九個成為數據科學家的必備技能

Works詳細列舉了從雇主角度看來，數據科學家加強自身市場競爭力所必備的9個數據科學技能。

過去一年中人們對數據科學的興趣驟然增長。Nate Silver這個名字已經家喻戶曉，所有公司都在尋找獨角獸，很多不同學科的專業人才都開始關注這份薪水豐厚的職業，并將其當作自己可能的職業選擇。

在Burtch Works開展招聘工作時，我們與很多想要在數據科學這一成長性領域有所發展的分析學專家探討過，對具體的實施方案提出了疑問。我從招聘者的角度列出了在數據科學方面對成功十分關鍵，并且是招聘經理首先考慮的一些技術類與非技術類技能。

各公司在技能與工具的價值評判上都不盡相同，因此這個列表絕對談不上詳盡，不過在這些領域有過經驗的人會在數據科學上占有更大的優勢。

1、教育——數據科學家受教育程度都很高，其中88%至少擁有碩士學位，46%有博士學位。雖然有一些名人特例，不過通常來說成為一名數據科學家需要扎實的教育背景，才能掌握所需的深度知識。最常見的研究領域包括數學與統計學（32%），其次是計算機科學（19%）以及工程學（16%）。

2、SAS軟件與/或R語言——對其中至少一種分析工具有深入的了解，一般對數據科學來說R語言更好一些。

3、都是公司在招聘數據科學類角色時最常提出的語言要求。

4、Hadoop平臺——盡管不是總有這個需求，不過在很多情況下掌握它的人優勢更大。熟悉Hive或Pig也是很有利的賣點。熟悉類似Amazon S3這樣的云工具也會很有優勢。

5、SQL數據庫/編程——盡管NoSQL和Hadoop已經成為了數據科學很大的組成部分之一，招聘者還是希望能夠找到可以編寫與執行SQL復雜查詢的候選人。

6、非結構化數據——數據科學家能夠處理非結構化數據這一點非常重要，無論這些數據是來自社交媒體、視頻源或者音頻的。

7、求知欲——毫無疑問最近到處都能看到這個詞，尤其是在與數據科學家關聯時。Frank Lo在幾個月前的博文中描述了這個詞的含義，并且討論了其他必須的“軟技能”。

8、商業智慧——想要成為數據科學家，需要充分了解自己工作的行業，并且知道公司想要解決的商業問題是哪些。能夠根據數據科學分辨出解決哪些問題對公司來說更為重要，并且能夠找出利用數據的新辦法，這些是非常關鍵的。

9、通用技能——尋找優秀數據科學家的公司想要的是這樣的人材：能夠清楚順暢地將自己的技術發現轉化為非技術團隊（比如市場部或者銷售部）能夠使用的內容。數據科學家必須能得出可用以決策的量化insight，同時了解非技術團隊的需求，可以恰當地進行溝通以傳達數據。想要了解定量專家在溝通技巧方面的更多信息，請參見我們近期的調查。

一般接下來的問題都是：“怎樣能夠獲得這些技能呢？”網上有很多資源，不過筆者不希望讓讀者產生這樣的錯覺——成為數據科學家非常簡單，上幾節MOOCs就夠了。除非你有扎實的定量經驗，否則成為數據科學家之路還是頗有挑戰的——但也并非不可能。

不過只要你確實對數據有興趣、有激情，并打算將生命投入到相關的學習上，那么就不要讓經驗背景成為你追求數據科學生涯的阻礙。下面是我們覺得有用的一些資源：

1、高等學位——為了滿足目前的需求，如雨后春筍般出現了更多的數據科學專業的項目，不過數學、統計學與計算機科學專業的項目也有很多。

2、MOOCs——Coursera、Udacity還有codeacademy都是不錯的入門方式。

3、證書——KDnuggets編寫了一個很長的列表清單。

4、Bootcamps——想要了解這種方式與學歷項目或MOOCs的對比情況。

5、Kaggle——Kaggle上有數據科學競賽，可以進行演練，用雜亂的真實世界數據來磨練技巧，解決真實的商業問題。雇主對Kaggle排名很重視，該排名可以被看作是相關的、經過親身實踐的項目工作。

6、LinkedIn小組——加入相關的小組，與數據科學社區的其他成員互動。

7、數據科學中心與KDnuggets——數據科學中心與KDnuggets都是保持與數據科學行業趨勢前沿同步的優秀資源。8、Burtch Works研究：關于數據科學家的薪金，如果想要了解更多信息與當前數據科學家人數統計的話，請下載我們的數據科學家薪金研究報告。