由Polly Mitchell-Guthrie，副總裁，行業拓展和思想領導，Kinaxis。

如果一位數據科學總監領導分析團隊超過10年，她的團隊因其工作獲獎，在會議上積極發言，并且擁有頂級項目的工業工程博士學位，你會雇傭她嗎？當然了！但是，如果她沒有像深度學習、Kubernetes和TensorFlow這樣的工具/技術的大量實踐經驗，這會讓你停頓嗎？這不應該，但這一工作要求在許多高級數據科學領導者的職位招聘中一直存在，所以讓我解釋一下誰適合領導團隊，以及為什么使用最新玩具的經驗不應該排在第一位。

幾個月前，我和我上面提到的一位專業同事談過，因為她在一家財富100強公司領導團隊多年后，在一個分析和數據科學競爭激烈的行業上市了。她哀嘆如此多的職位描述需要使用最新工具的“實際操作”經驗。我很久以前就看到了需求和招聘需求之間的差距，所以我在LinkedIn上寫了這篇文章。這篇文章引起了很大的討論，所以我認為值得進一步評論。

我將向人力資源和那些雇傭數據科學領導者的人重復我的請求：如果你想讓你的數據科學團隊的成果最大化，請雇傭那些擅長領導人們并有數據科學成果交付經驗的人。不要再堅持多年的最新工具和技術的實踐經驗，一旦他們被雇傭，他們就不會碰他們自己了。相反，重視他們實際需要的技能，這些技能對團隊的成功比精通GPT-3更重要。

雖然您不希望有人與業務脫節，但您確實希望有人知道如何構建業務問題，幫助數據科學家將業務問題抽象為他們可以建模的技術結構，指導他們向業務領導人解釋他們的結果，考慮可用性和部署，并發展職業生涯。我認為數據科學所需的技能就像凳子上的腿一樣。編程經驗、定量嚴謹性、商業敏銳性和人際交往技巧都是必不可少的，但大便需要一段時間才能平衡。一個初級數據科學家是一個團隊的一部分，所以你可以負擔得起他的凳子搖搖晃晃，因為其他人可以補償他薄弱的地方。你領導的凳子需要平衡，但這種平衡是隨著時間的推移發展成穩定的技能的結果。

幾年前，我與另一位前同事安妮·特杰普（Annie Tjetjep）的一次交流很好地說明了這種平衡，她將數據科學家的開發與冷凍酸奶聯系起來。她認為，人們從一套力量開始，就像第一個加入杯子的冷凍酸奶漩渦一樣。對于大多數初級數據科學家來說，首先要發展的是編程和定量嚴謹性，這是他們在大學或通過在線課程和實踐學習的。盡管研究表明，對溝通和人際交往技能的興趣比任何其他技能都更能主導數據科學家的廣告，但學術項目繼續在這些領域缺乏課程設置。

隨著時間的推移，安妮可能會補充道：“……創造力（我稱之為信心），它改善了建模，然后是業務，然后是改進建模和創造力，然后是通信，然后是改進建模、創造力、業務和編程，但然后選擇專注于通信、業務、編程和/或建模--如果沒有其他維度，這些都無法在分析中可信地完成。在任何給定的時間里，維度上的優勢都不一樣強，除非他們什么都不知道或什么都不知道--兩種選擇都不太有效--誰會想要一層froyo？人的進化是不平等的，發展所有技能都需要時間，即使一旦你發展了它們，你可能會選擇不積極保留所有技能?！邦~外口味的酸奶會被添加進來，就像數據科學家用經驗添加她的技能集一樣。

隨著一名數據科學家在職業生涯中進入更高級的領導角色，她將需要發展自己的大便腿，專注于商業敏銳性和人際交往技能。當她達到總監級別或更高的級別時，她可能已經好幾年沒有寫過動手代碼了，也不應該。她將忙于領導，這意味著她沉浸在公司的業務中，吸引、留住和培養人才，確定數據科學可以在哪里增加最大的價值，確保數據科學成功地從實驗室轉移到生產，并將這種價值轉化給非技術領導人。即使她錯過了親自動手編程，她也沒有時間跟上最新的玩具和她盤子里的其他東西。

然而，這里有一個數據科學SVP最近的工作描述：“對R、SQL和Python（包括Tensorflow,Keras和XGBoost庫）有很強的熟練能力?！贝巳诉€被期望領導一個“大型數據科學家團隊”，以“提高公司的盈利能力，改善我們的客戶體驗，提高我們度量和管理風險的能力……提取有價值的業務見解，將這些見解轉化為現實世界的好處，并向執行團隊傳達結果……與各部門的業務領域主題專家合作以理解問題和目標?！?

斜體是我的，因為我的觀點是，斜體動詞是我希望高級領導級別的人做的事情，而不是寫代碼。領導者需要理解Tensorflow、Keras和XGBoost的業務價值、技術優勢和局限性，但她不需要通過手工獲得這些知識。在高級領導層面，自從這些工具誕生以來，她至少花了5-6年時間在領導級別上不斷上升，不再處于戰壕中。

從大學里雇傭新鮮人才的價值在于他們確實有這樣的經驗，在最新算法的定量嚴謹性方面有優勢，如深度學習和包中的編程，如GPT-3。但是，盡管工具會發生變化，但最近的畢業生不會有深入的知識，因為正如所指出的，即使是最好的、最全面的課程也很難教授的，是持久的商業敏銳性和人際交往技能，這是在翻譯、溝通、合作和理解等動詞能力方面出類拔萃所必需的。

這些技能是吸取經驗教訓的結果，是多年來傾聽業務用戶抱怨他們的問題，并將這些癥狀轉化為合理框架的業務問題的結果。初級數據科學家可能會跳起來解決問題的第一關，并投入他們所知道的最奇妙的數學來解決問題。隨著時間的推移，他們會在正確地抽象問題和選擇正確的方法（不總是最新的）來解決問題方面有所提高，但如果由已經吸取這些教訓的人領導，他們會更快地到達那里。經驗教會了我大量的知識，比如最終成功地向那些認為或意味著手術室的醫療保健領導人解釋運籌學，或者讓我的團隊的模型因我們沒有盡快將其納入部署計劃而萎靡不振。

數據科學計劃的失敗是由于領導的原因，而不是因為領導在去年沒有增加他們的GitHub回購。咨詢公司麥肯錫列出的10個失敗原因都與我上面強調的動詞有關--缺乏清晰的愿景、對業務價值的理解不足、翻譯方面的差距、角色模糊、團隊孤立等等。太多的數據科學項目失敗了，所以讓我們通過雇傭適合領導數據科學團隊的領導者來讓它們成功，而不是為它們編程。

生物:Polly Mitchell-Guthrie(@pollymguthrie)是Kinaxis行業拓展和思想領袖的副總裁，是授權人們做出自信的供應鏈決策的領導者。此前，她曾在北卡羅來納大學醫療保健系統擔任分析咨詢服務主任，并在SAS擔任過幾個角色。她一直非常參與INFORMS的工作，這是一個領先的分析和運籌學專業協會。