這份戰略路線圖，帶你組建顛覆性的數據科學團隊

全文共3128字，預計學習時長6分鐘

也許在將來，你會擁有本身的業務甚至是事業，須要組建本身的數據科學團隊。但從頭創建一個團隊不是一件容易的事情。本文將提供一份詳細的戰略路線圖，包括招聘的策略建議，以及如何給予團隊充分的支持。

2012年，《哈佛商業評論》的一篇文章將數據科學家評爲21世紀最「性感」的職業。文中將數據科學家的角色定義爲「數據黑客、分析師、傳播者以及值得信任的顧問的綜合體。這樣的組合尤其強大，卻不多見。」市場對這種稀缺組合的需求量很大。

2018年8月，領英人力分析報告代表，已經有151,000個數據科學崗位對民衆開放，美國勞工統計局(BLS)則預計，在2026年實現該領域將實現兩位數的就業增加率。和平均6%的增加相比，這無異於爆炸式增加。」

數據科學家是各個領域的通才，他們充分理解大數據的概念，並把其轉化爲有價值的實體。一個數據科學家須要精通技術，富有創造力。可是若是你缺乏甚至缺少聘用這些新興知識工做者的經驗，如何從頭組建一支數據科學團隊呢？下面是十大關鍵。

1. 肯定僱用人選

令大衆感到困惑的是，圍繞「數據科學家」展開的職業描述多種多樣。事實上，在數據科學內部有分明的四個角色，一般由四種不一樣的人擔任。

· 數據理論家：取決於具體應用，這個領域的最高的附加價值人才，具有篩選原始數據的技術，有在正確語境下辨別數據模式和趨勢的創造力和直覺。這是一門藝術，也是一樁對於科學的應用。在Coseer（一家硅谷創業公司），這些「萬事通」已經寫出了一個叫做Calibrated Quantum Mesh的全新算法，這種算法比起深度學習技術，更有利於天然語言應用。

· 數據工程師：下面介紹運用這些算法而且設計模型來解決問題的人們。在像谷歌、網飛等公司裏，這些數據工程師就是運用深度學習技術來解決那些難以想象的挑戰的人。

· 數據建模師：這多是你聽到「數據科學家」就會聯想到的一羣人。他們採用現有模型，運用相關數據來作出商業決策。好比，卷積神經網絡對圖像最有用。即便前方有光明大道，數據建模師也要不斷地解決問題，好比弄清楚哪組圖像最適合解決哪類問題。

· 數據分析師：他們的主要角色是捕獲和清除數據，這樣才能進行更高級的數據分析。乍一看，他們好像在消磨時間，可是他們的職責遠遠不止於此。有天賦的數據處理員有更大的附加價值。根據工時來看，數據分析師也是數據科學角色裏最重要的一部分。

2. 不要依賴招聘人員

若是你做爲一名僱傭經理都很難理解數據科學，招聘人員面臨的難關可想而知。 你可能有些外行，但你已經能夠應對招聘業務挑戰，並瞭解你的企業。你完成了相關研究並閱讀了上文第一部分中數據科學涵蓋的不一樣角色。與人力資源專員相比，你更有能力作出影響所在領域的數據科學決策。

3. 具體切實，靈活機變

圖片來源：unsplash.com/@joshcala

具體描述你的需求是一種很好的作法，但你要善於聆聽關於需求的建議。考慮到優秀的數據科學家難以定義，且給人帶來不少困惑，對團隊需求越具體，就越容易被理解。

同時，請記住，數據科學家每每更適應不肯定性。他們習慣於被不太瞭解他們的人管理。若是你釋放出本身開放包容的信號，他們會很樂意向你展現他們創新的一面。若是你知道全部的答案，就不會僱用數據科學家。創建普遍的網絡並保持開放的心態，每每能夠找到使人驚異的解決方案。這樣的解決方案你也許以前從未想過。

4. 不要孤立數據科學家

那篇稱數據科學是21世紀最「性感」的工做的文章還提到數據科學家從根本上想要創造。他們但願「站在橋上」——在行動的中心，觀察和應對不斷變化的狀況，並影響真正的變化。

他們不能單槍匹馬地作到這一點。他們須要合適領域的專家潤色數據。語境是將可操做的觀點與噪音分開的關鍵。確保數據科學家與產品管理、業務開發、工程部門尤爲是面向客戶的人員之間存在便捷、自由流動的溝通環境。你將得到更好的解決方案，數據科學家也會更愉快。

5. 對你的技術堆棧持開放態度

還記得咱們說過，要對需求持開放態度嗎？對技術也要一樣開放。是的，人工智能是一個了不得的工具，它正在改變企業的一切，但它不能爲每一個問題提供解決方案。像線性迴歸這樣不那麼華麗的技術，經常可讓你更快地實現解決方案，而且能夠在沒有高級人工智能的狀況下解決許多大數據問題。

若是你決定採用人工智能路線，請記住人工智能不只僅是深度學習技術。例如，若是數據是非結構化的（好比電子郵件，科學論文，圖像或音頻），或者想在不耗費大量培訓時間或費用的狀況下快速得到結果，那麼NLS（天然語言搜索）解決方案可能更適合你。

你的數據科學家都接受過培訓，有能力肯定最佳解決方案，所以要明白，那些「酷炫的」算法可能不能勝任繁重的工做。

6. 開展世界級的面試

數據科學招聘沒有「檢查清單」，但這並不全是壞事。事實上，數據科學歡迎多種創新形式。根據實際數據提出開放式問題，能夠看到數據科學家的思惟過程。這對於肯定他/她如何應對業務挑戰相當重要。

7. 管理指望

這是數據科學，不是魔術。即便用最早進的培訓和工具，新組建的團隊也須要時間來學習系統、數據結構和策略。過程進展可能沒有你想象的那麼順利。項目也可能會起步緩慢。

聽取數據科學家們就新的軟件/硬件提出的要求，並在開展任何大型項目以前給他們時間清理和組織數據。記住「冰凍三尺，非一日之寒」，在調整期結束時得到的高質量數據將升值一百萬倍。

8. 力求準確

充分理解人工智能的良性循環。一個偉大的產品會吸引用戶，用戶會在每次使用時向引擎添加數據，從而改進產品。沒有人會使用沒有結果產出的工具。有沒有想過爲何一個公司的內網搜索能力差？ 由於它從一開始就設計得很差，致使用戶使用積極性不高。沒有用戶使用它，它永遠不會變得更好。

每一個Boss都很高興看到結果，可是必定要抵制衝動，不要給新成立的數據科學團隊設定太緊迫的完成期限。沒有人但願他們推出一個沒有人會用的半成品，這會浪費每一個人的時間。

9. 記住招聘趨勢

到目前爲止，你已經組建了一支「搖滾巨星」級團隊，但這個領域正在迅速發展。 數據科學包含如此多的技能，你須要擁有一支具有不一樣專業知識的團隊。

市場對數據科學家的需求量很大，但他們扮演的角色卻不盡人意。常見的問題包括：招聘人員對數據科學家指望錯位，「辦公室政治」盛行和部分員工遭受孤立。 你能夠經過清晰的溝通，分配跨職能項目，以及爲數據科學家提供實驗空間和確定他們的創造靈感來避免這種狀況。 既然你是由於技術和創造力而選擇這些人，那就不要浪費數據科學家們的才能。你最終會獲得一個更快樂的團隊，數據科學家們積極進取的精神，會讓全部項目的發展遠超預期，對業務產生重大影響，達成共贏的局面。

10. 補充合適的夥伴關係

你不能包攬全部事情。雖然你已經聘請了一支強大的新團隊來完成繁重的工做，可是你仍然會遇到須要外援的狀況。

與供應商進行戰略性合做可讓你的工做更靈活，在其餘地方很難得到這種成效。你將遇到意料以外的問題，但供應商會在須要時爲你提供帶寬，直到你向下一個學科前沿推動。不要抵觸與多年來擅長解決不尋常的挑戰的專家合做。

綜上所述：

招聘數據科學家時，你會收到不少建議，這個過程聽起來像是試圖從一個小池塘捕魚，同時與其餘1000名漁民競爭。瞭解數據科學以及該領域有能力的人員，將爲你提供更多的支持。

爲了吸引優秀人才並讓他們樂於爲公司工做，須要有一個正確的企業文化基礎，即基本瞭解數據科學領域，明白數據科學家能帶來什麼效益，熟悉一系列亟待數據科學家解決的現實疑難問題，以及給他們提供大方向和環境方面的支持。全世界都歡迎優秀的人才，所以留住這些有能力的人是工做中面臨的最大挑戰。這包括如何與人才對話，爲他們提供解決問題創造空間。

托馬斯·達文波特和D.J.帕提爾針對企業對數據科學日益增加的需求的精闢總結：「咱們要將大數據視爲正在蓄力的驚濤駭浪，它正在造成浪峯。若是想抓住這個機會，你須要會衝浪的人。」

留言 點贊 關注

咱們一塊兒分享AI學習與發展的乾貨
歡迎關注全平臺AI垂類自媒體 「讀芯術」

（添加小編微信：dxsxbb，加入讀者圈，一塊兒討論最新鮮的人工智能科技哦～）