认为你的公司需要数据科学家？你可能错了

当我在15年前开始从事数据工作时，我从未想过近年来数据科学家会如此备受追捧。如今，数据科学家被认为是全球最热门的职位之一，市场上对数据科学家的需求供不应求。

创业公司在产品生命周期的早期招聘数据科学家的情况并不罕见。其实很多情况下，他们并不需要数据科学家。

作为一名数据科学方面的倡导者，为什么我会这么认为呢?

首先，我想声明的是雇用数据科学家确实有很多好处。如果使用得当，数据科学家将成为强大的商业武器。我想强调的是，数据科学当中涉及到大量的数据相关操作和技巧，这不是在短期培训中就能掌握的。

因此，当企业需要聘请数据科学家时，需要慎重考虑应该何时聘请哪种数据科学家。

当企业打算聘请数据科学家之前，可以先试着问自己以下四个问题：

1. 有多少数据？

如果你是一家尚未启动的创业公司，那么你们可能并不需要全职数据科学家。其实，如果你的公司已经发展的较为成熟，但只有小规模的客户、产品或会员基础，那么你也不需要数据科学家。

为什么呢？显然数据科学家需要数据。不是任何数据都可以。许多技术需要至少数万个、甚至数百万个数据点才能构建。

如今，深度学习备受关注。在针对数据科学家的工作描述中充满了神经网络、计算机视觉和自然语言处理等术语。而这类技术依赖于大量的训练数据。谷歌翻译就是建立在超过1.5亿个词汇基础上的神经网络。成功部署这型模型所需的数据量超过了许多公司加起来的数据总量。

很多技术比深度学习使用更少的数据，但是当中仍然需要相当大的样本，还需要能够判断何时使用哪种方法的知识储备。目前需要大量的投入才能创建数据科学所需要的环境，拥有资金和昂贵的资源是远远不够的。

2. 是否有已制定的关键绩效指标(KPI)和商业智能报表？

如果没有对企业驱动因素的基本了解，那么将难以利用先进技术。

数据科学家能够通过机器学习进行预测，例如哪些用户会流失、哪些用户很活跃。但是如果缺乏对流失和高度活跃的定义，那么在构建预测模型之前会遇到问题。

此外，如果没有足够的指标进行评估，那么将很难验证模型。A/B测试等其他技术需要总体评估标准(OEC)，这通常是业务驱动的KPI。

3. 数据科学家要做什么？

这是四个问题中最主观和最有趣的问题，“你想让数据科学家做什么？”我得到的最常见的答案是：“我们不知道，这也是为什么我们需要雇用一位。” 

在这种情况下，我会告诉该企业这是行不通的。虽然聘请数据科学家时，你并不需要成为该方面的专家，但是你应该清楚哪些是可行的、哪些是不可行的，从而不会设定不切实际的期望。

数据科学不是魔术，但也不是传统科学。数据科学是一门艺术，也是一门科学，这意味着当中技术和能力的可变性很大。企业可以考虑让现有团队的成员发展成数据科学家。对现有分析师来说，进入数据科学领域的方式之一是对现有的KPI进行预测。一方面，他们有机会学习熟悉的数据; 另一方面，对现有员工进行投资意味着将来市场招聘的需求减少。

4. 数据科学家有哪些内部支持？

如果数据科学家在你的企业没有适当的支持，那么请不要为招募他们而投资。近年来，数据科学课程数量激增，然而许多毕业生并没有准备好解决业务问题。绝大多数课程都让学生解决预先清洁好的数据。在现实世界中，干净的数据并不存在。

在没有高级数据科学家指导的前提下，聘请初级数据科学家并不明智，初级数据科学家会遇到难题，而且往往会导致错误的分析。初级的数据科学家团队难以将业务问题转化为技术问题，而错误的分析会导致任务难以完成。

聘请高级数据科学家并不能完全缓解这个问题，部分原因在于很难证明雇佣人员的水平和资历。如果你很幸运地聘请到优秀的人员，他仍然需要来自领导团队的大量支持。比如，创建从未使用过的模型；或者进行A/B测试但结果被忽略。更糟的是，分析问题所需的数据并没有被收集。

通常，必要的第一步是强大的数据收集程序，这需要由工程师或数据库管理员提供，而不是数据科学家。在很多企业中，高级数据科学家需要花大量时间完成数据需求和团队部署，而这很容易导致高级数据科学家的流失。

结语

招聘和留住优秀的数据科学家的成本是很昂贵的。但如果能明确何时聘用、如何聘用、聘用哪种人才，则能够有效地减少成本。

不要陷入招聘广告的陷阱，那些只是对工作技能的简单罗列。不要奢望数据科学家会魔法。一定要明确自身的真实需求，如果可能的话，在进行招聘之前咨询专业人员。企业数据方面的成功取决于以上这几点。