在小公司如何做一名成功的数据科学家？

大数文摘出品

来源：medium

编译：王媛媛、刘思佳

小公司需要数据科学家么?

可能只有长期混迹数据圈的老司机才有资格回答这个问题。

本文作者Randy Au，已经在15-150人规模的公司工作了近12年，被冠于“数据分析师、工程师、偶尔还有科学家”的各种头衔。

作者是社会科学出身，有一些自然语言处理，应用数学和工商管理经验。总而言之，什么都会一点。

以下是他关于此问题的看法：

成为第一个“数据全能选手”

小公司不需要数据科学家，但他们需要一个“数据全能选手”。他们可能称这项工作为“数据科学家/工程师/分析师/忍者”，诸如此类。

一家20-60人规模的公司，有足够的客户，丰富的数据和专业化的岗位，只需要招一个能够使用数据来提供有用的业务洞察力的人。

职位的头衔不重要，但职位描述往往是各种各样的混合：

理解我们拥有的数据

帮助构建我们的数据系统

帮助我们进行数据驱动/运行实验

发展业务

可能与任何事物相关或不相关的教育/认证

通常情况下他们并不完全了解需要怎样的人才。只有一种普遍意义上的“我们有数据，看起来很有用，但是缺少转化为价值的技能。”

实际上，在这个职位上的人需要同时做两件大事：

今天-帮助公司取得成功

明天-打造数据驱动型公司

今天-帮助公司取得成功

初创公司充满了不确定性。他们不确定客户是谁，生产系统可能很困难，不知道客户对产品做了什么，不知道如何使用拥有的数据做出决策，不知道拥有的数据是否有用。

对问题的巧妙回答可以带来更明智的决策，并希望每个人都梦想成为神话般的曲棍球棒。难题是大多数问题都不适宜用花哨的方法。有用的通常是老办法和基于定性方法而不是定量。

在优化现有流程时，大多数DS方法都是最强大的，它们可以在获取客户，转化客户，客户粘度和客户支出等方面实现5%，10%甚至25%的增长。A / B测试，推荐系统，ML分类器，所有这些都有助于优化。收益是真实的，可量化的，并且可能是显着的，但早期可能会更重要的事要做。

早期最大的影响往往是业务洞察。洞察力从根本上改变了公司做的事情。它们来自很常见的事情，例如研究用户偏好/行为，为销售人员揭示新的营销概念，或帮助产品团队意识到Twitter上最受憎恨的功能实际上被90%的付费客户使用。

我对“帮助公司”角色的看法是：“数据全能选手”是一种力量倍增器 。企业内部的人有问题，工作就是帮助他们解决问题。

成为第一个“数据全能选手”=成为“有数据的科学家”！

作为一名科学家对我来说意味着你遇到一个难题，一个研究型问题，你可以用任何方法来找到对这个问题的坚实答案。

作为数据科学家，我们倾向于使用定量方法和从系统收集的数据来回答问题，但这不是获得洞察力的唯一途径。有时你精尽全力观察或询问用户(定性方法)，或者你出去收集数据(实验和调查)，或者你盯住别人(竞争分析)。

一个好的科学家不会通过他们的方法来定义自己，第一个数据全能选手(或者任何数据全能选手)也不会。

我们的目标是满足紧迫的业务需求：“为什么没有人使用我们的产品?”“我们的回报怎么这么高?”我们是否应该进行这种昂贵的销售呢?““是什么导致客户流失?”“什么是客户的终身价值，是什么推动了这一点?”

明天-打造数据驱动型公司

我看到的一个常见的陷阱是来自数据科学计划的人加入这些职位，期望使用像Spark这样的性感东西并应用RNN来完成他们的工作。但很遗憾，不匹配是非常残酷的。

花哨的“数据科学”方法依赖于大量的东西，不要指望每一层在移动到下一层之前都“完成”。把颜色想象成“ 花费的时间”。