数据科学就业市场正在迅速变化。能够建立机器学习模型曾经是只有少数杰出科学家才具备的一项精英技能。但是现在,任何具有基本编程经验的人都可以按照以下步骤来训练一个简单的scikit-learn或keras模型。招聘人员收到了大量的求职申请,因为围绕“本世纪最性感的工作”的炒作几乎没有减弱,而招聘工具正变得越来越容易使用。人们对数据科学家应该带来什么的期望已经发生了变化,企业开始认识到,训练机器学习模型只是数据科学成功的一小部分。
下面是让最好的数据科学家脱颖而出的四个最有价值的品质。
1.聚焦业务
对数据科学家来说,最常见的动机之一是对在数据中发现模式的自然好奇心。深入研究探索数据集的工作是令人兴奋的,用该领域的最新技术进行实验,系统地测试它们的效果,并发现一些新的东西。这种类型的科学动机是数据科学家应该具备的。但如果它是唯一的动力,那就成了问题。在这种情况下,它可能导致人们在一个孤立的泡沫中思考,迷失在统计细节中,而没有考虑他们工作的具体应用和公司的更大背景。
最好的数据科学家了解他们的工作如何与整个公司相适应,并具有交付业务价值的内在驱动力。当简单的解决方案足够好时,他们不会浪费时间在复杂的技术上。他们询问项目的更大目标,并在跳到解决方案之前挑战核心假设。他们关注整个团队的影响,并主动与涉众沟通。他们对新项目充满创意,敢于打破常规。他们为自己帮助了多少人而自豪,而不是他们使用的技术有多先进。
数据科学在很大程度上仍是一个不标准化的领域,数据科学训练营所教授的内容与企业实际需要的内容之间存在很大差距。最好的数据科学家不怕走出自己的舒适区,去解决紧迫的问题,并最大限度地发挥其影响。
2.扎实的软件工程技能
当人们想到理想的数据科学家时,他们脑海中往往会浮现出来自名牌大学的著名人工智能教授。当公司正在竞争建立尽可能高精确度的机器学习模型时,招聘这样的人才是有意义的。当用任何必要的方法挤出最后一个精度百分比非常重要时,那么你就需要注意数学细节,测试最复杂的方法,甚至发明专门针对特定用例进行优化的新的统计技术。
但在现实世界中,这几乎没有必要。对于大多数公司来说,具有相当精确度的标准模型已经足够好了,不值得花费时间和资源把这些模型变成世界上最先进的模型。更重要的是,要快速地以可接受的精度构建模型,并尽早建立反馈周期,这样你就可以开始迭代并加速识别最有价值的用例的过程。准确性上的微小差异通常不是数据科学项目成功或失败的原因,这也是为什么在商业世界中软件工程技能胜过科学技能的原因。
数据团队的典型工作流程通常是这样的:数据科学家用反复试验的代码和意大利面条式的代码构建了一些解决方案的原型。一旦结果开始看起来很有希望,他们就把它们交给软件工程师,然后他们必须从头重写所有内容,使解决方案具有可扩展性、效率和可维护性。不能期望数据科学家交付与全职软件工程师水平相当的生产代码,但是如果数据科学家更熟悉软件工程原理,并且对可能出现的体系结构问题有一定的认识,那么整个过程将会更加顺畅和快速。
随着越来越多的数据科学工作流被新的软件框架所取代,扎实的工程技能是数据科学家最重要的技能之一。
3.关注期望管理
从外部来看,数据科学可能是一个非常模糊和令人困惑的领域。这只是一种炒作,还是世界真的正在经历一场革命性的变革?每个数据科学项目都是机器学习项目吗?这些人是科学家、工程师还是统计学家?他们的主要输出软件还是仪表盘和可视化?为什么这个模型向我展示了一个错误的预测,有人能修复这个bug吗?如果他们现在只有这几行代码,那么在过去的一个月里他们一直在做什么呢?
有很多事情是不清楚的,数据科学家应该做什么,在公司的不同人之间的期望可能会有很大的差异。
对于数据科学家来说,主动地、持续地与涉众沟通是至关重要的,这样才能设定清晰的预期,及早发现误解,并让所有人都站在同一立场上。
最好的数据科学家了解其他团队的不同背景和议程如何影响他们的期望,并仔细调整他们的沟通方式。他们能够以简单的方式解释复杂的方法,以便非技术涉众更好地理解目标。他们知道什么时候该抑制过于乐观的预期,什么时候该说服过于悲观的同事。最重要的是,他们强调数据科学固有的实验性质,当一个项目的成功仍不明朗时,他们不会过度承诺。
4.熟悉云服务
云计算是数据科学工具包的核心部分。在很多情况下,在本地机器上摆弄Jupyter notebook已经达到极限了,不足以完成任务。当你需要在功能强大的gpu上训练机器学习模型、在分布式集群上并行化数据预处理、部署REST api来公开机器学习模型、管理和共享数据集或查询数据库以进行可扩展分析时,云服务尤其有用。
最大的供应商是Amazon Web Services (AWS)、Microsoft Azure和谷歌云平台 (GCP)。
考虑到大量的服务和平台之间的差异,云服务提供商几乎不可能胜任必须提供的所有服务。但是,对云计算有一个基本的了解是很重要的,以便能够浏览文档并了解在需要时这些特性是如何工作的。至少,这可以让你向其他数据工程师提出更好的问题和更具体的需求。
好了。对于正在寻求数据科学团队的公司,我建议寻找能够务实解决问题,有很强的工程能力,能够调整对业务价值的候选人。统计优势可以带来很多价值,但是对于大多数用例来说,它变得不那么重要了,尤其是在早期的团队中。
到目前为止,大多数公司更倾向于雇佣具有强大学术背景的数据科学家,比如数学或物理博士。考虑到该行业近年来的发展,未来是否会有更大比例的软件工程师或技术产品经理转变为数据科学角色,将是一个有趣的问题。
数据分析咨询请扫描二维码
若不方便扫码,搜微信号:CDAshujufenxi
你是否被统计学复杂的理论和晦涩的公式劝退过?别担心,“山有木兮:统计学极简入门(Python)” 将为你一一化解这些难题。课程 ...
2025-03-31在电商、零售、甚至内容付费业务中,你真的了解你的客户吗? 有些客户下了一两次单就消失了,有些人每个月都回购,有些人曾经是 ...
2025-03-31在数字化浪潮中,数据驱动决策已成为企业发展的核心竞争力,数据分析人才的需求持续飙升。世界经济论坛发布的《未来就业报告》, ...
2025-03-28你有没有遇到过这样的情况?流量进来了,转化率却不高,辛辛苦苦拉来的用户,最后大部分都悄无声息地离开了,这时候漏斗分析就非 ...
2025-03-27TensorFlow Datasets(TFDS)是一个用于下载、管理和预处理机器学习数据集的库。它提供了易于使用的API,允许用户从现有集合中 ...
2025-03-26"不谋全局者,不足谋一域。"在数据驱动的商业时代,战略级数据分析能力已成为职场核心竞争力。《CDA二级教材:商业策略数据分析 ...
2025-03-26当你在某宝刷到【猜你喜欢】时,当抖音精准推来你的梦中情猫时,当美团外卖弹窗刚好是你想吃的火锅店…… 恭喜你,你正在被用户 ...
2025-03-26当面试官问起随机森林时,他到底在考察什么? ""请解释随机森林的原理""——这是数据分析岗位面试中的经典问题。但你可能不知道 ...
2025-03-25在数字化浪潮席卷的当下,数据俨然成为企业的命脉,贯穿于业务运作的各个环节。从线上到线下,从平台的交易数据,到门店的运营 ...
2025-03-25在互联网和移动应用领域,DAU(日活跃用户数)是一个耳熟能详的指标。无论是产品经理、运营,还是数据分析师,DAU都是衡量产品 ...
2025-03-24ABtest做的好,产品优化效果差不了!可见ABtest在评估优化策略的效果方面地位还是很高的,那么如何在业务中应用ABtest? 结合企业 ...
2025-03-21在企业数据分析中,指标体系是至关重要的工具。不仅帮助企业统一数据标准、提升数据质量,还能为业务决策提供有力支持。本文将围 ...
2025-03-20解锁数据分析师高薪密码,CDA 脱产就业班助你逆袭! 在数字化浪潮中,数据驱动决策已成为企业发展的核心竞争力,数据分析人才的 ...
2025-03-19在 MySQL 数据库中,查询一张表但是不包含某个字段可以通过以下两种方法实现:使用 SELECT 子句以明确指定想要的字段,或者使 ...
2025-03-17在当今数字化时代,数据成为企业发展的关键驱动力,而用户画像作为数据分析的重要成果,改变了企业理解用户、开展业务的方式。无 ...
2025-03-172025年是智能体(AI Agent)的元年,大模型和智能体的发展比较迅猛。感觉年初的deepseek刚火没多久,这几天Manus又成为媒体头条 ...
2025-03-14以下的文章内容来源于柯家媛老师的专栏,如果您想阅读专栏《小白必备的数据思维课》,点击下方链接 https://edu.cda.cn/goods/sh ...
2025-03-13以下的文章内容来源于刘静老师的专栏,如果您想阅读专栏《10大业务分析模型突破业务瓶颈》,点击下方链接 https://edu.cda.cn/go ...
2025-03-12以下的文章内容来源于柯家媛老师的专栏,如果您想阅读专栏《小白必备的数据思维课》,点击下方链接 https://edu.cda.cn/goods/sh ...
2025-03-11随着数字化转型的加速,企业积累了海量数据,如何从这些数据中挖掘有价值的信息,成为企业提升竞争力的关键。CDA认证考试体系应 ...
2025-03-10