Наука о данных это междисциплинарная область, призванная извлекать,визуализировать и генерировать знания из данных. Она включает в себяприменение  компетенций  в  области  статистки,  высшей  математики,информационных технологий. И, если ранее наука о данных могла бытьпредставлена в качестве одной из комплексных технологий, используемых толькокомпаниями или исследовательскими центрами, то в наше время эту науку трудноне применять (вытеснить или не заметить) в повседневной жизни [4].Рассмотрим деятельность специалиста в области науки о данных дляпоступательного изучения необходимых знаний и навыков в рамках содержанияпрофессиональной активности. В данной статье мы разделим компетенции,требуемые профессионалу в данной области на специфические и общие(междисциплинарные).Для выявления специфических компетенций специалистов в областибольших данных необходимо подробно рассмотреть состав профессиональнойдеятельности и операций, выполняемых данными специалистами в процессе еереализации. Наука о данных требует множества шагов, один из которых -получение данных; этот шаг требует объединения всех данных, которые подлежатанализу. Они могут поступать из баз данных или из различных источников, кпримеру, извлечение цен или поиск одного из множества образцов с различныхинтернет-сайтов («web scarping»), извлечение текста из статей или сбор данныхдля различных баз данных. Данные могут быть представлены в различныхформатах, не только в виде текста или цифр, но также в виде изображений, видеои звуков.Очистка данных относится к воспроизводству последовательных форматовданных, без пропуска значений, однако, когда это не представляется возможным,пропущенные значения должны быть соответственным образом отмечены илиудалены (перед оценкой влияния этих действий на структуру данных). Основнойвариант представления данных - это соответствие каждого ряда набора данныхсоответствующим  переменным  и  каждой  строки  -  соответствующемунаблюдению [2].Трансформация данных может подразумевать генерацию подмножестваданных (например, выбор покупателей специфического возраста), генерациюновых переменных (например, вычисление индекса массы тела списка людей,используя данные о их весе тела и росте) и генерация статистических генерациястатистических величин, к примеру таких, как средние значения.Визуализация данных помогает получить представление об основныхтрендах и тенденциях в данных, которые могут быть использованы длясоставления гипотез или вопросов. Для старта работы в этом направлении несуществует каких-либо специфических методов. Диаграммы, гистограммы,диаграммы рассеяния (2D/3D), наборы структурированных данных («tree map»,«heat map» и другие являются типичными методами, однако, данные следует47представлять  используя  множество  методов,  комбинируя  различныеподмножества данных и нормализуя их в случае необходимости [3].Моделирование данных позволяет дать ответ на ранее сформулированныйвопрос,  этот  шаг требует нескольких итераций  в последовательности,направленной на усовершенствование модели. В целом данные разделяют на 2части, определяя 80% данных к генерированию модели и 20% данных - ктестированию данной модели.Системная последовательность данных операций (рисунок 1).Рис. 1 Общая схема системной последовательности операций специалиста вобласти науки о данныхВ итоге, представление результатов обобщает проделанную работу. Оченьчасто в бизнесе целевая аудитория, осуществляющая запрос на работуспециалиста в области науки о данных - это люди, не специализирующиеся вобласти науки о данных (к примеру, менеджеры или директора), которые требуютбыстрого и четкого ответа на свой запрос для того, чтобы принять решение,основывающееся на запрошенной информации [1]. Наука о данных требуетиспользование множества дисциплин с целью создания нового знания. Это вбольшинстве случаев следует из использования разнообразных методовмашинного обучения («machine learning methods»). Машинное обучение - это видискусственного интеллекта, в котором компьютеры применяют сгенерированныепрограммы с целью изучения анализа данных, таким образом, что данныепрограммы могут расти и эволюционировать при возникновении новых данных.Если используемые данные превышают емкость запоминающего устройствамашины (на жестком диске или в памяти), то они могут быть рассмотрены вкачестве больших объемов данных (например, больше, чем один терабайт). Этотребует использования нескольких компьютеров и дополнительных методов дляразделения данных на более мелкие части для обработки и интеграциирезультатов.  «Hadoop»  является  общим  программным  обеспечением,используемым в данном случае [7].Специфические знания из области науки о данных в процессе овладенияими и применения их специалистами, работающими в реальном секторе48экономики, переходят в область каждодневных показателей, отражающих жизньлюдей. В качестве примера здесь может служить анализ уровня зарядкимобильных телефонов, представленный специалистами в области большихданных по запросу услуг такси Убер («Uber») - так, исследование помоглоустановить, что клиенты с низким уровнем зарядки телефонов с гораздо большейвероятностью соглашались на более высокую стоимость услуг такси [6]. Кпримерам применения науки о данных в реальной жизни можно также отнестипрогноз погоды, анализ настроения и чувств людей на основе их постов всоциальных сетях или вычисление возможности встретить определенногочеловека в определенном месте, основанной на данных, полученных из егомобильного устройства.Рисунок ниже демонстрирует базовую диаграмму Венна, позволяющуювыявить сферы, используемые в науке о данных. Выделенные области являютсябазовыми областями знаний и компетенций специалистов, работающих в сференауки о данных: Data Science - наука о данных, Data Mining - сбор данных,Artificial Intelligence - искусственный интеллект, Machine Learning - машинноеобучение, Big Data - большие данные. Все эти направления формируютспецифический профиль знаний специалиста и направления его специфическогопрофессионального развития и постоянного обновления знаний. Рисунок 2. Сферы научногознания,  включающие  полекомпетенций специалиста вобласти науки о данных.Специалисты в областиданных  должны  обладатьшироким  профилемкомпетенций,  высокимуровнем знания математики истатистики  (статистическоемоделирование,  Байесовскийвывод, алгебра). Одним изважных  аспектов  являетсязнание  языкаструктурированных  запросов(SQL), а также управлениебазами  данныхнеструктурированных запросов(noSQL).Такие языки программирования, как «R» и «Python» являются оченьпопулярными среди языков программирования, используемых в области науки оданных, они являются бесплатными и расположены в открытых источниках,таким образом их наиболее легко можно подстроить под специфическиетребования. Также оба из них включают в себя широкое разнообразие библиотекDataArtificial Intelligence DataMiningMachineLearningBig Data49для различных целей, включающих машинное обучение, анализ временных рядов,анализ текста, анализ изображений, количественный финансов.Современные условия предоставляют широкий спектр возможностейобучения и самообучения для молодых людей, желающих выстроить карьеру внаправлении науки о данных, а также постоянного развития для ужесостоявшихся специалистов, реализующих себя в данной сфере.Таким  образом,  мы  можем  составить  определенный  конструкторспецифических  знаний  и  компетенций,  требующийся  для  развитияпрофессионализма в данной области. С учетом особенностей компетентностногоподхода мы можем утверждать, что любые специфические компетенциинапрямую  связанные  с  междисциплинарными,  общими  компетенциями,требуемые специалистам, работающим в данной области. К примере, мы можемотметить, что представленная на рисунке 1 последовательность операций, нарядусо специфическими данными требует от специалиста наличия таких качеств икомпетенций, как аналитический склад ума, умение работать с большимколичеством  информации,  внимательность,  системность  мышления.Профессионалы в области данных также должны понимать основы бизнес-мышления и взаимодействия с клиентом, так как применение используемых имиметодов в результате находит отражение в практической деятельности компанийв реальном секторе экономики. Среди важных факторов также можно отметитькоммуникационные  и  презентационные  навыки  [2],  необходимые  длявыстраивания успешной карьеры, налаживания профессиональных связей,эффективного взаимодействия с работодателем и клиентами.Ежедневно растет количество данных, генерируемое в интернете, спомощью различных инструментов и транзакций, мобильных устройств. Этоттренд будет только усиливаться, количество данных будет постоянно расти, чтоповлечет увеличение спроса на профессионалов в области данных и примененияих компетенций в различных областях от бизнеса до государства, вакадемических и некоммерческих организациях. Вместе с тем, это увеличит итребования к качеству знаний и компетенций специалистов в данной области,будет требовать от них неустанного развития компетенций и совершенствованияв качестве профессионалов.