volna. Szóval nem mindegy, hogy pénzügy, gyógyszeripar, autóipar, vagy tanácsadás, stb terület felé akarsz orientálódni.

A kérdésre válaszolva, az Oracle és PL/SQL tudással biztosan nem lősz mellé, az teljesen alap szinte minden ilyen pozíciónál, de ne csak alapszinten tudd használni. Aztán területtől függően mehetsz rá a Pythonra és a library-kra. Szerintem jobb mint az R, hasznosabb tudni egy general purpose programming language-t. Én nem IT-s vagyok, más területről mentem ebbe az irányba, nekem a Python és SQL az alap eszköztáram, használtam már R-t is, ezen kívül az Excelnek a VBA nyelvét és a Power BI-t ismerem még elég jól.

Angol nyelvű oldalakon érdemesebb jobban utánanézned, hogy hogyan különölnek el egymástól a data analyst, BI analyst, data science, machine learning engineer, data engineer feladatkörök. A BI és a data analyst a legkevésbé technikai, a data engineer az szinte lekorlátozódik adatbázisozásra, a data science és ML tartalmazza a legtöbb modellezési kihívást, szerintem az ML Engineernek van a legnagyobb hozzáadott értéke.

Ha van ismerősöd, aki betol valahova adatelemző gyakornoknak, akkor esetleg van esélyed, egyébként pedig nagyon-nagyon sokat kell még tanulnod a gyakornoksághoz is. Ha nem akarsz mesterszakra járni, akkor kezdd el legalább egy google data analytics certificationnel a Courserán, ez ad egy curriculumot kezdetnek. De a legjobb lenne egy célzott mesterszak.

3. “közgazdászok között könnyen ki tudsz tűnni”

Nem tudom ezt a hülyeséget honnan vetted, az adattudományban dolgozó közgazdászok többnyire nagyon jól képzettek, nem tudom, mivel tudna kitűnni így hirtelen.

#4, előző vagyok és közgazdász mesterdiplomám van. Valóban a közgazdaságtanban sok modellezési probléma van és statisztikai módszertanokat is sokat tanultunk. Viszont programozásban nekem személy szerint nagyon fel kellett kötnöm a gatyám és a kollégáim gyakran jöttek fizikus, matematikus, computer science háttérrel akik általában sokkal jobb kvantitatív képességekkel rendelkeztek és már jobb programozási előképzettségük is volt, akár nehezebb, bonyolultabb nyelveken is mint a Python.

Szerintem aki STEM fieldről jön, nem nehéz átültetni magát pénzügyre, míg gazdasági oldalról sok esetben economics vagy finance mesterdiplomával is nehézkes lehet átmenni tech oldalra. Jelen pillanatban a közgazdasági elemző mestereseket és az 5 éves osztatlan gazdaság- és pénzügyi matematika quant vagy aktuárius szakról jövőket látom leginkább a data science területen gazdasági oldalról, lévén hogy ezek a leginkább "hardcore" szakok a gazdasági képzések közül.

Nekem ez a tapasztalatom és ezt láttam a környezetemben, de persze egyénfüggő is teljesen, hogy kinek mihez van nagyobb affinitása.

(Nem a 3-as vagyok.)

Ha adattudományban mozgó közgazdászok közül nem, de pénzügyi területen mozgó, többnyire gazdasági végzettséggel rendelkező Átlag Józsik közül, akiknél egy épkézláb Excel template megépítése is nagy kaland amivel kitűnnek ctrlc-ctrlvző tömegből (magamat is ide sorolom), aranyat ér egy Python tudás. Az más kérdés hogy ez nem komoly adattudomány, és az is hogy a pitonosok fél-egy éven belül dobbantanak valami komolyabb helyre. Addig jó lenne egy ilyen, a kérdezőnek is.

De ha más nem marad a nehezített gyakornoki pálya. Fél évet tényleg ott is ki lehet bírni. Jelentkezz a pwc-hez meg hasonló helyekre is, ne csak az ssc-kbe.

én az #5 vagyok és egyetértek #6-ossal, viszont azt is elmondanám, hogy én is így kezdtem, adatelemzőként Excellel, VBA-vel turbózgattam template-eket, de az, hogy kicsit tudtam mellé a Pythont az akkoriban senkit nem érdekelt sajnos. Mondták, hogy ez a munka, Excelben kell csinálni és azt se tudták mi az a Python. Sokszor a pénzügyi szektorban dedikált rendszerek vannak dolgokra, vagy azt a statisztikai szoftvercsomagot használja a cég amire megvették a licencet, nem fognak pythont telepíteni a gépedre, hiába kéred őket. Én legalábbis így jártam.

Szóval el lehet indulni ezen az úton elemzőként, viszont eközött és a kezdő data scientist között elég nagy az ugrás ezen az úton. Magadat kell felturbózni nagyon, mert az analyst pozícióban főleg ahogy írta is előző, Excel template-eket és Power BI dashboardokat fognak kérni, esetleg SAS, Stata, SPSS lesz a részlegen megvásárolva és azt kell majd megtanulni. Ez arra elég, hogy kicsit képbe kerülj az elemzéssel meg az alapvető programozással, de innen majd egy nagyot kell ugrani magadtól amikor elmész olyan helyre ahol Pythont és SQL-t várnak, és modellezni kell esetleg. De magadtól tudsz sokat tanulni. Git-tel is érdemes megbarátkoznod pl , hogy tudj csapatban dolgozni.

Én egyébként még mindig azt mondom, hogy az Oracle és PL/SQL már fél siker. Az adatot kell tudni nagyon jól kezelni, menedzselni, tisztítani, rendezni, szűrni, főleg ha az adatbázis 100 millió sorokból áll. A munka nagy részét ez teszi ki. Ez amúgy elég unalmas is tud lenni.