認為你的公司需要數據科學家？你可能錯了

當我在15年前開始從事數據工作時，我從未想過近年來數據科學家會如此備受追捧。如今，數據科學家被認為是全球最熱門的職位之一，市場上對數據科學家的需求供不應求。

創業公司在產品生命周期的早期招聘數據科學家的情況并不罕見。其實很多情況下，他們并不需要數據科學家。

作為一名數據科學方面的倡導者，為什么我會這么認為呢?

首先，我想聲明的是雇用數據科學家確實有很多好處。如果使用得當，數據科學家將成為強大的商業武器。我想強調的是，數據科學當中涉及到大量的數據相關操作和技巧，這不是在短期培訓中就能掌握的。

因此，當企業需要聘請數據科學家時，需要慎重考慮應該何時聘請哪種數據科學家。

當企業打算聘請數據科學家之前，可以先試著問自己以下四個問題：

1. 有多少數據？

如果你是一家尚未啟動的創業公司，那么你們可能并不需要全職數據科學家。其實，如果你的公司已經發展的較為成熟，但只有小規模的客戶、產品或會員基礎，那么你也不需要數據科學家。

為什么呢？顯然數據科學家需要數據。不是任何數據都可以。許多技術需要至少數萬個、甚至數百萬個數據點才能構建。

如今，深度學習備受關注。在針對數據科學家的工作描述中充滿了神經網絡、計算機視覺和自然語言處理等術語。而這類技術依賴于大量的訓練數據。谷歌翻譯就是建立在超過1.5億個詞匯基礎上的神經網絡。成功部署這型模型所需的數據量超過了許多公司加起來的數據總量。

很多技術比深度學習使用更少的數據，但是當中仍然需要相當大的樣本，還需要能夠判斷何時使用哪種方法的知識儲備。目前需要大量的投入才能創建數據科學所需要的環境，擁有資金和昂貴的資源是遠遠不夠的。

2. 是否有已制定的關鍵績效指標(KPI)和商業智能報表？

如果沒有對企業驅動因素的基本了解，那么將難以利用先進技術。

數據科學家能夠通過機器學習進行預測，例如哪些用戶會流失、哪些用戶很活躍。但是如果缺乏對流失和高度活躍的定義，那么在構建預測模型之前會遇到問題。

此外，如果沒有足夠的指標進行評估，那么將很難驗證模型。A/B測試等其他技術需要總體評估標準(OEC)，這通常是業務驅動的KPI。

3. 數據科學家要做什么？

這是四個問題中最主觀和最有趣的問題，“你想讓數據科學家做什么？”我得到的最常見的答案是：“我們不知道，這也是為什么我們需要雇用一位?！?nbsp;

在這種情況下，我會告訴該企業這是行不通的。雖然聘請數據科學家時，你并不需要成為該方面的專家，但是你應該清楚哪些是可行的、哪些是不可行的，從而不會設定不切實際的期望。

數據科學不是魔術，但也不是傳統科學。數據科學是一門藝術，也是一門科學，這意味著當中技術和能力的可變性很大。企業可以考慮讓現有團隊的成員發展成數據科學家。對現有分析師來說，進入數據科學領域的方式之一是對現有的KPI進行預測。一方面，他們有機會學習熟悉的數據; 另一方面，對現有員工進行投資意味著將來市場招聘的需求減少。

4. 數據科學家有哪些內部支持？

如果數據科學家在你的企業沒有適當的支持，那么請不要為招募他們而投資。近年來，數據科學課程數量激增，然而許多畢業生并沒有準備好解決業務問題。絕大多數課程都讓學生解決預先清潔好的數據。在現實世界中，干凈的數據并不存在。

在沒有高級數據科學家指導的前提下，聘請初級數據科學家并不明智，初級數據科學家會遇到難題，而且往往會導致錯誤的分析。初級的數據科學家團隊難以將業務問題轉化為技術問題，而錯誤的分析會導致任務難以完成。

聘請高級數據科學家并不能完全緩解這個問題，部分原因在于很難證明雇傭人員的水平和資歷。如果你很幸運地聘請到優秀的人員，他仍然需要來自領導團隊的大量支持。比如，創建從未使用過的模型；或者進行A/B測試但結果被忽略。更糟的是，分析問題所需的數據并沒有被收集。

通常，必要的第一步是強大的數據收集程序，這需要由工程師或數據庫管理員提供，而不是數據科學家。在很多企業中，高級數據科學家需要花大量時間完成數據需求和團隊部署，而這很容易導致高級數據科學家的流失。

結語

招聘和留住優秀的數據科學家的成本是很昂貴的。但如果能明確何時聘用、如何聘用、聘用哪種人才，則能夠有效地減少成本。

不要陷入招聘廣告的陷阱，那些只是對工作技能的簡單羅列。不要奢望數據科學家會魔法。一定要明確自身的真實需求，如果可能的話，在進行招聘之前咨詢專業人員。企業數據方面的成功取決于以上這幾點。