কোম্পানির কেন Data Scientist দরকার?
ধরো তুমি একটা অনলাইন শপিং কোম্পানির মালিক। প্রতিদিন তোমার সাইটে আসছে ১ লক্ষ ভিজিটর, ২০ হাজার অর্ডার, ৫০০ প্রোডাক্ট রিভিউ, আর হাজার হাজার পেমেন্ট লেনদেন।
❓ একজন মানুষ কি এত ডেটা হাতে বিশ্লেষণ করতে পারবে?
না, এটা মানুষের পক্ষে সম্ভব না।
❓ কাস্টমার পরবর্তীতে কী কিনবে তা কীভাবে বুঝবো?
ডেটা বিশ্লেষণ করে প্যাটার্ন বের করতে হবে।
❓ জালিয়াতি কীভাবে ধরবো?
অস্বাভাবিক লেনদেনের প্যাটার্ন খুঁজে বের করতে হবে।
❓ বিক্রি কীভাবে বাড়াবো?
কাস্টমারের আচরণ বুঝে সঠিক প্রোডাক্ট সাজেস্ট করতে হবে।
এই প্রতিটা প্রশ্নের উত্তর দিতে পারে এমন একজন বিশেষজ্ঞ দরকার, যিনি বিশাল পরিমাণ ডেটা থেকে অর্থপূর্ণ প্যাটার্ন বের করে ব্যবসাকে সঠিক পথ দেখাতে পারেন — এই মানুষটাই হলেন Data Scientist।
| কোম্পানি | Data Scientist কী সমস্যার সমাধান করেন |
|---|---|
| Amazon | কাস্টমার কী কিনতে পারে তার ভবিষ্যদ্বাণী করে সাজেশন দেওয়া |
| Netflix | কে কোন মুভি দেখতে পারে তা বুঝে সাজেস্ট করা |
| সার্চের ফলাফল সবচেয়ে প্রাসঙ্গিক করে সাজানো | |
| কোন পোস্ট তোমার নিউজফিডে দেখানো হবে তা ঠিক করা | |
| Uber/Pathao | রাস্তার চাহিদা বুঝে ভাড়া ও ড্রাইভার বণ্টন ঠিক করা |
| ফুড ডেলিভারি অ্যাপ | ডেলিভারি সময় নির্ভুলভাবে অনুমান করা |
| ব্যাংক | জালিয়াতি লেনদেন শনাক্ত করা |
| হাসপাতাল | রোগীর তথ্য বিশ্লেষণ করে চিকিৎসায় সহায়তা করা |
Data Scientist কে?
একজন Data Scientist-কে বোঝার সবচেয়ে সহজ উপায় হলো তাকে কয়েকটা পরিচিত পেশার সাথে তুলনা করা।
🩺 ডাক্তার
যেভাবে একজন ডাক্তার রোগীর উপসর্গ দেখে রোগ নির্ণয় করেন, তেমনি Data Scientist ডেটার "উপসর্গ" দেখে ব্যবসার সমস্যা নির্ণয় করেন।
🕵️ গোয়েন্দা
যেভাবে একজন গোয়েন্দা ছোট ছোট সূত্র জোড়া দিয়ে রহস্য সমাধান করেন, Data Scientist ছোট ছোট ডেটা-প্যাটার্ন জোড়া দিয়ে ব্যবসার রহস্য উন্মোচন করেন।
💼 বিজনেস উপদেষ্টা
যেভাবে একজন উপদেষ্টা তথ্য বিশ্লেষণ করে সিদ্ধান্তে সাহায্য করেন, Data Scientist ডেটা বিশ্লেষণ করে ব্যবসাকে সঠিক সিদ্ধান্তে পৌঁছাতে সাহায্য করেন।
🔬 বিজ্ঞানী
যেভাবে একজন বিজ্ঞানী পরীক্ষা চালিয়ে সিদ্ধান্তে আসেন, Data Scientist ডেটা নিয়ে পরীক্ষা-নিরীক্ষা করে অনুমান যাচাই করেন।
সংজ্ঞা: Data Scientist হলেন এমন একজন পেশাজীবী, যিনি ডেটা, পরিসংখ্যান, প্রোগ্রামিং ও Machine Learning ব্যবহার করে বাস্তব ব্যবসায়িক সমস্যার সমাধান করেন এবং প্রতিষ্ঠানকে আরও বুদ্ধিমান সিদ্ধান্ত নিতে সাহায্য করেন।
একদিকে থাকে বিশাল, জটিল, কাঁচা ডেটা — যা সাধারণ মানুষের বোঝার মতো না। আরেকদিকে থাকে ব্যবসার নেতারা, যাদের সহজ, স্পষ্ট সিদ্ধান্তের ভাষা দরকার। Data Scientist এই দুইয়ের মাঝে দাঁড়িয়ে জটিল ডেটাকে সহজ, কার্যকর সিদ্ধান্তে রূপান্তর করেন — অনেকটা একটা সেতুর মতো, যা দুইটা ভিন্ন পাড়কে সংযুক্ত করে।
তিনি আসলে কী কাজ করেন?
| ধাপ | উদ্দেশ্য | উদাহরণ | ব্যবহৃত টুল | ফলাফল |
|---|---|---|---|---|
| Business Problem | সমস্যা স্পষ্ট করা | "কেন বিক্রি কমছে?" | মিটিং, ডকুমেন্টেশন | স্পষ্ট প্রশ্ন |
| Collect Data | প্রয়োজনীয় ডেটা জোগাড় | বিক্রয় ইতিহাস | SQL, API | কাঁচা ডেটাসেট |
| Clean Data | ভুল-ফাঁকা ঠিক করা | ফাঁকা কলাম পূরণ | Pandas | পরিষ্কার ডেটা |
| Analyze Data | প্যাটার্ন খোঁজা | কোন মাসে বিক্রি বেশি | Pandas, Statistics | ইনসাইট |
| Visualize Data | ফলাফল ছবি আকারে দেখানো | লাইন গ্রাফ | Matplotlib, Seaborn | গ্রাফ/চার্ট |
| Build ML Model | ভবিষ্যদ্বাণী মডেল তৈরি | বিক্রয় পূর্বাভাস মডেল | Scikit-learn | প্রশিক্ষিত মডেল |
| Evaluate Model | মডেল যাচাই | নির্ভুলতা পরীক্ষা | Test ডেটা | পারফরম্যান্স স্কোর |
| Deploy Model | বাস্তবে প্রয়োগ | ড্যাশবোর্ডে যুক্ত | Cloud সার্ভার | লাইভ সিস্টেম |
| Monitor | নিয়মিত পর্যবেক্ষণ | পারফরম্যান্স ট্র্যাকিং | মনিটরিং টুল | রিপোর্ট/অ্যালার্ট |
একজন Data Scientist-এর প্রয়োজনীয় স্কিল
➗ গণিত (Mathematics)
ডেটার মধ্যে সম্পর্ক ও প্যাটার্ন বোঝার মূল ভিত্তি তৈরি করে। যেমন, দুইটা জিনিসের মধ্যে সম্পর্ক কতটা শক্তিশালী তা বোঝার জন্য গাণিতিক ধারণা লাগে।
📊 পরিসংখ্যান (Statistics)
ডেটা বোঝা পরিসংখ্যান ছাড়া প্রায় অসম্ভব। এটা বলে দেয় একটা ফলাফল কতটা বিশ্বাসযোগ্য, নাকি নিছক কাকতালীয়।
🐍 প্রোগ্রামিং (বিশেষত Python)
Python সবচেয়ে জনপ্রিয় কারণ এটা সহজবোধ্য এবং এতে ডেটা সায়েন্সের জন্য রেডিমেড লাইব্রেরি আছে:
| লাইব্রেরি | কী কাজে লাগে |
|---|---|
| Pandas | টেবিল আকারে ডেটা সামলানো |
| NumPy | দ্রুত সংখ্যাগত হিসাব-নিকাশ |
| Matplotlib | বেসিক গ্রাফ ও চার্ট তৈরি |
| Seaborn | আরও সুন্দর ও পরিসংখ্যানভিত্তিক গ্রাফ |
| Scikit-learn | Machine Learning মডেল তৈরি |
🗄️ SQL
বেশিরভাগ কোম্পানির ডেটা ডেটাবেজে জমা থাকে। SQL হলো সেই ডেটাবেজ থেকে সঠিক তথ্য খুঁজে বের করার ভাষা।
📈 Data Visualization
একটা টেবিলের চেয়ে একটা গ্রাফ অনেক দ্রুত গল্প বলে দেয় — মানুষ চোখে দেখে বুঝতে পারে সহজে।
🤖 Machine Learning
ডেটা থেকে নিজে নিজে প্যাটার্ন শেখার পদ্ধতি, যা দিয়ে ভবিষ্যদ্বাণী করা যায়।
🧠 Deep Learning
Machine Learning-এর একটা উন্নত শাখা, যা ছবি, ভাষা, ভয়েসের মতো জটিল ডেটা ভালোভাবে বুঝতে পারে।
💼 বিজনেস জ্ঞান
শুধু কোড লেখা যথেষ্ট না — ব্যবসার সমস্যা না বুঝলে সঠিক প্রশ্নই করা যাবে না, ফলে ভুল সমাধানে সময় নষ্ট হবে।
📋 সারসংক্ষেপ টেবিল
| স্কিল | গুরুত্বের মাত্রা | কেন প্রয়োজন |
|---|---|---|
| Mathematics | মাঝারি-উচ্চ | প্যাটার্নের ভিত্তি বোঝা |
| Statistics | উচ্চ | ফলাফলের বিশ্বাসযোগ্যতা যাচাই |
| Programming (Python) | উচ্চ | ডেটা প্রসেসিং ও মডেলিং |
| SQL | মাঝারি-উচ্চ | ডেটাবেজ থেকে ডেটা বের করা |
| Data Visualization | মাঝারি | ফলাফল বোঝানো |
| Machine Learning | উচ্চ | ভবিষ্যদ্বাণী মডেল তৈরি |
| Deep Learning | মাঝারি (ভূমিকা-নির্ভর) | জটিল ডেটা বিশ্লেষণ |
| Business Knowledge | উচ্চ | সঠিক সমস্যা বোঝা ও সমাধান প্রাসঙ্গিক রাখা |
একজন Data Scientist-এর একদিনের কর্মজীবন
ধরো, রিমা একজন Data Scientist, একটা ফুড ডেলিভারি কোম্পানিতে কাজ করেন। তার একটা সাধারণ কর্মদিবস দেখা যাক।
লক্ষ্য করো, রিমার দিনের বড় একটা অংশ যায় মিটিং, বিজনেস বোঝা ও ফলাফল উপস্থাপনায় — শুধু কোড লেখায় না। এটাই বাস্তব একজন Data Scientist-এর দৈনন্দিন কাজের প্রকৃত চিত্র।
ব্যবহৃত টুলসমূহ
🐍 Python / SQL
প্রোগ্রামিং ও ডেটাবেজ ভাষা — ডেটা প্রসেস ও এক্সট্রাক্ট করার মূল হাতিয়ার
📦 Pandas, NumPy
ডেটা সামলানো ও সংখ্যাগত হিসাবের লাইব্রেরি
📊 Matplotlib, Seaborn
গ্রাফ ও চার্ট তৈরির লাইব্রেরি
🤖 Scikit-learn
সাধারণ Machine Learning মডেল তৈরির লাইব্রেরি
🧠 TensorFlow, PyTorch
Deep Learning ও জটিল Neural Network তৈরির লাইব্রেরি
📓 Jupyter Notebook, Google Colab
কোড লেখা ও তাৎক্ষণিক ফলাফল দেখার প্ল্যাটফর্ম
🐙 GitHub
কোড সংরক্ষণ ও টিমের সাথে শেয়ার করার প্ল্যাটফর্ম
💻 VS Code
জনপ্রিয় কোড এডিটর
☁️ ক্লাউড প্ল্যাটফর্ম (প্রাথমিক ধারণা)
বড় কোম্পানিগুলো তাদের ডেটা ও মডেল নিজস্ব কম্পিউটারের বদলে ক্লাউডে (ইন্টারনেটের মাধ্যমে দূরবর্তী শক্তিশালী সার্ভারে) রাখে — যেমন AWS (Amazon), Azure (Microsoft), এবং Google Cloud। এতে অনেক বেশি ডেটা সহজে সংরক্ষণ ও প্রসেস করা যায়, এবং সারা বিশ্বের যেকোনো জায়গা থেকে দলের সবাই একসাথে কাজ করতে পারে।
Data Scientist-রা কোথায় কাজ করেন?
🏥 স্বাস্থ্যসেবা
রোগ প্রাথমিক অবস্থায় শনাক্তকরণ
🏦 ব্যাংকিং
ঋণ ঝুঁকি ও জালিয়াতি বিশ্লেষণ
🛍️ ই-কমার্স
প্রোডাক্ট সাজেশন ও দাম নির্ধারণ
🌾 কৃষি
ফলন পূর্বাভাস, মাটি বিশ্লেষণ
🏭 উৎপাদন শিল্প
মেশিন বিকল হওয়ার আগে সতর্কতা
🎓 শিক্ষা
শিক্ষার্থীর দুর্বলতা চিহ্নিতকরণ
⚽ খেলাধুলা
খেলোয়াড়ের পারফরম্যান্স বিশ্লেষণ
🏛️ সরকার
নীতি প্রণয়ন ও জনসংখ্যা পরিকল্পনা
📱 সোশ্যাল মিডিয়া
কনটেন্ট সাজেশন, ভুয়া অ্যাকাউন্ট শনাক্তকরণ
🎬 বিনোদন
দর্শকের পছন্দ বুঝে কনটেন্ট সাজেশন
Data Scientist বনাম অন্যান্য পদ
| বৈশিষ্ট্য | Data Scientist | Data Analyst | Data Engineer | ML Engineer | AI Engineer | Business Analyst |
|---|---|---|---|---|---|---|
| মূল দায়িত্ব | মডেল বানিয়ে ভবিষ্যদ্বাণী | অতীত ব্যাখ্যা | ডেটা পাইপলাইন | মডেল প্রোডাকশনে চালানো | সম্পূর্ণ AI সিস্টেম | বিজনেস সমস্যা বোঝা |
| প্রোগ্রামিং | উচ্চ (Python) | নিম্ন-মাঝারি (SQL) | উচ্চ (Python, Spark) | উচ্চ | উচ্চ | নিম্ন (Excel) |
| গণিত | মাঝারি-উচ্চ | নিম্ন | নিম্ন-মাঝারি | উচ্চ | উচ্চ | নিম্ন |
| বিজনেস জ্ঞান | উচ্চ | উচ্চ | মাঝারি | মাঝারি | মাঝারি | খুবই উচ্চ |
| সাধারণ প্রজেক্ট | Churn Prediction | বিক্রয় রিপোর্ট | ডেটা পাইপলাইন তৈরি | মডেল ডিপ্লয়মেন্ট | চ্যাটবট/ভিশন সিস্টেম | প্রক্রিয়া উন্নতকরণ |
| ক্যারিয়ার গ্রোথ | দ্রুত বর্ধনশীল | স্থিতিশীল | উচ্চ চাহিদা | উচ্চ চাহিদা | সর্বোচ্চ চাহিদা | স্থিতিশীল |
Data Analyst বলে "কী হয়েছে", Data Scientist বলে "কী হবে"। Data Engineer ডেটার রাস্তা তৈরি করেন, Data Scientist সেই রাস্তা দিয়ে আসা ডেটা দিয়ে মডেল বানান, আর ML/AI Engineer সেই মডেলকে বড় পরিসরে বাস্তবে চালু রাখেন।
বাস্তব বিজনেস কেস স্টাডি: ফুড ডেলিভারি কোম্পানি
একটা ফুড ডেলিভারি কোম্পানি চায় ডেলিভারি সময় কমাতে, যাতে কাস্টমার আরও সন্তুষ্ট হয়।
ডেলিভারি সময় বেশি
রুট, সময়, ট্রাফিক তথ্য জোগাড়
দেখা গেলো সন্ধ্যায় নির্দিষ্ট এলাকায় বেশি দেরি হয়
ট্রাফিক ও সময় দেখে ডেলিভারি সময় অনুমান
মডেলের পরামর্শ অনুযায়ী রুট পরিবর্তন
ডেলিভারি সময় ১৫% কমলো, রেটিং বাড়লো
এই পুরো প্রক্রিয়ায়, Data Scientist প্রতিটা ধাপে সিদ্ধান্ত নিয়েছেন — কোন ডেটা গুরুত্বপূর্ণ, কোন প্যাটার্ন কাজে লাগবে, এবং ফলাফল বিজনেস টিমের কাছে কীভাবে উপস্থাপন করলে তারা দ্রুত সিদ্ধান্ত নিতে পারবে।
Google Colab ডেমো
চলো একজন Data Scientist-এর কাজের একটা ছোট নমুনা নিজের হাতে করে দেখি।
ধাপ ১: ছোট ডেটাসেট লোড করা
কোডব্যাখ্যা: আমরা ৬টা ডেলিভারি অর্ডারের ডেটা বানালাম — দূরত্ব, ট্রাফিকের মাত্রা এবং ডেলিভারি সময়।
ধাপ ২: ফাঁকা মান পরিষ্কার করা
কোডব্যাখ্যা: .fillna(median()) ফাঁকা ঘরে সবার মধ্যবর্তী মান (median) বসিয়ে দিলো।
ধাপ ৩: সহজ চার্ট তৈরি
কোডব্যাখ্যা: চার্টে স্পষ্ট দেখা যাচ্ছে বেশি ট্রাফিকে ডেলিভারি সময় সবচেয়ে বেশি লাগছে।
ধাপ ৪: সাধারণ প্রেডিকশন মডেল
কোডব্যাখ্যা: মডেলটা দূরত্ব ও সময়ের সম্পর্ক শিখে বলে দিলো, ৭ কিমি দূরত্বের অর্ডারে প্রায় ৪৬-৪৭ মিনিট সময় লাগতে পারে।
- শুধু "দূরত্ব" দিয়ে মডেল বানানো, "ট্রাফিক"-এর মতো গুরুত্বপূর্ণ ফিচার বাদ দেওয়া — বাস্তবে একাধিক ফিচার ব্যবহার করা উচিত
- মাত্র ৬টা ডেটাপয়েন্ট দিয়ে বাস্তব সিদ্ধান্ত নেওয়া
- Best Practice: সবসময় একাধিক প্রাসঙ্গিক ফিচার বিবেচনা করা এবং পর্যাপ্ত ডেটা দিয়ে মডেল যাচাই করা
সাধারণ ভুল ধারণা ভাঙা
✅ বাস্তবতা: তাদের কাজের বড় অংশ যায় বিজনেস বোঝা, মিটিং ও ফলাফল উপস্থাপনায়।
✅ বাস্তবতা: বেশিরভাগ সময় যায় ডেটা পরিষ্কার ও বোঝার পেছনে, মডেল বানানো তুলনামূলক ছোট অংশ।
✅ বাস্তবতা: শক্ত বেসিক ও লজিক্যাল চিন্তা থাকলেই যথেষ্ট, গভীর গণিত ধীরে ধীরে শেখা যায়।
✅ বাস্তবতা: ডেটা ক্লিনিং, বিশ্লেষণ, ভিজ্যুয়ালাইজেশন, বিজনেস বোঝাও সমান গুরুত্বপূর্ণ।
✅ বাস্তবতা: তারা নিয়মিত Data Engineer, ML Engineer, বিজনেস টিমের সাথে সমন্বয় করে কাজ করেন।
✅ বাস্তবতা: পরিসংখ্যান, SQL, বিজনেস জ্ঞান ছাড়া শুধু Python দিয়ে সীমিত কাজই করা যায়।
কীভাবে একজন Data Scientist হবে?
| ধাপ | আনুমানিক সময় |
|---|---|
| Python + Statistics + SQL বেসিক | ২-৩ মাস |
| Data Analysis + Visualization | ১-২ মাস |
| Machine Learning শেখা ও প্র্যাকটিস | ৩-৪ মাস |
| Deep Learning পরিচিতি | ২-৩ মাস |
| প্রজেক্ট ও পোর্টফোলিও তৈরি | ২-৩ মাস (সমান্তরালে) |
| ইন্টার্নশিপ/ফ্রিল্যান্সিং | ৩-৬ মাস |
মোট মিলিয়ে একজন নিবেদিতপ্রাণ শিক্ষার্থীর জন্য শূন্য থেকে জুনিয়র Data Scientist পর্যায়ে পৌঁছাতে সাধারণত ১০-১৪ মাস সময় লাগতে পারে, তবে এটা ব্যক্তির সময়, প্রচেষ্টা ও পূর্ব অভিজ্ঞতার ওপর নির্ভর করে।
📈 সম্পূর্ণ ক্যারিয়ার গ্রোথ পাথ
* প্রতিটা কোম্পানিতে পদবি ও ধাপের সংখ্যা কিছুটা ভিন্ন হতে পারে, এটা একটা সাধারণ ধারণা মাত্র।
রিভিশন ও প্রশ্নোত্তর
📌 দ্রুত রিভিশন নোট
- Data Scientist হলেন ডেটা আর বিজনেসের মধ্যেকার সেতু
- কাজের ধাপ: Business Problem → Collect → Clean → Analyze → Visualize → Build Model → Evaluate → Deploy → Monitor
- মূল স্কিল: Math, Statistics, Python, SQL, Visualization, ML, Deep Learning, Business Knowledge
- Data Scientist ও Data Analyst-এর মূল পার্থক্য: অতীত ব্যাখ্যা বনাম ভবিষ্যদ্বাণী
- ক্যারিয়ার পথ: Student → Data Analyst → Data Scientist → Senior → Lead → Principal → Architect → Head of AI
🕰️ Data Scientist পদের ইতিহাস
আগে কোম্পানিগুলোতে শুধু "পরিসংখ্যানবিদ" (Statistician) বা "Analyst" থাকতেন, যারা মূলত অতীতের ডেটা বিশ্লেষণ করতেন। যখন ইন্টারনেট ও কম্পিউটিং শক্তি বাড়লো, বিশাল পরিমাণ ডেটা (Big Data) সহজলভ্য হলো, তখন প্রয়োজন হলো এমন একজনের যিনি শুধু ব্যাখ্যা নয়, ভবিষ্যদ্বাণীও করতে পারবেন। ২০০৮-২০১০ সালের দিকে "Data Scientist" পদবিটা জনপ্রিয় হতে শুরু করে, এবং একে বলা হতে থাকে "একবিংশ শতাব্দীর সবচেয়ে আকর্ষণীয় পেশা"।
🏢 বড় কোম্পানিতে Data Scientist-দের ব্যবহার
| কোম্পানি | Data Scientist যা করেন |
|---|---|
| সার্চ র্যাঙ্কিং উন্নত করা, বিজ্ঞাপন টার্গেটিং | |
| Amazon | প্রোডাক্ট সাজেশন, সাপ্লাই চেইন অপ্টিমাইজেশন |
| Netflix | কনটেন্ট সাজেশন, দর্শক ধরে রাখার বিশ্লেষণ |
| Uber | ভাড়া নির্ধারণ, রুট অপ্টিমাইজেশন |
| Microsoft | প্রোডাক্ট বিশ্লেষণ, AI ফিচার তৈরি (Copilot) |
| OpenAI | বড় ভাষা মডেল প্রশিক্ষণ ও উন্নতকরণ (LLM) |
❓ ভাইভা প্রশ্ন
💼 ইন্টারভিউ প্রস্তুতি — টপ ৩০টি বিগিনার লেভেল প্রশ্ন
✅ MCQ প্র্যাকটিস
(ক) কোড লেখক (খ) ডেটা আর বিজনেসের মধ্যেকার সেতু (গ) শুধু গণিতবিদ (ঘ) শুধু রিপোর্ট লেখক
(ক) Collect Data (খ) Visualize Data (গ) Deploy Model (ঘ) Monitor
(ক) Pandas (খ) Matplotlib (গ) TensorFlow (ঘ) SQL
(ক) Senior Data Scientist (খ) Junior Data Analyst (গ) Student (ঘ) Intern
(ক) Data Scientist একা কাজ করেন (খ) Data Scientist শুধু কোড লেখেন (গ) Data Scientist টিমে কাজ করেন (ঘ) Data Scientist-দের গণিতে জিনিয়াস হতেই হবে
🎯 ক্লাসরুম অ্যাক্টিভিটি সংকলন
📝 হোমওয়ার্ক অ্যাসাইনমেন্ট
- Data Scientist-এর কাজের ৯টা ধাপ (Business Problem থেকে Monitor Performance পর্যন্ত) মুখস্থ করে একটা ফ্লোচার্ট নিজ হাতে এঁকে আনো।
- নিজের একটা বাস্তবসম্মত ক্যারিয়ার রোডম্যাপ লেখো — তুমি এখন কোথায় আছো এবং Data Scientist হতে কী কী শিখতে হবে।
- তোমার পরিচিত একটা ব্যবসার জন্য Data Scientist কী ধরনের সমস্যা সমাধান করতে পারতেন তা ৫টা বাক্যে লেখো।