到底什么是数据科学家？

随着“数据驱动”的价值越来越明显，越来越多的企事业开始组建或扩大数据分析队伍，“数据科学家”这个职位也越来越被大家关注。

–“数据科学家”是不是“统计师”更性感的版本？

–起码得有统计、应用数学、计算机的背景？

–干了 5 年的软件开发，写 SQL 如反掌观纹，换行做数据科学家很容易吧？

–我们市场部也想更加“数字化”，但不懂编程，应该如何起步？

经历了一些不同阶段的大数据项目之后，我意识到，在“数据科学家”这个角色没定义好之前，“数据化”会遇到很多挑战。这个角色的定义相当模糊，造成很多混淆–很像对“数字化”本身的混淆。

我翻阅了一下招聘网站上数据科学家的职责，有的专门通过统计和机器学习来建立预测模型，有的定义则更加宽泛。那么到底“数据科学家”具备什么样的技能，能做哪些事？很多希望实现“数据驱动”的企业对数据科学家的期望比较笼统，并且在不断修正中，这很正常，那么你，怎样才能更好地为这一职位做好准备？

网上已经有很多种答案，本文并不想提出新的诠释，而是尽量将最主流的观点提供给大家，并结合现有的技术，为有志于成为数据科学家的朋友，提供建议。

定义一：数据科学家起码是统计师

“数据科学家是对统计师更性感的称谓” -Nate Silver

Nate Silver 是个著名的统计师，凭借 2008 年美国总统竞选中，成功地预测了所有 50 个州里的 49 个州竞选结果，而一战成名，并被《时代周刊》评为 2009 年度最有影响力的 100 人之一。

他说：“数据科学家是对统计师更性感的称谓。…，数据科学家（这个称谓）有点多余，人们不应该批评“统计师”这个词”。

不过，数据本身在变化——越来越多，越来越快，种类越来越丰富，统计师们用以前的办法难以应对，所以数据科学家至少是比统计师们更善于编程的那些人。

定义二：数据科学家用编程和统计，将数据更有用

随着数据分析和业务需求的发展，以及分工的细化，这个称谓也在逐渐演化。 比如，Pandora 的研究部门负责人 Michael Hochester 是这样定义数据工程师的：

“数据科学家是一些能综合运用编程和统计技术的人，他们致力于通过各种方式让将数据更发挥作用。”

他认为数据科学家分为两类： （参见"What is data scientist"一文）

A 类： 分析型

主要像统计学家那样，进行静态的数据分析，并能清洗数据。他们用不同办法处理较大的数据集，可视化，非常熟悉某个领域，能很好解读数据等等；

分析型数据科学家也能通过写代码来处理数据，但不像工程师那样专业。他们更擅长实验设计，预测、建模、统计推断和其他统计工作。结论会更直白，而不是像 P 值和置信区间那么学术化。提炼出简洁有力的结论，并传达给其他人，是数据科学家常常被低估而异常重要的职责之一。

B 类： 搭建型

除了统计知识之外，搭建型数据科学家编程很强，关注于用在线生产数据搭建模型，并和其他系统连接，实现自动更新结果、或自动和用户互动，比如推荐系统（产品、你认识的人、广告、电影、查询结果等等）。

一个好的分析师具备哪些特点？

我最喜欢这个问题，网上的答案也五花八门。 有推荐一大堆技术的，有一大堆统计名词的。 Monica Rogati 的答案值得回味：她在《一个好的分析师由哪些条件组成？》里提出四点：

1. 务实

技术和模型是否最优，远不如所带来的影响更重要。 几个星期的工作，是否能为公司带来相应收益，结论能带来多大的改变？ 务实，意味着在开始之间搞清楚：1）可能的，和最有可能的结果；2）所需的时间、人力和资源。

花几个星期研究一个新算法，甚至学一个新技术，很能带来成就感。但对公司来讲，是不是真的比一个基于简单的启发法 (Heuristics) 的结论有用得多？ 不考虑机会成本，就可能纠结于一个最多能带来 2% 提升的难题，而忽略了能带来 20% 提升的课题。

所以，当产品经理跟你讲：“能不能帮忙把 xxx 产品今年的数据帮我汇总一下”，一定要问问用途，比如“为啥需要啊？”，“想看哪方面？”，对方也许关心渠道增长，或者想进行捆绑营销。不清楚目的，而一头扎进各种报表，不仅费时费力，而且结论的针对性和深度有限。

2. 好奇

数据分析有点像侦探工作。 重大发现都是从蛛丝马迹开始，看似无关的线索可能有深藏其后的关联。追，可能能获得重要的洞察，不追……也没人怪你。线索 = 数据，多种来源、不同规范程度的数据。80% 的精力都会耗费在提取、清理和规范数据上，所以，缺乏好奇心，就很难坚持追下去，而最终真相的价值可能超过最新最酷的机器学习算法。

3. 技术和解决问题的能力

技术、能力和业务知识，缺一不可。

技术意味着对统计、算法和软件工具的熟悉。 并不非要有统计学的硕士学位，但起码得明白最小二乘法之类的基本统计方法和如何解读结果。

能力意味着能解决实际问题，能坚持不懈地用各种技术进行探索，灵活地编程，使用命令行，对不同数据源进行清洗、转换， 应用不同的算法和模型。 计算机学位也不是必须的，实际上很多技术侠连正式的计算机课程都没修过。

业务知识是指和具体领域、公司或部门相关的背景知识。比如分析医疗设备数据时，如果了解哪些耗材配套哪些设备？ 哪些医院科室常做哪些检测？就可以更明智地使用数据。

没人能对所有这些都熟悉。好在信息时代让学习变得更加简单。最快的途径是边做边学，比如自己做些小项目，并跟着有经验的数据科学家学习。不同的公司所看重的技术、工具、业务知识也不同。 很多公司非常看重统计学基础，比如提供网络游戏和社区的 Twitch 的数据科学家 Brad Schumitsch谈到：

“在 Twitch, 我们的数据科学团队由三部分组成：统计、编程和产品知识。 我们从来不招统计学不强的人。你可以是个很强的程序员，但如果不懂贝叶斯定理， 我只能建议你去我们工程部。”

所以，不同企业或不同阶段，对技术、能力和业务知识这三方面的侧重不同。 Google 的数据科学家可能有博士学位，对计算机和数学很有研究。电商领域的同样岗位可能对电商非常熟悉，却不一定经过正式的数学或计算机培训。

4. 沟通能力

能不能把复杂的概念阐述得言简意赅，而不用专业术语？ 能不能几秒钟之内就做一个简明扼要的图？ 能不能忍住不把所有前提、场景、局限性都一股脑倒出来，来保证结论的绝对正确？

是不是觉得可视化和简洁的结论只是给不懂技术的人，或者不如你聪明的人看的？

我的大数据导师老丁曾是惠普全球运营报表部门的老大，当时我负责此平台开源后的市场工作。宣传资料做了两版之后，老丁扔过来一句话“太技术”，等到第三版，老丁急了，扔过来一本乳品生产企业的宣传册，说“按这办”。“乳品”vs“数据库”，我有点懵…老丁是 80 年代放弃成为第二批计算机学科院士的机会，毅然投入美帝数据库一线工作几十年的老 IT 了，那全局观，那思路，不可能错啊。

N 个月之后，我明白了。 宣传也好，数据科学家也好，有一点是相同的：我们的结论不应只追求正确，更重要的是简洁。让别人彻底明白，才有可能及时促成行动。

这个过程责任重大，所涉及到的前提、场景和局限性都很重要，但应先等一等，不能一股脑抛给你的听众。它们终究会被简化掉，由数据科学家主动去简化，不比被以后的人随意简化强吗？

如何成为数据科学家？

数据科学家的收入和职业前景不错，那么如何才能找到一份数据科学家的工作？ 另一个相近的版本是，很多企业建立内部数据科学部门的时机也逐渐成熟，如何培养内部人员成为数据科学家？ 网上能找到不少关于数据科学家方方面面技能的教程、课程或视频，包括分析方法、开源工具、编程语言等。如果英文较好，还能从 InfoQ、Quora、StackOverflow 等获得不少国外大牛的指点。不过许多攻略都是这样：1）你需要 A、B、C、D 这些技能；2）这里是链接。Python 的链接在这，R 的链接在那，机器学习的视频在最下面，再去安个 Hadoop 和 SPARK。 这是最常见的学习方式，但很费时费力，效果没那么好。 很多培训用的是处理过的规范数据，演示效果很好，但现实却不太一样。 实际上，大家更认可“边干边学”的效果，可是在找到数据科学家的工作之前，怎么才能得到“干”的机会？ Monica Rogati 的《How Can I become a data scientist》和Tomi Mester 的《 How to get your first job in Data Science 》都提出了很好的方法。

第一步 四种工具

如果你想从最基础开始，有四种工具比较常用。这些工具都是免费的，Tomi Mester 提供了一个英文的攻略：

- Bash 和命令行；

- Python

- SQL

- R

- 有时需要 Java

一般来说，不同的公司会选用其中两到三种。好消息是，一旦学会一种，学其他的也很快。 总共花一两周，选其中两三种掌握基本使用，就可以进入下一步。

Tomi 的攻略需要安装和连接到云上的虚机。这些服务国内众多的云服务商都能提供，可以直接选国内的即可。 具体的安装，如果自己不熟悉，也可以请朋友帮忙，不一定要花太多时间。

第二步 先定个小目标，比如动手做几个小项目

亲手做些项目，不仅是最快最有效地的学习办法，而且能让你的简历更引人注目，在面试时加分不少。

选个感兴趣的题目

结合可以找到的数据，选选自己感兴趣的题目，比如空气质量、气候变化、民航运输、旅游、医疗支出等等。网上有不少数据可以免费或者很便宜地下载。除了国内数据，一些美国网站上也有很多世界范围的公众数据，比如天气、各国经济、疾病、自然灾害等等。 常用的网站有国家统计局（“国家数据”）、美国政府公开数据 Data.gov 、Kaggle 比赛的数据集、世界数据图册、 CEIC 、证监会、新浪财经、 AWS 公用数据集、数粮、机器学习的 UCI 数据集等等。 如果是公司支持的项目，还可以从公司 IT 部门拿到数据。 重要的是，应该从容易上手的项目做起，找到数据，争取一周之内得出结果。

发个微博或微信，看看反映

在动手分析之前，先大概看看数据，把你想做的项目和初步印象用一两句话，在微博和微信上看看大家的反应。既要现实一点（能在一个星期内做出结果），又要保持乐观（相信自己能做出来，能找到些有趣的结论）。猜想一个可能的结果，不一定很准确（甚至可以编编），并邀请大家反馈，比如 Monica Rogati 曾经这么发微博：

“我用 LinkedIn 数据研究创业者，发现他们比想象的老，学物理的比学护理或神学的多。也许是因为风投们很难投一个新的宗教吧？”

“我用Jawbone 的数据研究天气对运动的影响–纽约人没有加州人那么容易受天气变化的影响，你们觉得是因为纽约人更强，还是他们主要在室内运动？”

“我结合BBC 的讣告和维基，来看看 2016 这一年对名人来讲，是不是真的很衰。”

如果你想学习某种技术的话，还可以这么写，比如：

Shelby Sturgis ：“我为老师和管理者做了个 Web 应用，通过分析学校排名、考试分数的变化和不同科目的成绩，来帮助他们提高教育质量。我用了 MySQL、Python、Javascript、Highcharts.js 和 D3.js, 来存储、分析和展示加州 STAR 考试数据。”

“我用了 TensorFlow 来自动对黑白照片上色和还原，帮奶奶做了这个拼贴图–最棒的圣诞！”

想象自己在交流会和面试里反复介绍，刊登在《今日美国》或《华尔街日报》上。你会觉得无聊，难以讲清还是觉得自己聪明，并感到自豪？如果答案是否定的，就重新再找，或者回到上一步，直到找到 2-3 个信服的想法。 问问其他人–这个有意思吗？ 你愿意面试做这个的人，来做数据分析的工作吗？

除了找数据和粗略地了解相关的技术和工具，此时你还没有写任何代码，或者做任何具体分析。你可以很方便地多次重复这个阶段，而不要太着急地一头扎进某些教程或者课程，花几个月时间毫无所获。

开始干

分析数据。清洗。绘制图表。重复。看看每个字段常见的前十个值。研究一下异常值。看看分布情况。如果数据不是很零散，可以把类似的值分组。分析相关度，处理缺失的数据。尝试不同的聚类和分类算法。调试。找找为什么有的效果好，有的不好？ 如果数据多的话，搭建 AWS Data Pipeline。对非结构化数据尝试用不同的 NLP 库。可能会用到 Spark，numpy, panda, nltk, 矩阵分解和 TensorFlow。这些技术不是为了学而学，而是因为解决问题必须用到。

找个懂统计学、软件工具或业务分析的朋友，会有很大帮助。每周花一个小时或每两周聚一次，都会很快帮你理顺思路，或者解决实际问题。

做个侦探，提出新的问题和新的方向。数据的收集方式是否合理？ 引入另外的数据集会怎么样？这应该是个有趣的过程，偶尔遇到障碍时，可以向网上、论坛、老师或做相同工作的朋友求助。 如果感觉不好玩，就重新找个题目。如果感觉很差，就重新思考要不要当数据科学家。如果这部分不能让你充满干劲，你很难坚持和干好真实数据工作中占 80% 的乏味的苦活。

表达

用简单的语言和干净、说服力强的图表来一目了然地表达。 学会用可视化工具非常重要。 如果你建了个原型，可以做一个简洁、有趣的演示或视频。把技术细节和代码放在链接里。发出去，并收集反馈。公开展示能让你提高标准，得到高质量的代码、表达和图形结果。

重复这一过程，逐渐就能形成自己的项目集，给招聘人员看，直到加入梦寐以求的团队。

有没有捷径？

很多朋友从事市场、财务等工作，不具备统计学背景，更没有编程经验，如何转向数据科学？

2016 年底，一个朋友带给我一个很典型的场景：她在一家医疗仪器公司，负责市场工作，积累了不少的数据，包括客户、销售、产品等方面，分别来自于 CRM、财务和产品管理系统。最大的表 100 多 G，维度也比较全面。公司希望能培养自己的数据科学家，她也很感兴趣，问题是，如何开始？

一般来说，如果对 Excel 的统计函数（如 sum, sumif, count, 时间转换等），vlookup 和数据透视表比较熟悉，可以从可视化工具入手。如果公司有预算，可以考虑 Tableau，Power BI 等；也可以选用国内帆软、魔镜等。 Tableau 的教学视频比较系统，很容易从 0 基础开始。

同时可以快速翻阅几本经典书，包括《深入浅出数据分析》、《统计学》、《R 语言实战》、《深入浅出 Python》等。对数据分析本身的使命、基本概念、常见方法等获得总体了解，能让你更快地找到自己的目标，为自己的项目整理思路。

同样重要的，要以自己的项目为主线，限定期限，避免为技术细节，扎到浩瀚的资料里。遇到问题再去 Quora、知乎、Stackoverlow、微信群和相关工具的论坛问问题，项目进展会快得多，有时候几分钟就会有人给你答案。 做完第一个项目之后，再逐渐用更复杂的指标、算法或工具，再用一两周时间做出下一个项目，以此类推。

即使完全没基础，也不用担心。花点时间看看上面提到的书或可视化工具的教学视频，大概了解数据分析的基本概念和方法，你就可以开始选自己的题目，开始探索数据科学家的星辰大海，迎接崭新的未来。

感谢杜小芳对本文的审校。

给InfoQ 中文站投稿或者参与内容翻译工作，请邮件至 editors@cn.infoq.com 。也欢迎大家通过新浪微博（ @InfoQ ， @丁晓昀），微信（微信号： InfoQChina ）关注我们。