作者 | Cameron Warren
来源 | 图灵 TOPIA
近日，数据科学家 Cameron Warren 就数据科学和商业的交集，以及传统数据科学思想的挑战，发表了自己的看法。
过去的 6 年间，Warren 在 Adobe, USAA Bank, Nu Skin, Purple Mattress, Franklin Sports 等多家公司从事数据科学和分析项目，也在分析领域的四家公司工作过。
他的职业生涯始于“数据科学家”，这项工作被评为“21 世纪最性感的工作”。
在 6 年的时间里，他了解了不同的公司是如何构建、参与和执行数据项目的，并且采访了 9 家不同的公司，就数据科学家和其他职务进行了分析，并深入了解了公司如何组建数据团队，以及雇用人员的方式。
此外，Warren 的这些经验和知识完全是通过导师指导，自学，MOOC 课程或在职工作获得的。
他的正式学位是 Latin American (BA) and International Studies (MA)，并且几乎没有接受过正式的技术训练。
以下是 Warren 的分享：
企业数据科学和分析团队是为了解决业务问题
这似乎应该是不言自明的，但不知何故，它不是。我曾无数次看到数据项目失败，在这个过程中，数据团队忘记了自己存在的理由。
数据团队都是一种支持功能，旨在解决合法的业务问题——也就是说，这些问题要么会为公司带来收入，要么会为公司节省资金，仅此而已。
曾经有一个数据科学家告诉我，他花了整整 3 天时间在预测模型的一个新特性, 但公司告诉他这是没必要的，因为所讨论的预测模型预足以满足他们的需求。
技术性的 DS 和 DE 喜欢进行修补并深入研究代码。它满足了完善预测模型的需要，并努力保持最后 2%或 5%的准确性。不幸的是，你从 80% 的 AUC 到 85% 所花的时间可能是一样的。
作为数据专业人员，你的价值取决于模型、管道或数据产品节省或生成的美元。让数据科学家花 3 天时间修改一个新特性，会损失多少美元?
我并不是说对一个数据科学家来说进行实验是不重要，事实上，这对于一个好的数据科学家来说，实验是至关重要的。
然而，专注于提供 ROI 更重要。为了提高生产力和实用性，发展能够解决复杂性和不必要的优化的能力，会让数据科学家做得更多，并且能提供更多价值。
几种不同的“数据科学家”
数据科学家是 21 世纪最性感也是最令人费解的工作。即使他们认为他们愿意，也没有公司愿意雇佣相同的数据科学家。
正如之前的一篇文章中所解释的，数据科学是一个广泛的领域，而不是一个具有三维技能的职位名称。
我厌倦了关于什么是或不是“真正的”数据科学家的争论。这是一个人力资源的问题，并不适用于公司真正需要的东西。
事实上，大多数组织真正需要的是能够整合一系列数据源、创建一些简单模型并实现自动化的人。
这些技能不需要博士学位或高级技术学位，但仍然可以为许多公司提供难以置信的价值。
话虽如此，但是对于高度专业化、受过高等教育的统计学家或研究人员来说，肯定有重要的位置需要他们，这种需求是由不同公司面临的挑战所创造的，而不是作为“数据科学家”角色的笼统要求。
数据工程比数据科学更重要
与开发和调优预测模型的能力相比，数据科学家更需要一种能力，即从那些不用于相互通信的数据源中缝合和组织完全不同的数据集。
除非公司在有限的规则集和业务场景下，面临难以置信的挑战，否则对复杂预测模型的需求将会受到限制。
刚开始涉足数据科学领域就想参与竞争吗？首先得学习数据工程师的技能，然后弄清楚建模和预测。
如果你决定沿着预测的道路前进，那么对于几乎所有雇用你的公司，你都将变得更有价值，而且你还将创建比同事更好的模型。
与长期进行预测性建模和调整相比，高级 SQL，Web 抓取，API 开发和数据清理技能带来更多收益。
领导者倾向于雇佣像他们一样的人
许多数据科学的领导者 (以及一般的领导者) 坚持这样的观点，即为了解决复杂的挑战，他们应该雇佣最专业的人(在许多情况下，雇佣那些拥有尽可能接近自己经验的人，而不是更有成就的人)。
就数据科学而言，公司通常的想法是: 我雇佣的数据科学家越有资格，我就能解决越复杂的数据挑战。不幸的是，事实远非如此。
这种思想被称为“‘Local Seach”，也就是说，使用来自单个领域的专家，尝试用以前有效的解决方案来解决现有问题。
虽然感觉上这个想法是正确的，但它缺少了关键的“由外而内”的思维方式，比如把经验和想法联系起来的能力，而这种能力可以解决训练以外的问题。
爱泼斯坦在《范围》一书提供了“由外而内”或“横向”思维的例子。
例如，美国礼来公司 (Eli Lilly) 负责研究的副总裁 Alph Bingham 向公司高管们提出了 21 项研究挑战的提议，这个提议让礼来公司的科学家们感到困惑。
起初，公司高管拒绝了这一提议，他们指出，“如果世界上受过高等教育、高度专业化、资源丰富的化学家们都被技术问题困住了，其他人又怎么能够提供帮助呢?”
最后，公司高管一致认为这个提议不会有什么坏处。
结果是令人震惊的: 超过三分之一的挑战已经完全被解决，团队中包括一个完全没有科学经验的律师，但他的知识来自化学。
为了建立一个能够解决真正复杂、重要问题的团队，数据科学的领导者需要雇佣一批具有不同背景和专业知识的人。
同时，他们应该抵制建立具有相同背景甚至相同技术能力的团队。团队的经验和成就的多样性比文凭数量更重要。