Vad gör en Data scientist?

Så ser vardagen ut

En stor del av arbetstiden går åt till att samla in, tvätta och strukturera data för att göra den användbar, medan själva byggandet av avancerade maskininlärningsmodeller ofta tar mindre tid än vad många tror.

Visste du?

Rollen kallas ofta för "2000-talets sexigaste jobb" efter en berömd artikel i Harvard Business Review. Men det som verkligen gör yrket unikt är blandningen av detektivarbetet att hitta dolda mönster och berättarkonsten att förklara dem så att andra förstår.

Konkreta arbetsuppgifter

Datapreparering och tvätt

Innan du kan bygga smarta modeller måste datan vara ren. I verkligheten är data ofta stökig, inkomplett eller spridd i olika system. Din uppgift är att skriva kod (ofta i Python eller SQL) som hämtar informationen, fyller i luckor och rensar bort felaktigheter.

Det här steget, ofta kallat "data wrangling", lägger grunden för allt annat. Utan bra data spelar det ingen roll hur avancerad din algoritm är.

Exempel i vardagen:

Ett fastighetsbolag vill kunna förutspå hyresnivåer. Du får Excel-filer från tre olika regioner där datumformaten skiljer sig åt och vissa kvadratmeterpriser saknas. Du skriver ett script som standardiserar alla datum, tar bort orimliga värden (som noll kvadratmeter) och slår ihop allt till en enda ren databas redo för analys.

Utforskande dataanalys (EDA)

När datan är på plats börjar du ställa frågor till den. Du visualiserar fördelningar, letar efter samband och testar hypoteser för att förstå vad materialet faktiskt innehåller.

Det handlar om att få en känsla för vilka variabler som är viktiga. Påverkar vädret försäljningen? Finns det säsongsvariationer i sjukfrånvaron? Här agerar du detektiv.

Exempel i vardagen:

En e-handlare undrar varför kunder överger sina varukorgar. Du plottar köpbeteenden mot tid på dygnet och enhetstyp. Du upptäcker ett tydligt mönster: kunder som handlar via Android på kvällstid avbryter köpet oftare. Det ger teamet en ledtråd om att det kan finnas en teknisk bugg i Android-appen snarare än ett prisproblem.

Modellering och maskininlärning

Detta är kärnan i yrket. Du väljer och tränar algoritmer som kan lära sig av historisk data för att förutsäga framtiden. Det kan handla om allt från linjär regression till komplexa neurala nätverk.

Arbetet innebär att du experimenterar med olika modeller, justerar parametrar och utvärderar vilken metod som ger högst precision utan att bli för långsam eller krävande.

Exempel i vardagen:

En streamingtjänst vill veta vilka kunder som riskerar att säga upp sitt abonnemang. Du bygger en "Churn Prediction"-modell baserad på tittarhistorik och inloggningsfrekvens. Modellen tränas på förra årets data och lyckas identifiera 85 % av de som faktiskt lämnade. Marknadsavdelningen kan nu skicka riktade erbjudanden till just dessa personer innan de slutar betala.

Visualisering och kommunikation

En modell är värdelös om ingen förstår den. En kritisk del av jobbet är att översätta siffror och sannolikheter till insikter som en produktchef eller VD kan agera på.

Du skapar dashboards eller presentationer som visar varför modellen rekommenderar ett visst beslut, och visualiserar osäkerheten i prognosen på ett ärligt sätt.

Exempel i vardagen:

Du har analyserat logistikflödet för en lastbilstillverkare och hittat ett sätt att spara 10 % bränsle. Men ingenjörerna är skeptiska. Du bygger en interaktiv karta i ett verktyg som Tableau där de själva kan klicka på olika rutter och se hur din modell presterar jämfört med dagens körning. När de ser resultatet visuellt köper de idén direkt.

Produktionssättning av modeller

När modellen fungerar i din dator ska den ut i verkligheten. Du samarbetar med Machine Learning Engineers för att integrera din kod i företagets system så att den kan göra förutsägelser i realtid.

Det innebär också att du sätter upp bevakning för att se till att modellen fortsätter prestera bra över tid, även när omvärlden förändras.

Exempel i vardagen:

Din bedrägerimodell för kortbetalningar godkänns. Den flyttas från din utvecklingsmiljö till bankens transaktionssystem. Nu bedömer den miljontals köp varje dag på millisekunder. Du sätter upp ett larm som varnar dig om modellen plötsligt börjar neka ovanligt många transaktioner, så att du snabbt kan felsöka.

Specialisering och fördjupning

Fältet är brett och efter några år väljer många Data scientists att nischa sig mot specifika tekniker eller datatyper.

Natural Language Processing (NLP)

Här arbetar du uteslutande med text och språk. Arbetsuppgifterna kretsar kring att lära datorer förstå, tolka och generera mänskligt språk. Du bygger chatbots, system för sentimentanalys eller verktyg som automatiskt sammanfattar långa dokument.

Computer Vision

Fokus ligger på bild- och videoanalys. Istället för tabeller jobbar du med pixlar. Du utvecklar algoritmer som kan identifiera objekt i bilder, till exempel för självkörande bilar som måste skilja på en fotgängare och en lyktstolpe, eller medicinsk analys av röntgenbilder.

Generativ AI och LLM

En snabbt växande specialisering där du arbetar med stora språkmodeller (som GPT). Uppgifterna handlar mindre om att träna modeller från grunden och mer om "Fine-tuning", "Prompt Engineering" och att bygga arkitekturer (RAG) som låter AI:n svara på frågor baserat på företagets interna dokument.

Hur arbetsuppgifterna förändras med erfarenhet

Röster från yrket

I en intervju med Voister berättar Sara Landfors, Data Scientist på Telia, om tjusningen med att lösa verkliga problem:

Det är lite av ett detektivarbete. Man får en fråga, sen får man gräva i data och se om man kan hitta ett svar. Det är väldigt stimulerande.

— Sara Landfors, Data Scientist, Voister, 2019

Aurore Belfrage, tech-entreprenör och investerare, beskriver i en poddintervju med Internetstiftelsen hur rollen har en unik position:

Data scientists är de nya rockstjärnorna. Det är de som kan titta på datan och berätta för oss andra vad vi ska göra.

— Aurore Belfrage, Tech-profil, Internetstiftelsens datapodd, 2021

Mer om yrket – Data scientist

35 %

Så mycket förväntas efterfrågan på yrkesroller inom data science öka fram till 2032, vilket är betydligt snabbare än genomsnittet för alla yrken. Detta enligt statistik från amerikanska Bureau of Labor Statistics (2023), en trend som även speglas starkt på den svenska arbetsmarknaden.

Vad folk tror

    Att jobbet handlar om att sitta ensam i en källare och skriva komplexa matematiska formler hela dagarna.

Hur det faktiskt ser ut

    Data science är en lagsport. Du lägger mycket tid på möten med produktägare, säljare eller läkare för att förstå deras verklighet. Den mest framgångsrika data scientist-profilen är ofta den som är bäst på kommunikation, inte bara den som är bäst på kod.

AI tar inte ditt jobb, men det förändrar verktygslådan. Framväxten av verktyg som GitHub Copilot och ChatGPT har förändrat arbetsuppgifterna radikalt. Istället för att skriva all kod från grunden ("boilerplate code") spenderar du mer tid på att granska AI-genererad kod och designa smarta systemarkitekturer. Tröskeln för att bygga en modell har sänkts, vilket gör att du kan lägga mer tid på att lösa själva affärsproblemet snarare än tekniska detaljer.

Branschglidning ger variation. Tidigare fanns Data scientists mest på techbolag som Spotify och Klarna. Idag är de lika viktiga inom traditionell industri (Scania, Volvo) för prediktivt underhåll, inom detaljhandeln (ICA, H&M) för lageroptimering, och i offentlig sektor för att effektivisera vårdflöden. Arbetsuppgifterna är i grunden desamma, men domänkunskapen du behöver varierar enormt.

Dela