建立您的数据科学团队以取得成功 三个关键考虑因素

2012年，“数据科学家”被公认为“21世纪最性感的工作”，因为他们预计人才需求将迅速超过供应。组织竞相在任务说明中添加“数据驱动”，数据科学家发现自己处于人才竞标战争的中心，其高昂的薪水进一步煽动了炒作的火焰。

另外，一些公司试图通过将其业务分析师或数据经理重命名为“数据科学家”来赶上大数据潮流，为负责维护相同仪表板和提取相同指标的专业人员改名。

从那时起，数据科学家在商业世界中变得越来越普遍，但是许多组织仍然误以为数据科学是解决所有商业问题的灵丹妙药。聘请数据科学家的企业常常忽略了建立最佳定位以使其成功的最佳实践。在许多情况下，这些组织将试图迫使其数据科学家成为一个职能部门，即业务分析师，数据经理，软件工程师等，而无法利用使数据科学独特且有价值的混合优势。

数据科学家是混合的：既不是完全的“业务”也不是完全的“技术”，他们结合了两者的要素以及经典科学探究的原理，从而为其所服务的组织提供独特的价值。这就是为什么我们看到数据科学家的报告结构如此多样的原因之一，他们可能会发现自己坐在IT组织中，在业务方面进行操作，或者在专门的数据科学卓越中心工作。这些组织结构中的任何一个都可以成功，但前提是领导者能够整合数据科学家角色的所有方面。只有让数据科学家拥有融合功能的能力，企业才能获得这些技能的全部好处。为此，需要考虑以下三个关键因素。

1.数据科学家寻求有影响的工作

数据科学使组织能够利用其数据来采取更具战略性的行动。为此，必须授权数据科学家创造持久的业务影响。但是，根据我们的2020年数据科学状况报告，有41%的数据科学家受访者表示，他们的团队有时或很少能证明数据科学对公司业务成果的影响。

组织可以帮助他们的数据科学家提供实际业务影响的一种方法是为他们配备必要的领域专业知识。数据科学家应该掌握有关业务活动及其运营背景的机构知识，以便他们可以更有效地运用其技能。

2.数据科学家想要探索

科学过程就是挑战公认的知识并检验新的假设，数据科学也不例外。数据科学通常以发现“未知”未知数为中心，这可以为组织探索产品或业务决策提供巨大价值。这是业务分析师和数据科学家之间的主要区别：前者用数据回答已知的业务问题，而后者检查数据以查找新的模式和要提出的问题。

为了做出有意义的发现，数据科学家需要探索的空间。实际上，数据探索是数据科学生命周期中至关重要的早期步骤，它使数据科学家能够与他们将要使用的数据保持亲密接触和个人化。该过程为他们提供了对数据中嵌入的模式和偏见的首次见解，并使他们能够在思考将要实现的查询，模型和功能时形成自己的第一个假设。当数据科学家首次提出新的问题时，他们可能并不确切知道他们的探索将把他们带到何处。实际上，这是他们技能组合的优势之一。

3.数据科学家需要创新工具

在蓬勃发展的空间的最前沿，数据科学家需要使用各种可以帮助他们进行探索而不是限制探索的尖端工具。不幸的是，太多的组织要求他们的数据科学家创造奇迹，而为他们配备的仅仅是Tableau登录名和Microsoft Excel副本。当今的机器学习工作负载既需要创新的软件，又需要功能强大的硬件。对于前者来说，开源工具已成为数据科学创新的基础，甚至传统的企业也希望采用开放源代码工具为自己的数据科学家配备最新，最强大的工具。

我们已经看到开放源代码提供商和硬件制造商之间建立了各种合作伙伴关系，以确保数据科学家不受计算能力的限制。其中一个例子就是我们与英特尔的合作关系，使数据科学团队能够在IT范围内运作，而不会牺牲企业治理或资源节约。

迈向下一阶段的数据科学

随着数据科学的不断成熟，现在是商业世界适应已建立的成熟数据科学实践的时候了。数据科学家有机会以独特的身份脱颖而出，从而在任何情况下都能推动战略转型。为了抓住这个机会，组织必须拥抱角色的混合，为他们的数据科学家提供机会，以产生真正的业务影响，探索未知因素并使用现有的最具创新性的工具。只有这样，数据科学家才能迎来数据驱动思维的新时代。