數據科學家的4種數據科學工作，8項求職技能

“數據科學家”被譽為21世紀最性感的工作（Thomas Davenport和D.J. Patil在哈佛商業評論上曾發表的一篇文章中稱），但如何成為一個數據科學家？怎樣才能入門呢？許多的信息可能導致你認為成為一個數據科學家需要全面的精通一些領域，比如軟件開發，數據分析，數據庫，統計學，機器學習和數據可視化。

不用擔心。從我作為一個數據科學家的經驗來說，事實并非如此。你并不需要馬上學會一輩子受用的與數據相關的信息和技能。與之相反，你要學會仔細閱讀數據科學的職位描述，這將有助于申請那些你已經擁有必要的技能的職位，或者學習特定的數據技能以適應你想要的工作。

4種數據科學工作

“數據科學家”經常是被用來形容完全不同的工作的一個總稱。這里有四種類型的數據科學工作：

數據科學家是住在舊金山（San Francisco）的數據分析師：

玩笑歸玩笑，其實在一些公司數據科學家是數據分析員的代名詞。你的工作可能包括從MySQL數據庫中提取數據，成為Excel數據透視表的高手以及生成最基本的數據可視化（如線和條形圖）。你可能偶爾分析一下A/ B測試的結果或負責公司的谷歌分析（Google Analytics） 賬戶。這樣的公司是一個有抱負的數據科學家學習入門技術的好地方。一旦你熟悉你的日常事務，這樣的公司可以為你創造一個嘗試新事物和擴大新技能的環境。

請把我們的數據打包整理！

目前很多公司所處的狀態是，他們有大量的流量（日益龐大的數據量），他們在找人建立能幫他們向前發展的數據基礎設施，他們也找人來提供數據分析。你會看到這一類型的職位被列在“數據科學家”和“數據工程師”的職位列表里。因為你是第一個（或第一批之一）數據員工，可能比較容易出成果，所以你是一個統計專家或機器學習專家并不那么重要。一個擁有軟件工程背景的數據科學家可能更容易在這樣的公司有突出的表現，因為對這樣的公司來說，更重要的是一個數據科學家能對產品代碼做出更有意義的數據類的貢獻并提供基本的見解和分析。在這樣的公司，對初級數據科學家指導的機會可能更少。因此，你就會有很大的機會大放異彩，并且在磨練中成長，但是由于缺乏指導，你可能會面臨更大的跌倒或停滯的風險。

我們就是數據，數據就是我們

還有許多公司，他們的數據（或他們的數據分析平臺）就是他們的產品。在這種情況下，數據分析或機器學習的任務就會非常繁重。這可能對一個有正式的數學，統計學或物理學背景并希望繼續走一條更學術的道路的人來說是更理想的環境。數據科學家在這樣的環境中可能更專注于生產大數據驅動的產品，而不是回答公司業務問題。這一類的公司可能是面向消費者的擁有海量數據的公司或者以提供數據為基礎的服務的公司。

大小合理的數據驅動的非數據公司：

很多公司都屬于這一類。在這類公司中，你會加入一個由數據科學家組成的團隊。你面試的公司關心數據，但可能不是一個數據公司。因此，進行數據分析，了解產品代碼，將數據可視化等等，這些能力是同等重要的。一般來說，這些公司要么尋求通才，要么尋找一個能填補他們團隊空缺的專才，比如數據可視化或機器學習方面的。面試這一類的公司的時候，比較重要的技能是熟悉“大數據”的專用工具（例如，Hive或Pig）以及有處理雜亂無章的真實數據集的經驗。

希望這能幫你了解“數據科學家”的含義是多么廣泛。以上四類公司在尋求擁有不同的技能，專長和經驗水平的人。盡管如此，所有這些工作職位可能都是“數據科學家”，所以密切關注職位描述可以幫你了解你將加入什么樣的團隊以及需要哪些技術。

4種類型的數據科學工作以及從中分解的8項求職技能

8項求職技能

這是你應該掌握的8個數據科學的核心技能：

基本工具：無論你面試什么類型的公司，他們都會期望你知道如何利用一些基本的行業工具，包括統計編程語言，如R或Python，以及數據庫查詢語言，如SQL。

基本統計學：至少對統計學有基本的理解，這一點對于一個數據科學家來說是至關重要的。有一個面試官曾對我說，他面試過的很多人甚至無法提供p值的正確定義。你應該很熟悉統計檢驗，分布，最大似然估計等?；叵胍幌履愕幕窘y計課程！機器學習方面也是同樣的情況，但是你的統計知識最大的作用是幫你理解各個技術是（或不是）一個有效的方法。在所有類型的公司中，統計學都是非常重要的，尤其是他們的產品不以數據為核心的數據驅動的公司，產品的利益相關者將依靠你的幫助來做決策以及設計/評估實驗。

機器學習：如果你在一家擁有大量數據的大公司，或者公司的產品本身是數據驅動，那么你就要熟悉機器學習。這包括K-近鄰算法，隨機森林，集成方法 – 所有的機器學習流行語。事實上，很多這類的技術可以通過R或Python來實現 – 也正因為如此，即使你不是算法方面的權威專家也沒關系，更重要的是要對算法有一個廣泛的了解并且真正理解應該何時使用不同的技術。

多變量微積分和線性代數：實際上，你可能會在面試中被要求演算一些你在其它地方采用的機器學習或統計結果。即使不是如此，你的面試官可能會問你一些基本的多變量微積分或線性代數的問題，因為它們是很多數據分析技術的基礎。你也許會奇怪，為什么一個數據科學家需要了解這些東西，即使在sklearn或R中已經有一堆現成的插入程序。答案是，在某些時候，一個數據科學團隊需要建立他們自己的插入程序。理解這些概念在以數據定義其產品的公司顯得尤為重要，預測性能或算法優化方面的小的改進可以導致公司巨大的勝利。

數據整理：很多時候，你分析的數據是混亂的，難以處理的。正因為如此，知道如何處理數據缺陷是真正重要的。數據缺陷的一些例子包括缺失值，不一致的字符串格式（例如，“New York”,“new york”與“ny”），以及日期格式（“2014-01-01”與“01/01/2014”，UNIX時間與時間戳等）。如果你是一家小公司的最早的數據員工，或者在產品不是與數據相關的數據驅動的公司，這項技能是最重要（特別是后者，往往因為迅速增長而沒有太多的重視數據清洗）。不過，這項技能其實對每個人來說都很重要。

數據可視化與通信：可視化和數據通信是非常重要的，尤其是在第一次做數據驅動決策的年輕公司，或者在數據科學家被看作是幫助別人做數據驅動決策的公司。說到通信，這里是指用技術的和非技術的方式來向你的聽眾描述你的發現或技術原理。在可視化方面，熟悉數據可視化工具如ggplot和d3.js，是非常有幫助的。重要的是，不僅要熟悉必要的可視化數據的工具，而且要熟悉其背后的視覺編碼數據和傳輸信息的原理。

軟件工程：如果你要面試的是規模較小的公司，并且是第一批數據科學員工之一，那么有一個強大的軟件工程背景對你來說是重要的。你將負責處理大量的數據記錄，以及潛在的數據驅動產品的開發。

一個數據科學家的思維：公司希望看到你是一個（數據驅動）的問題解決者。也就是說，在你面試的過程中，你可能會被問到一些高層次的問題 – 例如，該公司可能要運行的一個測試，或想開發的一個數據驅動產品。重要的是要思考什么事情是重要的，什么事是不重要的。你，做為一個數據科學家，應該怎么樣與工程師和產品經理互動？你應該使用什么樣的方法？什么時候做近似評估是有意義？

數據科學仍然是新生的，不明確的一個領域。找工作的時候，就是要找到一家技能需求與你的技能相匹配并且有助于進一步發展那些技能的公司。寫這篇文章是基于我自己的親身經歷 – 如果你已經在你自己的求職過程中有類似的（或相反）的經驗，我也很想聽聽。