數(shù)據(jù)科學工作者(Data Scientist) 的日常工作內(nèi)容包括什么？

作者：阿薩姆

眾所周知，數(shù)據(jù)科學是這幾年才火起來的概念，而應(yīng)運而生的數(shù)據(jù)科學家(data scientist)明顯缺乏清晰的錄取標準和工作內(nèi)容。即使在2017年，數(shù)據(jù)科學家這個崗位的依然顯得“既性感又曖昧”。

我隨手搜索了幾家國內(nèi)國外不同領(lǐng)域的數(shù)據(jù)科學家招聘廣告(國內(nèi)：阿里巴巴，百度 | 海外： IBM，道明銀行，Manulife保險)，通過簡單的歸納總結(jié)，我們不難發(fā)現(xiàn)其實崗位要求有很大的重疊部分:

學歷要求:碩士以上學歷，博士優(yōu)先。統(tǒng)計學、計算機科學、數(shù)學等相關(guān)專業(yè)。

工作經(jīng)歷: 3年以上相關(guān)工作經(jīng)驗。

專業(yè)技能: 熟練掌握Hive\SQL\hadoop，熟悉大規(guī)模數(shù)據(jù)挖掘、機器學習、自然語言處理(NLP)

分析語言: R, Python, SAS, JAVA

額外要求: 對數(shù)據(jù)敏感，具備良好的邏輯思維能力、溝通技巧、組織溝通能力、團隊精神以及優(yōu)秀的問題解決能力

有趣的是，這個廣告適用于來大部分的數(shù)據(jù)科學家招聘，甚至不分行業(yè)不分地域?？赡芪ㄒ坏牟煌?，金融領(lǐng)域更強調(diào)擅長反欺詐和風控，而電商領(lǐng)域強調(diào)熟悉推薦系統(tǒng)，側(cè)重點不同而已。其實這個現(xiàn)象的本質(zhì)就是：數(shù)據(jù)科學家是一個不限行業(yè)，擁有廣泛就業(yè)需求，高度”相似”卻又”不同”的職位。因此結(jié)合我自己的經(jīng)驗，以及與國內(nèi)國外這一行同事/朋友的交流心得，我想來談?wù)勎覍?shù)據(jù)科學家這個崗位的理解。

在個人理解的前提下，我想談?wù)劊?. 數(shù)據(jù)科學家為什么是“科學家”?2. 數(shù)據(jù)科學家的工作內(nèi)容有什么? 3. 一些對于數(shù)據(jù)分析的感悟 4. 如何成為一個合格的數(shù)據(jù)科學家?

1. 什么是數(shù)據(jù)科學家?“科學家”是否言過其實?

數(shù)據(jù)科學家成為了一個跨學科職位。我將數(shù)據(jù)科學家定義為: 能夠獨立處理數(shù)據(jù)，進行復(fù)雜建模，從中攫取商業(yè)價值，并擁有良好溝通匯報能力的人。

關(guān)于數(shù)據(jù)科學家這個崗位怎么來的，說法不一。我自己的理解是隨著機器學習和更多預(yù)測模型的發(fā)展，數(shù)據(jù)分析變得”大有可為”。為了區(qū)分擁有建模能力的高端人才和普通商業(yè)分析師/數(shù)據(jù)分析師(data analyst)，數(shù)據(jù)科學家這個職位自然就產(chǎn)生了。通過這個新崗位，行業(yè)可以與時俱進的吸收高端人才。在機器學習沒有大行其道，也沒有大數(shù)據(jù)支撐之前，這個崗位更貼近統(tǒng)計科學家(statistician)，和研究科學家(research scientist)也有一點點相似。

對于科學家，我們的一般的定義是在特定領(lǐng)域有深入研究的人，因此潛臺詞一般是“擁有博士學位的人”。而數(shù)據(jù)科學家的基本要求是碩士以上學歷，甚至有時候本科學歷也會被接受，而且似乎數(shù)據(jù)科學家的工作并不會在特定領(lǐng)域有深度。那么數(shù)據(jù)科學家是否言過其實了?

我的看法是：不，數(shù)據(jù)科學家的“廣度”就是其”深度”。從另外一個角度來看，數(shù)據(jù)科學家的優(yōu)勢在于其優(yōu)秀的跨領(lǐng)域技能，既可以抓取數(shù)據(jù)，也可以分析，進行建模，還能將有用的信息用抓人的眼球提供給決策層。能擁有這樣解決問題能力的人，似乎并不愧對一聲“科學家”。

而正因為數(shù)據(jù)分析更要求的廣度而不是深度，所有現(xiàn)在只有紐約大學提供科學博士，而現(xiàn)在大部分從業(yè)的博士都是統(tǒng)計學/計算機/數(shù)學/物理背景。正是這個原因，這個行業(yè)對于數(shù)據(jù)科學家的要求是碩士及以上，而計算機或者統(tǒng)計的人更適合的原因是其在機器學習/統(tǒng)計學習方面的積累，其他所需技能可以以很低的代價趕上。相對應(yīng)的，如果一個心理學博士想要從事這一行就會發(fā)現(xiàn)需要補充的技能太多，而因此不能適應(yīng)這個崗位。

與研究科學家(research scientist)相比，數(shù)據(jù)科學家更像是全能手但在特定領(lǐng)域深度不足。和普通分析師(analyst)相比，數(shù)據(jù)科學家應(yīng)該有更強的建模和分析能力。在和數(shù)據(jù)工程師相對比時，數(shù)據(jù)科學家應(yīng)該具備更強的匯報和溝通能力。

2. 數(shù)據(jù)科學家的日常工作內(nèi)容包括什么?

我最近在和朋友閑聊時，驚訝的發(fā)現(xiàn)大家的工作內(nèi)容都很相似。主要包括：

2.1. 分析數(shù)據(jù)和建模

此處的工作特指根據(jù)客戶需求，從數(shù)據(jù)中攫取商業(yè)價值，而這個過程中一般都會涉及統(tǒng)計模型(statistical learning)和機器學習模型(machine learning)。如果在數(shù)據(jù)沒有處理的情況下，我們的工作偶爾也涉及清理數(shù)據(jù)。有時候我們反而希望數(shù)據(jù)是未經(jīng)過處理的，因為很多重要信息都在被處理中遺失了。一般的項目遵循以下幾個流程:

確定商業(yè)痛點 – 明白要解決的問題是什么?

獲得數(shù)據(jù)并進行清理，常見的數(shù)據(jù)預(yù)處理包括: a. 缺失值處理 b.特征變量轉(zhuǎn)化 c.特征選擇和維度變化(升維或者降維) d. 標準化/歸一化/稀疏化。涉及文字的時候可能還要使用一些自然語言處理的手段，更多的相關(guān)方法可以看我最近的回答[1]。

模型選擇與評估。這個過程常常是比較粗暴的，往往需要做多個模型進行評估對比。

提取商業(yè)價值，編寫報告或意見書，并向相關(guān)負責人匯報。

2.2. 與團隊其他成員的溝通

與純粹的機器科學工程師不同，數(shù)據(jù)科學家的重要工作內(nèi)容是交流溝通。如果無法了解清楚客戶的需求是什么，可能白忙活一場。如果無法了解數(shù)據(jù)工程師在采集數(shù)據(jù)時的手段，我們使用的原始數(shù)據(jù)可能有統(tǒng)計學偏見。如果不能講清楚如何才能有效的評估模型，負責在云端運行模型的工程師可能給出錯誤的答案。因此，數(shù)據(jù)科學家除了建模必須親手來做以外，其他的環(huán)節(jié)可以“外包”給別人。在數(shù)據(jù)量特別大的時候，這個需求變得更為明顯。

2.3. 開會/匯報/寫報告

良好的溝通能力不僅僅是指和團隊成員的溝通，向老板和客戶的匯報也很考察數(shù)據(jù)科學家的能力。作為一個數(shù)據(jù)科學家，我們一般有幾個原則:

匯報時避免“黑話”，避免給不同背景的老板和客戶造成疑惑。

直擊重點而不炫技。盡量簡明扼要，不要過分介紹模型的內(nèi)部構(gòu)造，重心是得到的結(jié)論。

實事求是不夸大模型能力。很多機器學習模型其實都已經(jīng)不同程度過擬合，不刻意避開交叉驗證而選擇“看似表現(xiàn)良好的”過擬合模型。

給出可以進一步優(yōu)化和提高的方向，為項目提出新的方向。

在匯報時盡量用可視化來代替枯燥的文字。

以我去年做的一個項目為例：

我們公司的領(lǐng)導(dǎo)層希望了解為什么我們的員工離職率很高，如何才可以避免這一點。遵循我上面介紹的流程：

從人事部門收集數(shù)據(jù)，清楚的告訴他們我需要的數(shù)據(jù)時間跨度，變量。并和法務(wù)部門一起將數(shù)據(jù)中的隱私部分去除。

進行數(shù)據(jù)預(yù)處理，建模并評估。

從中挖掘商業(yè)價值，如 a. 為什么員工會離職(將變量重要性進行排序，用決策樹可視化分類結(jié)果) b. 什么樣的員工值得留住?

制作報告，并像領(lǐng)導(dǎo)層匯報我的發(fā)現(xiàn)，過程設(shè)計可視化等。

和其他部門的同事將這個項目包裝成一個案例，賣給我們的其他客戶。

這個基本包括了數(shù)據(jù)分析項目的基本流程，對于這個項目的一些有趣發(fā)現(xiàn)可以看我的另一個回答[2]。但不難看出，整個流程中有大量的溝通過程，甚至還包括銷售的部分，這在一次體現(xiàn)了數(shù)據(jù)科學家的工作廣度。

3. 對于數(shù)據(jù)科學家的一些感悟

3.1. 不要沉迷于自己的“職位”

數(shù)據(jù)科學家是個聽起來非?！靶愿械摹钡膷徫?，別忘了我們小時候的夢想都是成為一個科學家。但拋開這些虛的東西，我們必須認清這個崗位的核心就是將很多技能封裝到一個人身上。而我們工作的正常開展少不了其他同事的支持和幫助，所以千萬不要看不起別人的工作內(nèi)容。沒有數(shù)據(jù)工程師進行數(shù)據(jù)采集，沒有分析師幫我們美化圖表和提出質(zhì)疑，我們無法得到最好的結(jié)果。

數(shù)據(jù)分析項目一直都是眾人拾柴火焰高，沒有人可以當超人。所以在得到這樣“高薪性感”的職位后，我們更應(yīng)該把心裝回肚子里，腳踏實地。

3.2. 不要盲目迷信算法

承接上一點，雖然我們的工作重點之一是建模，但請不要神話算法，也不要挾算法以令同事，覺得只有自己做的部分才有價值。

簡單來說，可以通過沒有免費的午餐定理(No Free Lunch Theorem -> NFL Theorem)來解釋。NFL由Wolpert在1996年提出，其應(yīng)用領(lǐng)域原本為經(jīng)濟學。和那句家喻戶曉的”天下沒有免費的午餐”有所不同， NFL講的是優(yōu)化模型的評估問題。

在機器學習領(lǐng)域，NFL告訴機器學習從業(yè)者:”假設(shè)所有數(shù)據(jù)的分布可能性相等，當我們用任一分類做法來預(yù)測未觀測到的新數(shù)據(jù)時，對于誤分的預(yù)期是相同的。” 簡而言之，NFL的定律指明，如果我們對要解決的問題一無所知且并假設(shè)其分布完全隨機且平等，那么任何算法的預(yù)期性能都是相似的。這個定理對于“盲目的算法崇拜”有毀滅性的打擊。例如，現(xiàn)在很多人沉迷“深度學習”不可自拔，那是不是深度學習就比其他任何算法都要好?在任何時候表現(xiàn)都更好呢?未必，我們必須要加深對于問題的理解，不能盲目的說某一個算法可以包打天下。

周志華老師在《機器學習》一書中也簡明扼要的總結(jié)：“NFL定理最重要的寓意，是讓我們清楚的認識到，脫離具體問題，空泛的談‘什么學習算法更好’毫無意義。”

在這個深度學習就是一切的時代，作為數(shù)據(jù)科學家，我們要有自己的獨立判斷。

3.3. 重視數(shù)據(jù)可視化和模型可解釋度

數(shù)據(jù)科學家作為一個更偏商業(yè)應(yīng)用的崗位，而不是研究崗位，需要重視數(shù)據(jù)可視化的重要性以及模型可解釋度的意義。原因很簡單，如果客戶看不懂我們做的是什么，或者客戶不相信我們做的東西的可靠性，你即使有再酷炫的模型，也只是浪費時間。在大部分中小型的數(shù)據(jù)分析項目中，用深度學習的機會是很有限的。原因包括但不限于：

而比較常用的機器學習模型是: 廣義線性模型(generalized linear models)，如最普通的邏輯回歸;還有以決策樹為基底的模型，如隨機森林和Gradient Boosting Tree等。這兩種模型都有很好的可解釋性，而且都可以得到變量重要性系數(shù)。以Sklearn官方文檔中的簡單的決策樹可視化為例：

而可視化的好處遠不止于此，在數(shù)據(jù)建模初期的可視化可以避免我們走很多彎路。以ISL[3]中附帶的線性回歸為例，我們一眼就可以看出最右邊的圖不像左邊的圖中的數(shù)據(jù)可以通過簡單的線性回歸進行擬合，可以直接跳過線性回歸來節(jié)省時間。

承接上一點，對于一個問題我們通常無法得到所有的相關(guān)變量，這導(dǎo)致了大部分數(shù)據(jù)分析的結(jié)果其實或多或少都有偏見。講個經(jīng)典的統(tǒng)計學笑話，夏天溺水身亡的人數(shù)相比冬天大幅度上升，而夏天吃冰激凌的人數(shù)也上升，所以得到結(jié)論: “吃冰激凌”會導(dǎo)致“溺水”。這種數(shù)據(jù)會說謊的本質(zhì)就在于我們無法獲得所有的隱變量，如夏天去海邊的人數(shù)上升，游泳的人數(shù)上升等。

而在數(shù)據(jù)分析的項目中，大部分謬誤無法像上面這個例子一眼就可以看穿，我們常常會獲得很多看起來很可信但實則大誤的結(jié)論。作為一個數(shù)據(jù)科學家，請在分析時小心在小心，謹慎再謹慎，因為我們的分析結(jié)果往往會直接影響到公司或者客戶的收益。假設(shè)你做人事分析的項目，錯誤的結(jié)論可能導(dǎo)致優(yōu)秀的員工被解雇。

所以萬望大家不要總想搞個大新聞，對于沒有足夠顯著性的結(jié)論請再三檢查，不要言過其實。這是我們的責任，也是義務(wù)。

4. 如何成為一個合格的數(shù)據(jù)科學家?

假設(shè)你已經(jīng)有了基本的從業(yè)資格：即有相關(guān)領(lǐng)域的學位，掌握了數(shù)據(jù)分析和建模的基礎(chǔ)能力，也懂得至少一門的分析語言(R或Python)和基本的數(shù)據(jù)庫知識。下面的這些小建議可以幫助你在這條路上走的更遠。

4.1. 扎實的基本功

像我在另一個機器學習面試回答[4]中提到過的，保證對基本知識的了解(有基本的廣度)是對自己工作的基本尊重。什么程度就算基本了解呢?以數(shù)據(jù)分析為例，我的感受是：

對基本的數(shù)據(jù)處理方法有所了解

對基本的分類器模型有所了解并有所使用(調(diào)包)，大概知道什么情況使用什么算法較好

對基本的評估方法有所掌握，知道常見評估方法的優(yōu)劣勢

有基本的編程能力，能夠獨立的完成簡單的數(shù)據(jù)分析項目

有基本的數(shù)據(jù)挖掘能力，可以對模型進行調(diào)參并歸納發(fā)現(xiàn)

至于其他軟實力，暫時按下不表。

4.2. 從實踐中培養(yǎng)分析能力

屠龍之技相信大家都有，我常常聽別人說他已經(jīng)刷完了X門在線課，熟讀了X本經(jīng)典書籍，甚至現(xiàn)代、優(yōu)化、概率統(tǒng)計都又學了一遍，但為什么Kaggle上還是排名靠后或者工作中缺乏方向?

簡單來說，上面提到的這些儲備，甚至包括Kaggle經(jīng)驗，都屬于屠龍之技。數(shù)據(jù)分析領(lǐng)域的陷阱隨處可見，遠不是幾本書幾篇論文就能講得清楚。最好的方法只有從工作中實踐，跟著你的師傅學習怎么分解項目，怎么提取價值。

我記憶很深的一個例子是：有一次我和我的老板為某國家鑄幣中心制定最優(yōu)的紀念幣定價方案，來最大化收益。但根據(jù)客戶給我們的例子，我們的優(yōu)化模型效果很差，誤差極大。我的老板給了我?guī)讉€建議：1. 把回歸問題轉(zhuǎn)為分類問題，犧牲一部分精度 2. 舍棄掉一部分密度很低的數(shù)據(jù)，對于高密度區(qū)域根據(jù)密度重建模型 3. 如果不行，對于高密度區(qū)域用有限混合模型(Finite Mixture Model)再做一次。采納了老板的建議，最終我們對于百分之75%的紀念幣做到了最佳的優(yōu)化結(jié)果，為客戶帶來了價值?？蛻魧τ谑Ｏ?5%無法預(yù)測表示理解，因為他們無法提供更多的市場數(shù)據(jù)。

那個時候的我總覺得不能舍棄數(shù)據(jù)，但我的老板用行動告訴我客戶最需要的是獲得價值，而不是完美的模型。而這種感悟，我們只有在實際工作中才能獲得。所以當你作為數(shù)據(jù)科學家開始工作時，請多想想如何產(chǎn)生價值，而不是一味地炫屠龍之技。

4.3. 平衡技術(shù)與溝通能力

數(shù)據(jù)科學家的重要工作內(nèi)容就是匯報和寫報告，因而良好的”講故事”(storytelling)能力非常重要。在學習的過程中，請不要把全部的重心放在技術(shù)能力上。技術(shù)能力可以保證你有東西可以說，但講故事這種軟實力可以保證你的辛苦沒有白費，你的能力獲得大家的認可。同時，這種溝通能力也可以讓你在社交中更加如魚得水，一改理工科給人留下的沉悶的印象。輕溝通，重技術(shù)，是一種工程師思維，但這并不適用于數(shù)據(jù)科學家。

最后想不恰當?shù)囊靡痪湮鞣街V語：“欲戴王冠，必承其重?！痹谶@個數(shù)據(jù)為王的時代里面，成為優(yōu)秀的數(shù)據(jù)科學家不僅僅代表著高薪，還代表著我們對于這個時代的貢獻與價值。然而道路阻且長，還有太多太多需要我們學習和完善的方向。

生成海報

免責聲明：本網(wǎng)站內(nèi)容主要來自原創(chuàng)、合作伙伴供稿和第三方自媒體作者投稿，凡在本網(wǎng)站出現(xiàn)的信息，均僅供參考。本網(wǎng)站將盡力確保所提供信息的準確性及可靠性，但不保證有關(guān)資料的準確性及可靠性，讀者在使用前請進一步核實，并對任何自主決定的行為負責。本網(wǎng)站對有關(guān)資料所引致的錯誤、不確或遺漏，概不負任何法律責任。任何單位或個人認為本網(wǎng)站中的網(wǎng)頁或鏈接內(nèi)容可能涉嫌侵犯其知識產(chǎn)權(quán)或存在不實內(nèi)容時，應(yīng)及時向本網(wǎng)站提出書面權(quán)利通知或不實情況說明，并提供身份證明、權(quán)屬證明及詳細侵權(quán)或不實情況證明。本網(wǎng)站在收到上述法律文件后，將會依法盡快聯(lián)系相關(guān)文章源頭核實，溝通刪除相關(guān)內(nèi)容或斷開相關(guān)鏈接。