“大數據之父”達文波特：成功的數據科學家不一定要有研究生學位

2006年6月，喬納森?高德曼（Jonathan Goldman）進入商務社交網站LinkedIn工作。作為斯坦福大學物理學博士，他醉心于無處不在的鏈接和豐富的用戶資料。雖然這兩者通常只能形成混亂的數據和淺顯的分析，但當他著手挖掘人際聯系時，卻從中發現了“新大陸”。

他開始構建理論、檢驗預設，并研究出了模型。通過這些模型，他可以預測出某賬號所歸屬的人際網絡。高德曼覺得，在探索基礎之上形成的新功能也許能為用戶提供價值。

幸運的是，LinkedIn的聯合創始人兼時任CEO雷德?霍夫曼（現執行總裁），在貝寶（PayPal）的工作經驗讓他對分析學的威力深信不疑，因此，他給了高德曼高度的自主權。

他給予高德曼一個不同于傳統產品發布套路的新方式—在網站黃金頁面以廣告的形式掛出小型加載模塊。這一測試最終大放異彩，成為了我們現在熟知的“你可能認識的人”。

傳統的信息管理和數據分析主要用于支撐內部決策，而大數據在這方面有所不同。當然，在多數情況下，大數據也會有此用途，特別是在大企業內。不過，數據科學家通常致力于面向客戶的產品和服務，而不是創建為高管制定內部決策提供建議的報表或報告。

數據科學家這一概念直到2008年，才由D.J. 帕蒂爾和杰夫?哈默巴赫爾創造，這個職位因為被達文波特喻為“21世紀最性感的職業”而為更多人所熟知。那么，成為一名數據科學家，需要怎樣的潛質和能力？

數據科學家的特征

我們可以用這樣一張圖表，來展示數據科學家必備的技能結構：

1、要想成為數據科學家，先去做黑客吧！

由于大數據技術是一種新興技術，而且很難將其提取出來用于分析，所以，要想成為一位成功的數據科學家，就必須具備一些黑客的特征。

首先，你必須具備編碼或編程能力?！澳銜帉懘a嗎”，這是一位首席科學家在招聘時向數據科學家提出的第一個問題。如果你具備任何編程語言方面的經驗，那將大有裨益，尤其是腳本語言，如 Python、 Hive 和Pig，或者有時會生成的語言，如 Java。這些腳本語言相對容易編寫，還能將大型數據處理問題分布于分布式 MapReduce 框架中。

數據科學中的黑客還需要熟悉常用的大數據技術，最重要的是 Hadoop/MapReduce，包括如何實施和擴展它們，以及是否需要在所在地點或云計算中提供這些技術。這些技術都是一些新技術，還在不斷變化，所以數據科學家必須具備開放性思維，而且要特別開放，以學習新工具和新方法。

最后，對黑客技術做一個總結，很多大企業不愿意雇用黑客是有原因的。在本文中，黑客技術通常被定義為一種創新的快速計算，但這一術語還有一層“不太合法”的意味，即傾向于避開計算行為的正常規則。就當前大數據技術低下的情形而言，后一種意義的黑客技術可能是必需的。然而，值得注意的是，黑客特征在數據科學家特征中并不占主導地位，你可能會為此后悔。鐵桿黑客帶來的麻煩遠比他們帶來的益處要多得多。而且，他們也未必有興趣為大型官僚組織效力。

2、成功的數據科學家，不一定要有研究生學位

在數據科學家的特征中，科學家這一特征不一定意味著必須是實戰科學家。然而， 2012 年，我對 30 名數據科學家進行了采訪，結果發現，57% 取得了科學和技術領域的博士學位， 90% 至少在科學或技術領域獲得過一個高級學位，最常見的是實驗物理學博士，其中還包括生物學、生態學或社會科學等高級學位，而且這些領域通常涉及大量的計算機工作。

數據科學是否需要這些領域詳細的相關知識呢？ 絕對不需要。對實驗物理學博士而言，重要的不是學位或相關的具體知識，而是完成數據科學任務所需的能力和態度，其能力包括開展實驗、設計實驗裝置，以及利用數據來收集、分析和描述結果的能力?？茖W家分析的數據不可能是真正的數據科學家，就連大學也很少接觸到真正的大數據，但它很可能是一種非結構化的數據。

進行大數據分析的科學家可能會具備的特征有：基于證據做決策、即興創作、急躁以及自己動手的寬慰感。在大數據工作的早期階段，這些技能很重要。在這一階段中，數據科學家必須執行一些開創性工作，而在后期，這些工作可能會通過軟件輕松地完成?？茖W家也可能是快速學習者，能迅速地吸收和掌握新技術。

應當指出的是，許多成功的數據科學家根本沒有研究生學位，他們的大多技能都是自學而來的，因為以前的大學并不提供這方面的課程。例如，領先的數據科學家杰夫 · 哈默巴赫（Jeff Hammerbacher）在 Facebook 工作時與當時就職于領英的帕蒂爾（DJ Patil）創造了數據科學家這一術語，而那時他只有本科學位。大數據文化是一種任人唯才的文化，而不是一種強調具備某種數據科學學位的文化。

3、你得是一位可信的顧問

正如傳統的定量分析師一樣，數據科學家需要具備良好的人際溝通技能。然而，正如傳統的數據分析師一樣，他們不可能具備這些技能。因為如果你將大部分精力放在計算機和統計數據上，就不會對人際關系產生太大的興趣。

不過，良好的人際溝通技能肯定是必要的。數據科學家要為高管制定內部決策提供建議；在以數據為產品的企業里，數據科學家還要為負責產品和營銷的管理者就數據產品和服務的機會提出建議。最早一批數據科學家中的帕蒂爾參與創造了這一術語，他常喜歡說，數據科學家必須“站在橋上”，近距離地向船長提出建議。如果數據科學家和決策者之間存在中介的話，決策者可能無法了解關鍵決策涉及的所有重要數據和問題。

有證據表明，這些技巧很重要。高德納公司（Gartner）的研究發現，“70%～80% 的企業智能商業項目的失敗”是因為“IT 部門和業務部門之間缺乏溝通，未能提出正確的問題，或未能考慮到企業的真正需求”。智能商業項目通常涉及的都是一些小數據，而不是大數據。然而，某些項目之所以失敗是因為自身存在問題。毫無疑問，缺乏溝通的小數據和大數據項目會引發大問題。

4、先成為定量分析師

在大數據被獲取并被“馴服”之后，即從非結構化數據轉換為結構化數據之后，必須用傳統的方式對其進行分析。因此，數據科學家還需要承擔起定量分析師的工作，了解他們身邊的各種數學和統計技能，并能夠輕松地向非技術人員做解釋。我和一些作者已經合著了很多關于這些統計技能的書籍，所以在這里就不再詳述這些技能了。

然而，小型非結構化數據的分析和大數據的分析之間存在一些差異。其一是，對于較大的群體來說，小樣本統計推斷出的結果可能不太重要。隨著大數據的出現，企業往往會對整體數據進行分析，因為它們具備這種技術。如果你不是從一個樣本來推斷整個群體的結果，也就不用擔心統計數據之類的概念，換句話說，小樣本統計就是所觀察到的結果代表群體的概率，因為它們就是一個群體。盡管如此，但我相信，在許多情況中，我們仍將繼續使用樣本統計。例如，向所有美國或其他國家公民征詢他們對政治或社會問題的看法是不可行的，所以我們還是會利用樣本調查來解決這類問題。即使你利用大量的網絡數據來分析這一問題，但仍然只能代表特定時間內某些用戶的意見。

兩者之間的另一個不同之處是，大家普遍偏愛大數據的可視化分析。至于原因，我想沒有人能完全解釋清楚。大數據分析結果往往以可視化的形式表現出來，現在，可視化分析有很多優勢：易于高管理解，容易引起注意。不利的一面是，它們一般不適宜于表達復雜的多元關系和統計模型。換句話來說，大多數可視化數據是為了進行描述性分析，而不是預測性或指令性分析。然而，它們可以同時顯示大量的數據，如圖 4-1 所示，這幅圖呈現的是銀行賬戶關閉因素的可視化分析。我發現，與許多其他復雜的大數據可視化分析一樣，這一可視化分析也很難解釋。我有時會想，很多大數據的可視化分析僅僅是因為可以進行分析而被創建的，而并不是為了清晰地呈現一個問題。

為什么可視化分析常見于大數據中呢？有幾種可能的解釋。

這表明，由于捕捉結構化數據所付出的努力太多，所以很少有時間和精力來開展復雜的多元統計分析，只能建立一個簡單的頻率統計，然后基于頻率統計進行繪制。這種現象常見于數據科學家群體中，但沒有人知道這種方法的重要性和普遍性。

另一種解釋是，大數據和更吸引人的可視化分析幾乎同時出現。最后一種解釋是，大數據工作是一種探索性和反復性的工作，因此需要可視化分析來探索數據，并向管理者和決策者傳達初步調查結果。

我們可能永遠不會知道哪個解釋更為重要，但事實是，數據科學家需要以可視化的方式來顯示數據和分析結果。

5、做既能精通又能跨界的業務專家

數據科學家對業務的運作要有深入的了解，或者至少應該了解其中的部分環節。例如，企業如何賺錢？競爭對手是誰？企業如何在行業中成功推出產品和服務？能夠利用大數據和分析來解決的關鍵問題是什么？這些都是一個有效率的數據科學家應該回答的問題。

掌握與業務相關的知識可以使數據科學家做出假設并迅速對其進行測試，為關鍵的功能和業務問題提供解決方案；否則，他將難以為業務增加附加值。正是對業務問題的分析使這些關于數據或傳統數據分析的知識得以發揮作用，因此，相關業務領域的興趣和經驗很重要。當然， 數據科學家有時也會在各個行業之間來回轉換，但沒有人會精通所有領域。然而，重要的是，他們需要對所從事的新業務抱有強烈的好奇心和興趣。 顯而易見，數據科學家通常都是極其聰明的人，如果他們對某個新業務感興趣，很快就會掌握相關的知識。如果你面試的是另一個行業的數據科學家，請確保他對其所從事的行業感興趣，而且具備解決問題的能力。

當然，這個技能結構對有志成為數據科學家的人才來說，是一種參考。任何人都很難同時在這五個方向都出類拔萃。通用電氣公司全球研究中心的分析學技術的負責人格拉伯是這樣說的：“在通用電氣公司，我們發現具備 2～3 個領域的專業技能的數據科學家是最有成效的”。你要做的，是在一支團隊中找到自己的位置，發揮自己的創造性，并且不斷學習