评论
由 Dominik Haitz 提供，IONOS。
德鲁·康威的数据科学技能集可视化 是一个经常被引用的经典。不同的观点和角色的多样性催生了numerous variations：
1. 谷歌网络安全证书 - 快速进入网络安全职业道路。
2. 谷歌数据分析专业证书 - 提升你的数据分析技能
3. 谷歌 IT 支持专业证书 - 支持你的组织的 IT
各种数据科学维恩图。图片来源于谷歌图片。来源：sinews.siam.org/Details-Page/a-timely-focus-on-data-science
关于数据科学技能集似乎没有共识。此外，随着领域的发展，缺陷变得明显，新挑战不断出现。我们如何描述这种演变？
第一波数据科学家发生在数据尚未大规模和数据科学尚未成为实际存在之前（2010 年之前）：统计学家和分析师，他们一直存在，做着很多现代数据科学家在做的事情，但伴随的炒作较少。
第二波：大规模数据收集创造了对聪明人才的需求，他们能够将大数据转化为大钱。公司仍在摸索应聘人员的类型，往往转向科学专业毕业生。虽然第二波数据科学家做了很多正确的事，但他们精心制作的模型通常只是概念验证，并未带来实际的改变。
现在，在 2010 年代末，随着对深度学习和人工智能的炒作，进入了第三波数据科学家：进行实验和创新，效率地寻找商业价值，并弥合部署差距以创建出色的数据产品。在这里需要哪些技能？
第三波数据科学家的技能组合。
商业思维是数据科学技能组合的核心，因为它设定目标并运用其他技能来实现这些目标。Patrick McKenzie 在这篇博客文章中指出：
工程师被聘用是为了创造商业价值，而不是编程：企业总是因为非理性和政治原因做事，但主要还是集中在增加收入或降低成本上。
同样，数据科学家被聘用是为了创造商业价值，而不仅仅是构建模型。问问自己：我的工作成果将如何影响公司决策？我需要做什么来最大化这一效果？凭借这种企业家精神，第三波数据科学家不仅提供可操作的见解，还寻求实现真正的变化。
关注组织中的资金流向——拥有最大成本或收入的部门可能会提供最大的财务杠杆。然而，商业价值是一个模糊的概念：它超越了当前财政年度的成本和收入。实验和创建创新的数据文化将提高公司的长期竞争力。
优先处理你的工作和知道何时停止是效率的关键。想想递减收益：花费数周时间来调整模型以提高 0.2%的精度是否值得？通常，足够好才是真正的完美**。
领域专长，这是 Conway 技能组合的三分之一，绝对不能被忽视——然而，你几乎在所有地方都必须在工作中学习。这包括对你所在行业以及公司流程、命名方案和特殊情况的了解。这些知识不仅为你的工作设定了框架条件，而且通常对于理解和解释你的数据是不可或缺的。
https://twitter.com/matvelloso/status/1001899539484192768
寻找容易实现的目标和快速胜利。对现有数据仓库进行一个简单的 SQL 查询可能会发现产品经理或高层管理人员未知的宝贵见解。**不要陷入“流行词驱动的数据科学”**的陷阱，专注于最先进的深度学习，而一个简单的回归模型就足够了——而且构建、实施和维护的工作量要少得多。了解复杂的事物，但不要使事情过于复杂。
对（第二波）数据科学家只需“黑客技能”而不是适当的软件工程的观点已被多次批评。缺乏可读性、模块化或版本控制阻碍了协作、可重复性和生产化。
相反，向专业的软件工程师学习工艺。测试你的代码并使用版本控制。遵循既定的编码风格（例如 PEP8）并学习如何使用 IDE（例如 PyCharm）。尝试对编程进行配对。模块化和文档化你的代码，使用有意义的变量名称并进行重构，重构，重构。
弥合敏捷原型数据产品的部署差距：学习使用日志记录和监控工具。知道如何构建 REST API（例如使用 Flask）以将结果提供给他人。学习如何将工作打包到 Docker 容器中，或将其部署到像 Heroku 这样的平台上。不要让你的模型在笔记本电脑上腐烂，而是将其包装成适合你公司 IT 环境的数据驱动服务。
数据科学家必须彻底理解统计学基础概念和特别是机器学习（STEM 大学教育可能是获得这种基础的最佳途径）。关于重要内容有很多资源，所以我不会在这里进一步探讨。你常常需要向客户解释算法或概念，如统计不确定性，或者因为混淆相关性和因果关系而标记出问题。
由于人际交往技能对生产力的重要性与技术技能相当，第三波数据科学家在这些领域上会有意识地努力提高。
咨询你的同事——大多数人乐于帮助或提供建议。平等对待他人：你可能有一个很好的学位和对复杂算法的理解，但其他人拥有你没有的经验（这听起来像基本的社交建议，但谁没遇到过傲慢的 IT 专业人士呢？）。
问对后续问题。如果客户或你的老板希望你计算一些关键数据或创建一些图表，问“为什么？目的是什么？你想达成什么？根据结果你会采取什么行动？”以更好地理解问题的核心。然后一起找出如何达到目标——是否有比提出的更好的方法来实现目标？
建立网络，不是因为你期望他人在你的职业生涯中帮助你，而是因为你是一个容易接近的人。与有类似工作主题的人建立联系。如果公司内没有这样的平台，自己创建。识别关键利益相关者，并找出如何帮助他们解决问题。及早邀请他人，并使他们成为变革过程的一部分。记住：公司不是一个理性的实体，而是由经常不理性的个体组成。
提升你的可视化和演示技巧。从客户的角度进行沟通：我如何才能准确回答他们的问题？学会在不同层次上沟通并总结你的工作细节。人们很容易被华丽的多维图表所吸引，但通常简单的柱状图更能有效传达信息。展示你的成果：当人们看到你正在做的工作并且发现你做得很好，他们会信任你。
沟通你的目标和问题，并积极寻求建议。在数据科学社区内外寻找榜样，并向他们学习。
原文。经许可转载。
个人简介：多米尼克·海茨是数据科学家@ionos_de，同时也是博客作者，towardsdatascience.com/@d_haitz。
资源：
相关：