数据科学家需要的基本技能

数据科学家是当今科技组织中最受欢迎的角色之一，他们的工资也在不断上涨。在一些信息技术组织中，首席信息官可能只有雇佣数据科学家的预算。因此，在招聘数据科学家时，他可能会像摇滚明星一样多才多艺、有趣。

但是当数据科学家在面试时，他们应该拥有的一项关键技能可能在提交审查的简历上看不到。这不熟悉Python或R或Spark或其他一些新技术或平台，也不了解最新的机器学习方法或新算法。也不能在几分钟内从头开始编写人工智能算法或分析1tb的数据。

虽然这些知识非常重要，但它们不是软技能。事实上，让数据科学家成为摇滚明星的一项技能根本不是技术，而是所谓的软技能:沟通能力。

当创建一些疯狂的机器学习系统来构建推荐引擎时，企业正在采访的数据科学家可能是世界上最聪明的人之一，但是没有这种软技能很难成功。他们会遇到一些困难，不能充分发挥他们的潜力。

它的“战略”是什么？当企业交流输出/结果时，数据科学家需要能够讨论的不仅仅是标准信息(错误率/指标等)。)。他们还需要能够达到关键的“西”点:什么、为什么、何时、何地和谁。他们必须能够清楚地定义他们做了什么，为什么做，他们的方法何时起作用(或不起作用)，他们的数据来自哪里，以及谁会受到他们所做的事情的影响。如果他不能用外行人能理解的方式简明地回答这些问题，他就是一个失败的数据科学家。

两个现实世界的例子

有两个例子可以帮助理解优秀的数据科学家(即沟通良好的人)和不太优秀的数据科学家之间的区别。这些例子提供了两者的背景知识，允许企业决定使用哪个数据科学家。假设两个数据科学家在同一个组织中工作。

第一位数据科学家：

她从事数据科学已经四年了。她在数据探索、功能工程、机器学习和数据方面有丰富的经验。在她的职业生涯中，她实施了许多需要对大型数据集进行深入研究的项目。在分析过程中，她使用不同的系统、平台和语言。

对于她参与的每一个项目，她都会在笔记本上留下评论、想法、变化和原因。毕竟，她是一名科学家。当她向团队成员和管理层提供更新时，她不仅关注数据，还关注数据能够传达什么。她详细描述了她的所有工作，并详细解释了为什么事情是以她自己的方式进行的，以及潜在的变化会如何影响她的工作结果。

对于项目“摘要”文档，她提供了一个执行摘要，其中包含许多视觉描述，简要描述了项目、她做了什么、为什么做了什么、她认为自己可以做什么来改进事情，以及如何改进项目。除了执行摘要之外，她还提供了一份详细的报告，描述了整个过程，包括几个附录和对那些想更多了解项目的人的解释性说明。当人们选择参与他们的项目时，当他们开始谈论团队成员时，首先想到的是她。

第二位数据科学家：

他在数据科学领域已经工作了四年多(比第一年多了一个月)。他的技术背景非常专业，是团队中算法和编程语言的“专家”。这种考虑是全面的，可以解决许多困难。他在这个项目中非常成功，受到了整个公司的欢迎。

当他从事一个项目时，他做自己的事情，很少记录他做了什么以及他为什么选择。例如，如果一个同事问他为什么在一个项目中选择随机森林而不是支持向量机，他会告诉他，“因为它工作得更好”，但他无法解释“更好”的含义。尽管很少有人反对他在项目中的选择，但他的工作很少受到质疑，也没有人质疑他的技能，同事们总是在项目中/项目后质疑“他在做什么”。“他做了什么？”这样的问题。

为了记录和展示结果，他把预期的基本报告和适当的信息放在一起，人们总是问他问题。然而，在考虑新项目时，他通常排在最后，因为他的同事评论说，他们不知道他和他一起工作时在做什么。

那么会选谁?

假设人们知道这两个人中哪一个是优秀的数据科学家。虽然第二个人比第一个人更有技巧，但他的沟通技巧有点落后。第一个人是在组织中提供“最佳”数据科学结果的人。沟通是不同的。第一位数据科学家不仅能完成技术工作，而且能以组织容易理解的方式分享结果。

当公司想雇佣数据科学家时，他们通常会雇佣擅长交流或有能力提高交流技能的人。此外，作为一个组织，如果你想成为一个优秀的数据科学和分析公司，你必须有良好的沟通文化。