艾哈迈德·贝斯贝斯，AI工程师//博客作者//跑步者。

这是个人的观察，但我相信你们中的许多人在阅读这篇文章时会有同样的感受。

我是一名数据科学家，我喜欢我的工作，因为我认为它涵盖了各种相互依赖的领域，使它丰富和刺激。然而，我有时不得不与那些不完全理解组织或领域中这个角色的人打交道。坦率地说，这让我和我认识的许多人都有点沮丧。

在你继续阅读之前，我应该提到，我的目的不是阻止任何人对这个角色的渴望。我只是在陈述行业中普遍出现的一些负面方面，以及避免这些负面方面的可能解决方案。

有些人不完全理解你做什么…甚至懒得解释！

原则上，这没问题。我也不明白其他人是怎么做的。然而，我不明白的是，一些当事人对了解你在帮助他们时做了什么完全缺乏兴趣和好奇心。我不是说他们应该了解神经网络的每一个小算法细节，但至少，他们应该了解你的方法，你解决问题的方法。有时，就好像你被委托做一项没有人关心的痛苦而肮脏的任务。
有些项目经理对你正在做的事情不感兴趣，除非你做完了。我想这些家伙把管理提升到了一个全新的水平。

哦！你是数据科学家？你一定对数字很在行。你为什么不看看我的文件，把数据处理一下呢？我听说你的“蟒蛇”能很快释放出魔力。在这里，去玩我的文件，完成后来看我。

-怎么办？
为了使每个人都在同一页上，一个解决方案是向没有技术背景的团队提供培训和意识。这需要通过内部研讨会、认证或MOOC订阅广泛的技术主题，如机器学习、深度学习或NLP的介绍性讲座。当建立这些领域的知识时，队友会变得积极主动，更多地参与到建立过程中。项目经理也意识到了挑战。

数据科学家仍然被认为是拉皮条的营销工具

嗯，十年前，当这个领域开始出现时，这个方法非常有效，Hadoop和Spark这个词到处都是。你可以把你知道的所有流行语都堆在一起，希望得到一个大支票（它奏效了！）。

这已经不是2010年了。公司现在密切关注你愿意出售的东西。他们了解市场、竞争对手和挑战。他们几乎彻底扫描了所有东西。他们也知道什么是可行的，什么是不可行的。如果你没有脱颖而出，对你的价值主张和你的数据科学团队能带来的技术专长不够清楚，你最有可能失去这笔交易。

当然，尽管如此，总有一些穿西装的胆子很大的家伙发表这种鼓舞人心的声明：

让我们在这里和那里投入一点数据科学来加强我们的宣传，并让客户支付一大笔钱！

那不是很美吗？

— What to do?
不要表现得好像数据科学家会彻底改变和破坏您的组织。市场开始知道限制是什么。与市场接轨。

你不应该是一只小手，它的工作没有得到足够的荣誉。

我们都知道这种感觉，而且很烂。你在努力工作中失败了，而另一个人展示了你的结果，并拿走了所有的功劳。这在任何地方都很常见，当您在数据科学团队中与业务伙伴协作时，这种情况会发生得更多。

如果你对团队很有价值，你的同事自然应该让你在利益相关者面前发光发热。然后你的声音被听到并参与决策过程。

然而，如果你觉得你被当作一种可互换的资源，或者被放在一边，在阴影下工作，为那些说话的人制作数字，也许是时候重新考虑你的立场了。

— What to do?
构建数据产品时，每个人都很重要。这不应该仅仅是我们告诉自己的一个说法。它必须体现在我们的会议、演示和日常关系中。

数据科学家不能根据要求产生洞察力

嗯，虽然听起来很诱人，但这并不像我们想象的那么容易。仅仅因为我们配备了这些工具并不一定意味着你可以期待立即的可操作的结果。这需要建立关于业务的知识，建立正确的直觉和假设。这需要时间，而且是一个学习的过程。

让我们处理数据并让它说话。

— What to do?
接受这样一个事实，即数据科学家必须花费大量时间了解业务并建立自己的直觉。这需要采访组织中的不同参与者，对数据进行各种分析，进行试验，失败，并获得持续的建设性反馈。
如果您还想为您的数据科学团队提供最好的条件，请确保至少有干净的数据管道，并有清晰的描述。

数据科学家不可能是每一个数据相关问题的负责人

对于数据科学家的角色仍然存在着强烈的误解。不仅非技术高管，技术领域的其他同事也认为，数据科学家对Spark、Hadoop、SQL、TensorFlow、NLP、AWS、生产级应用程序、docker等都了如指掌。掌握这些工具是很棒的，但是这个过程需要几年的时间和大量的经验。

如果你是一名数据科学家，你申请的公司在一份申请中提到了所有这些技术词汇，请仔细检查该公司。它有可能对自己的数据战略没有明确的愿景，也没有对招聘的角色有明确的定义。

我们需要修复我们的数据问题。让我们雇佣一名数据科学家。

— What to do?
数据科学家并不总是您数据问题的最终解决方案-雇用前要仔细检查。也许你需要的是一个数据分析师或者一个后端开发人员。数据科学家不是精通一切的忍者。

给那些想要建立强大数据团队的人的亲贴士

如果你希望你的团队成功地构建你想要构建的任何东西，确保你周围有互补的技能。

在交付一级：

• 数据科学家构建复杂的机器学习模型，绘制复杂的分析，并根据度量制定业务需求。
• data Engineers构建健壮的数据管道，以便数据科学团队在任何时候都可以访问和清洁数据
• ML/AI工程师:这是该领域出现的一个新角色。我把它看作是数据科学家和数据工程师之间的混合配置文件。在实践中，它是一个超越建模并考虑部署方面的数据科学家。例如，他解决的问题是:如何使模型可伸缩？如何正确处理我的申请？如何确保推断时的低延迟？等
• 前端和后端开发人员构建集成和打包机器学习逻辑的web应用程序。它们涉及代码质量、健壮性、安全性、设计、稳定性、构建API等。
  数据科学家可以找到构建小型web应用程序的方法，但请记住这不是他的专长。如果您想要一个专业的移动或web应用程序，请雇佣一个开发团队。

在管理层面：

• 数据科学经理:这些是管理团队中技术含量最高的配置文件。他们监督数据科学团队，并确保他们做出正确的（建模）决策。
• 项目经理:他们确保事情在最后期限内如期进行。他们发现阻塞问题，并直接与业务或客户机交互。
• Chier数据官员(CDO):这是最高管理角色。他的目标是在组织内部注入文化，寻找项目，建立业务。

这是基于来自朋友和同事的讨论和几个反馈的汇编。