作者 | Cameron Warren
來源 | 圖靈TOPIA
近日，數據科學家Cameron Warren就數據科學和商業的交集，以及傳統數據科學思想的挑戰，發表了自己的看法。
過去的6年間， Warren在Adobe, USAA Bank, Nu Skin, Purple Mattress, Franklin Sports等多家公司從事數據科學和分析項目，也在分析領域的四家公司工作過。
他的職業生涯始於“數據科學家”，這項工作被評爲“21世紀最性感的工作”。
在6年的時間裏，他了解了不同的公司是如何構建、參與和執行數據項目的，並且採訪了9家不同的公司，就數據科學家和其他職務進行了分析，並深入瞭解了公司如何組建數據團隊，以及僱用人員的方式。
此外，Warren的這些經驗和知識完全是通過導師指導，自學，MOOC課程或在職工作獲得的。
他的正式學位是 Latin American (BA) and International Studies (MA)，並且幾乎沒有接受過正式的技術訓練。
以下是Warren的分享：
企業數據科學和分析團隊是爲了解決業務問題
這似乎應該是不言自明的，但不知何故，它不是。我曾無數次看到數據項目失敗，在這個過程中，數據團隊忘記了自己存在的理由。
數據團隊都是一種支持功能，旨在解決合法的業務問題——也就是說，這些問題要麼會爲公司帶來收入，要麼會爲公司節省資金，僅此而已。
曾經有一個數據科學家告訴我，他花了整整3天時間在預測模型的一個新特性,但公司告訴他這是沒必要的，因爲所討論的預測模型預足以滿足他們的需求。
技術性的DS和DE喜歡進行修補並深入研究代碼。它滿足了完善預測模型的需要，並努力保持最後2％或5％的準確性。不幸的是，你從80%的AUC到85%所花的時間可能是一樣的。
作爲數據專業人員，你的價值取決於模型、管道或數據產品節省或生成的美元。讓數據科學家花3天時間修改一個新特性，會損失多少美元?
我並不是說對一個數據科學家來說進行實驗是不重要，事實上，這對於一個好的數據科學家來說，實驗是至關重要的。
然而，專注於提供ROI更重要。爲了提高生產力和實用性，發展能夠解決複雜性和不必要的優化的能力，會讓數據科學家做得更多，並且能提供更多價值。
幾種不同的“數據科學家”
數據科學家是21世紀最性感也是最令人費解的工作。即使他們認爲他們願意，也沒有公司願意僱傭相同的數據科學家。
正如之前的一篇文章中所解釋的，數據科學是一個廣泛的領域，而不是一個具有三維技能的職位名稱。
我厭倦了關於什麼是或不是“真正的”數據科學家的爭論。這是一個人力資源的問題，並不適用於公司真正需要的東西。
事實上，大多數組織真正需要的是能夠整合一系列數據源、創建一些簡單模型並實現自動化的人。
這些技能不需要博士學位或高級技術學位，但仍然可以爲許多公司提供難以置信的價值。
話雖如此，但是對於高度專業化、受過高等教育的統計學家或研究人員來說，肯定有重要的位置需要他們，這種需求是由不同公司面臨的挑戰所創造的，而不是作爲“數據科學家”角色的籠統要求。
數據工程比數據科學更重要
與開發和調優預測模型的能力相比，數據科學家更需要一種能力，即從那些不用於相互通信的數據源中縫合和組織完全不同的數據集。
除非公司在有限的規則集和業務場景下，面臨難以置信的挑戰，否則對複雜預測模型的需求將會受到限制。
剛開始涉足數據科學領域就想參與競爭嗎？ 首先得學習數據工程師的技能，然後弄清楚建模和預測。
如果你決定沿着預測的道路前進，那麼對於幾乎所有僱用你的公司，你都將變得更有價值，而且你還將創建比同事更好的模型。
與長期進行預測性建模和調整相比，高級SQL，Web抓取，API開發和數據清理技能帶來更多收益。
領導者傾向於僱傭像他們一樣的人
許多數據科學的領導者(以及一般的領導者)堅持這樣的觀點，即爲了解決複雜的挑戰，他們應該僱傭最專業的人(在許多情況下，僱傭那些擁有儘可能接近自己經驗的人，而不是更有成就的人)。
就數據科學而言，公司通常的想法是:我僱傭的數據科學家越有資格，我就能解決越複雜的數據挑戰。不幸的是，事實遠非如此。
這種思想被稱爲“‘Local Seach”，也就是說，使用來自單個領域的專家，嘗試用以前有效的解決方案來解決現有問題。
雖然感覺上這個想法是正確的，但它缺少了關鍵的“由外而內”的思維方式，比如把經驗和想法聯繫起來的能力，而這種能力可以解決訓練以外的問題。
[外鏈圖片轉存失敗,源站可能有防盜鏈機制,建議將圖片保存下來直接上傳(img-vTxiRbYz-1571641166566)(https://upload-images.jianshu.io/upload_images/13825820-21a87a0381ce1296.jpg?imageMogr2/auto-orient/strip%7CimageView2/2/w/1240)]
愛潑斯坦在《範圍》一書提供了“由外而內”或“橫向”思維的例子。
例如，美國禮來公司(Eli Lilly)負責研究的副總裁 Alph Bingham向公司高管們提出了21項研究挑戰的提議，這個提議讓禮來公司的科學家們感到困惑。
起初，公司高管拒絕了這一提議，他們指出，“如果世界上受過高等教育、高度專業化、資源豐富的化學家們都被技術問題困住了，其他人又怎麼能夠提供幫助呢?”
最後，公司高管一致認爲這個提議不會有什麼壞處。
結果是令人震驚的:超過三分之一的挑戰已經完全被解決，團隊中包括一個完全沒有科學經驗的律師，但他的知識來自化學。
爲了建立一個能夠解決真正複雜、重要問題的團隊，數據科學的領導者需要僱傭一批具有不同背景和專業知識的人。
同時，他們應該抵制建立具有相同背景甚至相同技術能力的團隊。團隊的經驗和成就的多樣性比文憑數量更重要。