علم داده چیست؟ شغل دیتا ساینس، رشته و بازار کار در ایران

علم داده ریاضی و آمار، برنامه‌نویسی، تحلیل پیشرفته، هوش مصنوعی و یادگیری ماشین را با شناخت یک کسب‌وکار ترکیب می‌کند تا نکته‌هایی را که در داده پنهان است پیدا کند. تفاوتش با گزارش‌گیری معمولی این است که فقط گذشته را توصیف نمی‌کند؛ از داده گذشته متغیرهایی می‌سازد که با آن‌ها می‌شود پیش‌بینی یا دسته‌بندی کرد.

دیتا ساینس چیست و یک پروژه آن چه مراحلی دارد؟

1. جمع کردن داده خام، مرتب و نامرتب.
2. تمیز کردن، حذف تکراری‌ها و یکی کردن داده‌ها.
3. تحلیل اکتشافی و ساختن مدل؛ مثلا پیش‌بینی ترک مشتری یا تقلب در پرداخت.
4. رساندن نتیجه به تصمیم‌گیرها با نمودار و گزارش.

دیتا ساینتیست کیست؟

دانشمند داده با زبان‌های برنامه‌نویسی داده‌محور و نرم‌افزارهای نمایش داده، داده خام را به اطلاعات قابل استفاده تبدیل می‌کند و مدل‌ها را آزمایش و اصلاح می‌کند تا پیش‌بینی‌شان درست بماند.

کار روزانه دانشمند داده چیست؟

در شرح رسمی این شغل در آمریکا، وظیفه‌های اول این‌هاست: تحلیل داده‌های بزرگ با نرم‌افزار آماری، تمیز کردن داده خام، ساختن نمودار برای نشان دادن نتیجه، آزمودن و اصلاح مدل‌ها تا پیش‌بینی‌شان درست بماند، ارائه نتیجه به صورت گفتاری یا نوشتاری و پیشنهاد راه‌حل‌های داده‌محور به مدیران. یعنی بخش بزرگی از روز به آماده کردن داده و توضیح دادن نتیجه می‌گذرد، نه فقط به ساختن مدل.

علم داده با هوش تجاری و مهندسی داده چه فرقی دارد؟

هوش تجاری بیشتر به داده گذشته نگاه می‌کند و خروجی‌اش توصیفی است: چه فروختیم، کجا افت داشتیم. علم داده از همان داده توصیفی متغیرهایی بیرون می‌کشد که با آن‌ها پیش‌بینی یا دسته‌بندی کند. مهندس داده خط‌های انتقال و ذخیره داده را می‌سازد و نگه می‌دارد. دانشمند داده هم می‌تواند مدل یادگیری ماشین بسازد، ولی بزرگ کردن آن در محصول مهارت مهندسی نرم‌افزار بیشتری می‌خواهد؛ برای همین معمولا با مهندس یادگیری ماشین همکاری می‌کند.

در ۲۳ آگهی دیتا ساینتیست، ۱۹ آگهی از یادگیری ماشین و مدل پیش‌بینی حرف زده بودند، ۱۱ آگهی کتابخانه‌هایی مثل scikit-learn و PyTorch را نام برده بودند و ۸ آگهی یادگیری عمیق یا مدل زبانی. Spark و کلان‌داده در ۶ آگهی و Power BI فقط در ۲ آگهی بود.

• رشته‌ها: کامپیوتر و فناوری اطلاعات در ۱۶ آگهی، ریاضی و آمار در ۱۰ آگهی.
• مقطع: ۱۵ آگهی کارشناسی و ۲ آگهی کارشناسی ارشد را حداقل گذاشته بودند.
• جنسیت: ۱۹ آگهی شرطی نگذاشته بودند.
• ۱۰ آگهی از ۲۳ آگهی برای سطح ارشد بود؛ برای تازه‌کار، تحلیل داده در عمل ورودی رایج‌تری است.

برای کارهای نزدیک، صفحه‌های تحلیل داده و هوش تجاری و هوش مصنوعی و یادگیری ماشین را هم ببین.

در فهرست شهریه ۱۴۰۵ آموزشگاه‌های آزاد فنی و حرفه‌ای تهران، فقط یک استاندارد اسم علم داده را دارد: «تحلیل داده با پایتون (با رویکرد علم داده)»، ۶۰ ساعت با سقف شهریه ۲۵٫۸ میلیون تومان حضوری و ۲۰٫۶ میلیون آنلاین. استانداردهای نزدیک:

• برنامه‌نویسی پایتون: ۱۱۰ ساعت، ۲۳٫۷ میلیون تومان.
• Power BI: ۹۰ ساعت، ۱۹٫۴ میلیون تومان.
• SQL Server: ۱۶۵ تا ۱۸۰ ساعت، ۲۱٫۸ تا ۳۵٫۶ میلیون تومان.
• تجزیه و تحلیل داده به روش یادگیری ماشین: ۱۷۰ ساعت، ۳۰٫۶ میلیون تومان.
• تجزیه و تحلیل داده با SAS: ۸۴ ساعت، ۱۸٫۱ میلیون تومان.
• تحلیل آمار توصیفی با SPSS: ۷۲ ساعت، ۵٫۴ میلیون تومان.

استانداردی با اسم R، Tableau یا دانشمند داده در این فهرست نبود. یعنی دوره فنی و حرفه‌ای بیشتر ابزار را یاد می‌دهد و مدل‌سازی و آمار را باید جای دیگری کامل کرد.

بوت‌کمپ‌های آزاد تحلیل داده با منتور حدود ۳۵ تا ۴۰ میلیون تومان برای حدود ۲۹۰ ساعت در ۱۴ هفته بودند و دوره‌های ضبط‌شده تکی ۰٫۳ تا ۱٫۸ میلیون تومان. یکی از این بوت‌کمپ‌ها پایتون پایه و ریاضی مقدماتی را پیش‌نیاز گذاشته بود و به طور متوسط ۲۰ تا ۲۵ ساعت وقت در هفته می‌خواست؛ هفته اول آن کار با Numpy و Pandas و نمودار بود و هفته دوم آمار. بوت‌کمپ‌های علم داده دیگر هم حدود ۱۱۰ ساعت آموزش در ۴ تا ۶ ماه اعلام کرده بودند.

مدرک‌های بین المللی

گواهی Google Data Analytics ۹ درس دارد و با ۱۰ ساعت در هفته حدود ۶ ماه طول می‌کشد؛ گواهی IBM Data Science ۱۲ درس و حدود ۴ ماه است. هزینه این دوره‌ها اشتراک ماهانه است؛ در آمریکا و کانادا ماهی ۴۹ دلار. آزمون Power BI Data Analyst مایکروسافت هم ۱۰۰ دقیقه است، با ناظر برگزار می‌شود و هر ۱۲ ماه با یک آزمون آنلاین بدون هزینه تمدید می‌شود. برای ساکنان ایران، مجوزی که آمریکا برای دوره‌های آنلاین داده بود از ۲۴ اوت ۲۰۲۶ معلق شده و Pearson از ۸ سپتامبر ۲۰۲۶ بعضی آزمون‌هایش را برای ساکنان ایران متوقف کرده است؛ پیش از پرداخت، شرط کشور را در صفحه رسمی همان دوره بخوان.

بر پایه گزارش‌های معتبر حقوق ۱۴۰۵، میانه حقوق دریافتی خالص گروه علوم داده و هوش مصنوعی در سطح کارشناس در تهران در پایان ۱۴۰۴، ۳۵ میلیون تومان در ماه بود و نیمی بین ۲۶ تا ۴۵ میلیون می‌گرفتند. میانه کارشناس ارشد در کل کشور ۵۰ میلیون و میانه کارشناس در شهرهای بزرگ ۲۵ میلیون بود.

فاصله در همان سطح کارشناس تهران زیاد است: ۱۰ درصد کمتر از ۲۰ میلیون و ۱۰ درصد بیشتر از ۶۰ میلیون گرفته بودند. همین گروه برای ۱۴۰۵ میانه ۵۰ میلیون درخواست کرده بودند، حدود ۴۲ درصد بیشتر از دریافتی، و نیمی بین ۳۷ تا ۷۱ میلیون. این عددها از پاسخ ۲۸۰ نفر در شغل‌هایی مثل دانشمند داده، کارشناس یادگیری ماشین و مهندس داده است.

حقوق دیتا ساینتیست در آگهی‌ها

فقط ۵ آگهی از ۲۳ آگهی دیتا ساینتیست عدد حقوق داشتند و بیشتر شرکت‌ها حقوق را «توافقی» نوشته بودند. برای مقایسه، ۸ آگهی مهندس یادگیری ماشین میانه حداقل و حداکثر ۵۰ و ۹۰ میلیون و ۱۲ آگهی تحلیلگر داده ۴۵ و ۶۰ میلیون تومان پیشنهاد داده بودند. ۶۸ آگهی مهندس هوش مصنوعی هم میانه ۳۵ تا ۵۶ میلیون داشتند و کارشناسان آمار ۲۵ تا ۳۵ میلیون. عددهای آگهی حقوق پیشنهادی است، نه دریافتی؛ سابقه، سطح کار و نوع شرکت بیشترین اثر را روی آن دارد.

پیش‌بینی رسمی آمریکا برای ۲۰۲۵ تا ۲۰۳۵، رشد شغل دانشمند داده و آمارشناس را «خیلی سریع‌تر از میانگین» می‌داند؛ آمریکا در ۲۰۲۵ حدود ۲۷۵٬۶۰۰ دانشمند داده داشت. در گزارش آینده مشاغل ۲۰۲۵ مجمع جهانی اقتصاد، متخصصان کلان‌داده سریع‌ترین شغل در حال رشد تا ۲۰۳۰ بودند.

در ایران تصویر کمی فرق دارد: در مهر ۱۴۰۵ آگهی‌های مهندس هوش مصنوعی هفت برابر آگهی‌های دیتا ساینتیست بود. یعنی شرکت‌ها بیشتر دنبال کسی‌اند که مدل‌های آماده را به کار بیندازد. کسی که آمار و مدل‌سازی را خوب بلد است، در هر دو طرف جا دارد.

همان پیش‌بینی آمریکا سالانه حدود ۲۴٬۸۰۰ فرصت شغلی برای دانشمند داده تا ۲۰۳۵ برآورد کرده است؛ آمارشناس‌ها گروه کوچک‌تری‌اند، با حدود ۳۱٬۳۰۰ نفر شاغل در ۲۰۲۵. در همان گزارش مجمع جهانی اقتصاد، ۸۶ درصد کارفرماها انتظار داشتند هوش مصنوعی و پردازش اطلاعات تا ۲۰۳۰ کسب‌وکارشان را عوض کند، و برآورد شده بود هوش مصنوعی و پردازش داده ۱۱ میلیون شغل بسازد و ۹ میلیون شغل را جایگزین کند. ۳۹ درصد مهارت‌های اصلی کارکنان هم تا ۲۰۳۰ تغییر می‌کند.

ابزارها هم ساده‌تر می‌شوند: پلتفرم‌های کم‌کد و بی‌کد به کسی که برنامه‌نویسی بلد نیست اجازه می‌دهند مدل ساده بسازد. نتیجه این است که ارزش دانشمند داده بیشتر در انتخاب سوال درست، آمار و تفسیر نتیجه است تا در نوشتن کد تکراری.