乾貨 | 想成為真正的數據科學家，除了資歷你還需要這4個技能

　　2018-01-12 18:44程序設計/操作系統/技術

　　AI 科技評論按：「數據科學家」可謂是從「大數據」和「機器學習」雙雙開始普及之後催生的熱門職位之一了，許多接觸或者學習了機器學習的學生和程序員都期待自己能夠成為數據科學家。

　　不過，從「會洗數據寫代碼」到「優秀的數據科學家」之間到底有多少距離，很多人都說不清。對於不同的企業，數據科學家的作用會有各種各樣的不同，甚至同一個企業中不同團隊的數據科學家都會有不小的區別。就算是想要為自己的數據科學家構建一個標準成長路徑的企業都會覺得非常苦惱。

　　如果沒有清晰的成長路徑，這些充滿天分的計算機魔法師們就會有遇到瓶頸的風險。他們可能很擅長做出深刻的發現，但是他們可能永遠都無法真正地成長、永遠都無法帶來企業所期待的真正的投資回報。

　　帶著這個問題，the Seattle Data Guy 採訪了西雅圖周邊的許多頂級科技企業的管理人員，嘗試了解他們對企業里的高級數據科學家有哪些期待、希望數據科學家有哪些產出。這些他們了解到的信息相信不僅可以幫助想要成長的數據科學家，也可以幫助想要激勵數據科學家成長的企業管理者們。AI 科技評論把他們的發現介紹如下。

　　根據訪談得到的結果，the Seattle Data Guy 發現科學家的成長和編程、演演算法設計都沒什麼關係（這都是初級數據科學家的基本功了）。當問及這些管理者希望從更資深的數據科學家身上看到什麼時，得到的回答是「自我驅動的員工，他們能簡明地溝通、能為自己考慮、對公司業務有深入的了解，而且能管理自己的上級」。

　　為了讓數據科學家成長，他們迎接的挑戰也需要超出工作的技術部分之外。數據科學家是有機會改變公司決定的一群人，他們的肩膀上擔負著責任；這也意味著他們應當對自己的工作內容有主人翁感。他們要能夠質疑自己的數據來源、對信息的洞察要簡明扼要、了解公司的業務並且能夠幫助自己的上級領導。

　　不要僅僅質疑自己的結論，還要質疑自己的數據

　　一個資深的數據科學家不會在拿到數據后就直接信任它的。他們會反覆查驗數據，尋找其中的偏移、丟失的數據、重複數據等等。

　　數據總會有自己的缺陷。如果你也曾在數據上花過成百上千小時，那你一定知道這是什麼意思。當你在數據中瀏覽，或者把數據繪成圖表的時候，你常常會發現一些奇怪的模式，你會不禁停下來琢磨：「為什麼 x 和 z 看起來這麼像？」年輕的數據科學家往往會花太多精力在完成項目本身上，他們還沒有學會如何停下來仔細分析這些奇怪的模式。這些模式的出現有可能是因為系統的默認輸出就是 -1 或 1 這樣的特定值，也有可能是讓爬蟲收集電商網站上的顧客購買數據時出現了偏差，以及其它一千多種可能的原因讓數據產生了誤導性。

　　出現了這些模式不代表數據就一定是錯誤的、沒法使用的。而且即便收集到的數據準確的時候，對數據的操作也還總會帶來一些瑕疵。當設計報告、演演算法和量測指標時，這些因素都應當被考慮到其中。一個有經驗的數據科學家不僅僅會嘗試尋找數據中的缺陷，他甚至會期待著這些缺陷出現。

　　「可信數據源」這個辭彙會經常在數據團隊中出現。它所指的就是多個團隊都能認可正確性的原始數據源。作者自己剛開始做數據科學家的時候就非常天真，在最早的一個項目中，他了解到了他們團隊把一個數據源標識為了可信數據源。然後在接下來的幾個月里他都在為這個「可信數據源」開發分析和應用工具，以便超過 200 位管理者和總監可以訪問這個數據源。不出意外地，沒過多久就發現別的一些量測指標出現了一致性問題。這時候作者才意識到，他所用的這個數據源其實是真正的可信數據源經過多次 ETL（提取、轉換、載入）之後的數據源。

　　在和西雅圖的多位科技企業管理者交流過以後，作者發現這事其實很常見。年輕的分析師、數據科學家、經驗不足的員工都過於信任他們的數據源。年輕的、經驗不足的員工一般來說都急於把工作完成。這就不可避免地讓他們更少地理解數據真正的狀況。他們並不會追究「為什麼」，而是花更多時間確保產品的「功能性」。那麼他們就會忽略掉數據中的缺陷。

　　一個數據科學家想要，就要停止「做出一個達到要求的演演算法或者系統然後署上大名結束」的做法，他還需要負起責任，理解數據、弄清數據中的缺陷。這樣才能在和上級溝通的時候針對自己的各種假設進行完整的溝通。作為數據科學家，如果出現了不好的輸出的時候怪罪數據有問題，那他是沒法成長的。

　　

　　能簡潔地表達自己的發現的價值

　　一個數據科學家如果想要成長，他對自己的要求就不能只是做一個合格的程序員 & 統計員。他必須學會如何成為一個溝通者，必須掌握簡潔地表達自己的發現的能力，以及能夠告訴自己的上級應該如何處理這些信息。

　　給自己的總監以及其它管理層成員展示研究過程中收集到的所有的的圖表、所有的數據和所有的技術信息以表明自己工作得非常努力，這聽上去還不賴。尤其是，數據科學領域內有時候要花幾個月的時間才能在某一個問題上做出有價值的進展（背後自然是有原因的）。不過，在一切結束之後，總監們並不需要過多的信息。

　　知道重點的信息，以及知道基於這些重點信息應該做什麼，對於總監們來說就足夠了。你的總監可能還有另外 8 支團隊要管，那你跟他講很多 ROC、講很多為什麼選了這個演演算法而沒有選另一個，就不是很有幫助。大多數的時候你都會發現總監其實只需要 2 到 3 個簡單的要點彙報。有時候甚至簡單的「是」、「不是」都比「可能…… 在某些條件下…… 這個那個…… 第一種可能性下有這個危險，第二種可能性下有另一些危險」更有用。一個有經驗的數據科學家會知道如何仔細打磨自己的洞見、如何濃縮執行步驟，以此來給自己的上級提供真正的幫助。如果你的上級想要知道更多的信息，他會開口問的（並且一個好的數據科學家總是答得上來的）。說到底，管理層們不喜歡陷在一堆不能幫助他們做出更好的決定的多餘信息裡面。

　　

　　了解自己公司的業務

　　當數據科學家換工作的時候，沒能在上班第一天就完全了解新公司的所有情況是完全正常的。除了數據源、代碼庫以及其它一些公司特有的系統之外，還有很多別的東西需要學習。他們需要了解接下來要打交道的每天的運營數據，也需要知道公司現在面臨的問題。不過，一個有經驗的數據科學家還需要能夠快速理解公司的業務。

　　千萬不要全神貫注磨鍊自己的技術能力，然後對公司業務只是一知半解。要學習如何和別的團隊協同工作、參與到公司的項目中去、給自己一些聽取別人意見的機會。數據科學家完全有可能要連續參與各種不同類型的、面對各種不同問題的項目，他們需要能夠快速適應。

　　剛入行的開發者往往會關注磨練自己的技術能力多於關心自己公司的業務。和很多其它行業一樣，重複性的繁重工作都是在較低的級別上進行的（在這裡就比如敲代碼、數據清洗等等），這就讓執行這些任務的人沒有時間深入琢磨他們自己應該如何幫助改善公司的業務。然而，在數據科學家工作的頭幾年中，了解公司的業務應當是一個重要成長階段，這能確保他們建立起多種多樣的技術能力。有經驗一些的數據科學家就需要多花點注意力考慮自己的項目的「為什麼」。如果一個管理者不挑戰自己的有經驗的數據科學家團隊、不讓他們成長並學習公司的業務，那麼不能很好成長的責任管理者也要承擔起來。每年或者每隔幾個月，管理者們都要讓經驗的數據科學家們面對新的挑戰，確保他們在成長。不然公司的業務就明顯錯過了最大的投入產出比。

　　管理自己的上級

　　在任何行業中管理自己的上級都不是一件容易的事情。在科技行業中，根據上級主管的技術背景不同，這件事有時候會顯得非常困難。關注業務的管理者可能沒有什麼經驗帶領技術團隊，對於有經驗的數據科學家來說在這種時候有能力管理自己的上級就至關重要。善於管理上級的數據科學家能理解別人。管理上級需要數據科學家（或者公司中任何一個在乎這件事的人）花一些時間理解上級的需求。值得考慮的不僅僅是公司的需求。你的上司對你有什麼需求、對自己又有什麼需求，一旦你了解了這些，你就明白了是什麼在驅動他們。這樣，在你的上司開口講他的需求之前你就知道應該期待什麼。這能幫助你們建立信任，也能讓你的管理者和總監們給你分配更多的資源和注意力。這個世界上不是只有你一個人需要成長，你的上級也想要成長的！作為有經驗的（不管哪個級別的）員工，你很清楚幫助別人成長、幫助別人達成目標的時候你自己也有收穫。

　　總結

　　企業對數據科學家的期待不僅僅是創造演演算法以及管理大量的數據而已。有經驗的數據科學家的價值也不僅僅體現在他們的技術能力上，還體現在他們磨練出的軟技能上。數據科學家找到的信息和演演算法要幫助推動高層管理者做出決策。總監和副總裁們可能管理著價值上千萬的團隊、資源、設備、項目以及公司里其它各種各樣的東西，而數據科學家的所有輸出都應當是他們可以理解的。這就意味著，為了讓數據科學家成長、為了給幫助公司發展業務，他們也就需要知道哪些東西是對公司業務有價值的。

　　via the Seattle Data Guy，AI 科技評論編譯。

　　CCF ADL 系列又一誠意課程

　　兩位全球計算機領域Top 10大神加盟

　　——韓家煒 & Philip S Yu

　　共13位專家，覆蓋計算機學科研究熱點