他說數據科學家就是做算術的，還說這是件好事

兩年前，一項來自LinkedIn的調查結果顯示，“統計分析和數據挖掘”是2014年最大的求職法寶。在大數據技術飛速發展的今天，數據科學家成了炙手可熱的大紅人。

數據科學家是誰？干嘛的？他們好找工作嗎？

度娘說，

666的樣子啊。不過太嚴肅了，我都沒聽懂，and what about you?

還有一種聽起來就像人話的多了，

“你擅長數學，會用Python編程，而且還對某個行業了如指掌？如果你擁有這樣的技能集，那你就有可能當上數據科學家?！?

嗯，“技能集”。技能集？！能吃嗎？

是不是對當上數據科學家再不敢奢望，但如果我告訴你，有一些看上去站著說話不腰疼的人說了這樣的話，

 “ 數據科學家大多只做算術，這是件好事?！?/span>

比如這位——在Basecamp(37signals公司旗下一款項目管理軟件 )團隊工作的Noah。很多時候他被人稱為“數據科學家”，但在他自己看來，大部分情況下他只是做做算術，而且他也很喜歡。

這是Noah在過去幾周里所做的一些工作，每一項都是為了應對Basecamp在實際業務中面臨的問題：

分析來自不同國家用戶的對話內容、試用完成度和平均帳單數量 確定人們當人們登錄至一個現有帳戶時偶然注冊Basecamp的比例，以及長期以來這個現象的變化情況 分析和報告一些Basecamp產品的財務業績 對帳戶所有者進行調查并分析 對一項影響Basecamp用戶行為特征的AB測試進行分析

在過去的兩周里，Noah所做過的最“復雜”的數學是一些有力的分析和重要測試。他工作的大部分是寫SQL queries 來獲取數據，對數據進行基本的運算(計算差異，百分比等)，繪制結果，并寫下注釋或建議。

注意昂～可沒有編碼任何算法、構建推薦引擎昂～也沒有部署深度學習系統，或是建立一個神經網絡昂～

為什么沒有?可能因為現在 Basecamp 還不需要那些東西吧。

在繁花似錦的“數據科學”下有個不怎么光彩的小秘密，那就是大多數人談論的所謂的數據科學，并不是企業實際需要的東西。企業需要的是準確和可操作的信息，來幫助他們決定如何花費他們的時間和資源。通常一個通過機器學習解決業務中小問題的最佳解決方案，往往只需要高質量的數據，以及一個如何使用最簡單的方法解決問題的理念。

也行有人會說，Noah描述的價值并不來自“數據科學”，而是“商業智能”或“數據分析”。我沒有資格對數據妄下主觀定義，但不管你叫它什么?-?它仍然是對那些花費時間從事數據工作的人，最有價值的方式。

在Noah他們那兒，相當多希望進入“數據科學”領域的朋友都給他發來郵件，希望得到一些建議。在這些郵件中不乏這樣的問題：

Dear諾亞，我是應該先得到一個碩士學位?還是應該參加一堆Kaggle比賽?

Noah的建議非常簡單：兄弟，都不用。你就學習最基礎的數學就行了。然后你再知道如何編寫基本的SQL查詢，了解企業的經營方式，以及想要成功它需要什么。如果你想成為一名對企業有價值的貢獻者，就利用你的周末時間真正進入一家小企業“體驗生活”，實際工作一把，而不是參加什么數據挖掘競賽。去與客戶交談，去注意哪些產品暢銷，哪些沒有。去試著想想推動業務的經濟形式，以及你如何能幫助它更得更多的成功。

所以，知道問題是什么才是邁入精英數據科學家梯隊的關鍵一步。但不要那么傻白甜，因為上面說的技能集，該攢還是得攢！