Profession dataanalytiker

Dataanalytikere importerer, kontrollerer, renser, validerer, modellerer eller fortolker data med hensyn til virksomhedens forretningsmål. De sikrer, at datakilderne og dataregistrene giver konsekvente og pålidelige data. Dataanalytikere bruger forskellige algoritmer og IT-værktøjer som krævet af situationen og de aktuelle data. De kan udarbejde rapporter i form af visualiseringer, f.eks. grafer, skemaer og resultattavler.

Personlighedstype

• Undersøgende / Foretagsom

Viden

• Oplysningers fortrolighed

  De mekanismer og forskrifter, der giver mulighed for selektiv adgangskontrol, og garanterer, at kun godkendte parter (personer, processer, systemer og udstyr) har adgang til data, metoder til at overholde fortrolige oplysninger og risici for manglende overholdelse.

• Datamodeller

  De teknikker og eksisterende systemer, der anvendes til at strukturere dataelementer og vise deres indbyrdes forhold, samt metoder til fortolkning af datastrukturer og -relationer.

• Visuelle præsentationsteknikker

  De visuelle repræsentations- og interaktionsteknikker, f.eks. histogrammer, spredningsdiagrammer, overfladeareal, treemaps og parallelkoordinatdiagrammer, der kan anvendes til at præsentere abstrakte numeriske data og ikkenumeriske data for at styrke den menneskelige forståelse af disse oplysninger.

• Datamining

  Metoder inden for kunstig intelligens, maskinindlæring, statistikker og databaser, der anvendes til at udtrække indhold fra et datasæt.

• Informationsstruktur

  Den type infrastruktur, som definerer dataformatet: halvstruktureret, ustruktureret og struktureret.

• Forespørgselssprog til ressource description framework

  Forespørgselssprogene som f.eks. SPARQL, der anvendes til at hente og bearbejde data, der opbevares i et Resource Description Framework (RDF)-format.

• Forespørgselssprog

  Området for standardiserede computersprog til søgning efter oplysninger fra en database og dokumenter, der indeholder de nødvendige oplysninger.

• Business intelligence

  De værktøjer, der anvendes til at omdanne store mængder rådata til relevante og nyttige forretningsoplysninger.

• Ustrukturerede data

  Oplysninger, der hverken er arrangeret på forhånd eller har en foruddefineret datamodel, og som er vanskelige at forstå og finde mønstre i, uden brug af teknikker såsom dataudvinding.

• Statistik

  Studiet af statistisk teori, metoder og praksis såsom indsamling, tilrettelæggelse, analyse, fortolkning og præsentation af data. Det vedrører alle datamæssige aspekter, herunder planlægning af dataindsamling i form af udarbejdelse af spørgeundersøgelser og eksperimenter med henblik på at forudsige og planlægge arbejdsrelaterede aktiviteter.

• Dokumentationstyper

  Egenskaberne for interne og eksterne dokumentationstyper, der er tilpasset produktets livscyklus og deres specifikke indholdstyper.

• Datakvalitetsvurdering

  Processen med at afsløre dataproblemer ved hjælp af kvalitetsindikatorer, foranstaltninger og måleenheder for at planlægge datarensning og strategier for databerigelse i henhold til datakvalitetskriterier.

• Informationsudvinding

  De teknikker og metoder, der anvendes til at tilvejebringe og udtrække oplysninger fra ustrukturerede eller halvstrukturerede digitale dokumenter og kilder.

• Kategorisering af information

  Proceduren for klassificering af oplysninger i kategorier og påvisning af forhold mellem dataene til nogle klart definerede formål.

Færdigheder

• Analysere big data

  Indsamle og evaluere numeriske data i store mængder, navnlig med henblik på at identificere mønstre mellem dataene.

• Udføre analytiske matematiske beregninger

  Anvende matematiske metoder og anvende beregningsteknologier til at foretage analyser og finde løsninger på specifikke problemer.

• Anvende datakvalitetsproces

  Anvende kvalitetsanalyser, validering og verificeringsteknikker på data med henblik på at kontrollere dataenes kvalitet.

• Udføre datarensning

  Påvise og korrigere forvanskede registreringer fra datasæt, sikre, at dataene bliver og forbliver strukturerede i overensstemmelse med retningslinjerne.

• Normalisere data

  Reducere dataene til deres nøjagtige kerneformular (i det følgende benævnt "normale formularer") for at opnå resultater såsom minimering af afhængighed, afskaffelse af afskedigelser og øget konsistens.

• Anvende statistiske analyseteknikker

  Anvende modeller (beskrivende eller inferential statistik) og teknikker (datamining eller maskinlæring) til statistisk analyse og IKT-værktøjer til analyse af data, konstatering af korrelationer og prognoser.

• Fortolke eksisterende data

  Analysere data indsamlet fra kilder, f.eks. markedsdata, videnskabelige dokumenter, kundekrav og spørgeskemaer, der er aktuelle og ajourførte, med henblik på at vurdere udvikling og innovation inden for ekspertiseområder.

• Integrere IKT-data

  Kombinere data fra kilder med fælles syn på dette datasæt.

• Administrere data

  Administrere alle typer dataressourcer gennem deres livscyklus ved at foretage dataprofilering, parsing, standardisering, identitetsopløsning, rensning, udvidelse og revision. Sikre, at dataene er egnede til formålet, ved hjælp af specialiserede IKT-værktøjer til at opfylde datakvalitetskriterierne.

• Håndtere dataprøver

  Indsamle og udvælge en gruppe data fra en population ved hjælp af en statistisk eller anden defineret procedure.

• Indsamle IKT-data

  Indsamle data ved at udforme og anvende metoder til søgning og prøveudtagning.

• Definere kriterier for datakvalitet

  Specificere kriterierne for måling af datakvalitet i forretningsøjemed, f.eks. inkonsekvenser, ufuldstændighed, anvendelighed og nøjagtighed.

• Fastlægge dataprocesser

  Anvende IKT-værktøjer til at implementere matematiske, algoritmiske eller andre datamanipulationsprocesser med henblik på at skabe information.

• Udføre datamining

  Undersøge store datasæt for at afdække mønstre ved hjælp af statistikker, databasesystemer eller kunstig intelligens og fremlægge oplysningerne på en forståelig måde.

Source: Sisyphus ODB