१. प्रॉबॅबिलिटि अँड स्टेटेस्टिक्स (Probability & Statistics) :
डेटा सायन्स हे डेटामधून ज्ञान, अंतर्दृष्टी आणि माहितीपूर्ण निर्णय घेण्यासाठी भांडवली प्रक्रिया, अल्गोरिदम किंवा सिस्टम वापरण्याबद्दल आहे. सध्या सुरू असलेला ट्रेंड, भविष्यातील संभाव्य घटना आणि त्यांचा व्यवसायायावर होणारा परिणाम यांच्या आधारे निष्कर्ष काढणे, अंदाज लावणे हा डेटा सायन्सचा महत्त्वाचा भाग आहे. सांख्यिकीय पद्धतींच्या मदतीने संभाव्यता पुढील विश्लेषणासाठी अंदाज तयार करण्यात मदत करते. सांख्यिकी संभाव्यतेच्या सिद्धांतावर अवलंबून असते.
२. प्रोग्रामिंग स्किल्स (Programing Skills) :
डेटा हाताळणी, विश्लेषण आणि मॉडेल डेव्हलपमेंटसाठी Python किंवा R language सारख्या Programming Languages मध्ये कुशल असणे आवश्यक आहे.
३. मशीन लर्निंग (Machine Learning) :
प्रॉडक्टटीव्ह आणि प्रिस्क्रिप्टिव्ह मॉडेल्स तयार करण्यासाठी, तुम्हाला पर्यवेक्षी आणि पर्यवेक्षित नसलेल्या मशीन लर्निंग पद्धती, तसेच त्यांचे उपयोग आणि मर्यादा या दोन्हींबद्दल ज्ञान असणे आवश्यक आहे.
४. कम्युनिकेशन स्किल्स (Communication Skills) :
लिखित आणि मौखिक दोन्ही स्वरूपात प्रभावी संभाषण, कठीण तांत्रिक संकल्पना आणि निष्कर्ष तांत्रिक नसलेल्यांसह विविध भागधारक आणि प्रेक्षकांपर्यंत पोहोचवण्यासाठी आवश्यक आहे.
५. प्रॉब्लेम सॉलव्हिंग (Problem Solving) :
डेटासह कठीण समस्यांचे निराकरण करण्यासाठी वेगळ्या संकल्पना आणि क्रिएटिव्हिटी वापरून समस्या सोडवण्यासाठी तुम्ही सक्षम असणे आवश्यक आहे.
६. स्टॅटिस्टिक्स अँड मॅथेमॅटिक्स (Statistics and Mathematics) :
सांख्यिकीय तत्त्वे, संभाव्यता सिद्धांत आणि रेखीय बीजगणित यांच्या ठोस आधाराशिवाय चाचण्या आयोजित करणे, निष्कर्ष काढणे किंवा अंदाज मॉडेल तयार करणे अशक्य आहे.
७. डोमेन नॉलेज (Domain knowledge) :
डेटा संबंधितसमस्या आणि त्यावरील उपाय शोधून त्यावर अंमल करण्यासाठी तुम्ही ज्या विशिष्ट उद्योगात किंवा डोमेनमध्ये काम करत आहात ते समजून घेणे महत्त्वाचे आहे.
८. डेटा व्हिज्युअलायझेशन (Data Visualization) :
डेटा व्हिज्युअलायझेशन करण्यासाठी Matplotlib, Seaborn, ggplot2 किंवा Tableau सारखी साधने वापरण्याची क्षमता आणि त्यांचा योगी वापर यांची माहिती असणे अत्यंत आवश्यक आहे.
९. डेटा रँगलिंग (Data wrangling) :
डेटाची गुणवत्ता आणि अचूकता सुनिश्चित करून, Pandas, dplyr, किंवा SQL सारख्या लायब्ररींचा वापर करून कच्चा डेटा वापरण्यायोग्य फॉरमॅटमध्ये प्रीप्रोसेस, स्वच्छ आणि रूपांतरित करण्याची क्षमता.
१०. व्यावसायिक दृष्टिकोन प्रोफेशनल परस्पेक्टिव्ह (Professional perspective) :
व्यवसाय संकल्पनांची मजबूत समज आणि डेटा अंतर्दृष्टी व्यवसाय मूल्य वाढविणाऱ्या शिफारसींमध्ये रूपांतरित करण्याची क्षमता.