不是每个人都能“理解”数据科学家的角色——包括管理层。虽然数据科学家有令人沮丧的地方，但是有很多有效的方法可以解决它们。
这是我个人的观察，但我相信你们很多人读了这篇文章，都会有同样的感受，我是一名数据科学家，我喜欢我的工作，因为我认为它涵盖了各种相互依存的领域，丰富而刺激。然而，我有时不得不面对那些，不完全了解组织中这个角色的人，也不了解这个领域的一般情况。说实话，这让我和我认识的很多人，都有点沮丧，在你继续读下去之前，我要说的是，我并不是要阻止任何人，追求这个角色。我只是在陈述一些行业中普遍存在的消极方面，以及避免这些消极方面的可能解决方案。
有些人根本不明白你在做什么，甚至懒得解释！
原则上，这很好。我也不了解大多数其他人的所作所为。但是，我没有得到的是某些团体完全缺乏兴趣和好奇心，无法了解您在帮助他们时所做的事情。例如，我并不是说他们应该获得神经网络的所有算法细节，但至少，他们应该了解您的方法以及解决问题的方式。有时，好像您被委派了没人关心的痛苦，肮脏的任务。除非您完成某些项目经理的工作，否则他们对您的工作零兴趣。我认为这些想法使管理达到了一个全新的水平。
哦!你是数据科学家吗？你一定对数字真的很好。您为什么不看看我的文件并整理数据？我听说您的“python”东西可以迅速弹出魔术。在这里，播放我的文件，完成后来看我。
-该怎么办？为了使每个人都在同一页面上，一种解决方案是为没有技术背景的团队提供培训和意识。这通过内部研讨会，认证或MOOC订阅进行，涉及广泛的技术主题，例如机器学习，深度学习或NLP的入门讲座。在这些领域积累知识时，队友变得更加积极主动，并更加参与到构建过程中。项目经理也意识到了挑战。
数据科学家仍被视为推销提案的营销工具
嗯，十年前这个领域开始出现时，这种方法就非常有效，而Hadoop和Spark一词遍地都是。您可以堆叠所有您知道的流行语，并希望进行大检查（它确实起作用了！）。
现在已经不是年了。现在，公司会密切注意您愿意出售的产品。他们了解市场，竞争对手和挑战。他们已经彻底扫描了几乎所有内容。他们也知道什么是可行的，什么不是。如果您没有脱颖而出，并且对自己的价值主张和数据科学团队可以带来的技术专业知识不够清楚，那么您很可能会失去这笔交易。
当然，尽管有所有这些，但是总会有一些穿着西装的家伙做出这种鼓舞人心的声明：
让我们到处乱扔一些数据科学，以增强我们的实力，并使客户付出巨额资金！
那不漂亮吗？
-该怎么办？不要像数据科学家会彻底改变和破坏您的组织那样行事。市场开始了解局限性。与市场保持一致。
您不应该成为没有为它的工作赢得足够荣誉的小手。
我们都知道这种感觉，而且很糟糕。您努力工作时会破产，其他人会介绍您的结果并获得全部功劳。当您与业务合作伙伴协作在数据科学团队中工作时，这种情况在任何地方都很普遍，甚至发生得更多。
如果您对团队有价值，那么您的同事自然应该让您在利益相关者面前大放异彩。然后会听到您的声音并参与决策过程。
但是，如果您觉得自己被当作可互换的资源来对待，或者放在阴影下为讲话的人提供数字，也许是时候重新考虑您的立场了。
-该怎么办？构建数据产品时，每个人都很重要。这不仅是我们告诉自己的声明。它必须在我们的会议，演示和日常关系中实现。
数据科学家无法应要求提供见解
好吧，听起来很诱人，但这并不像我们想的那么容易。仅仅因为我们配备了这些工具，并不一定意味着您可以期望立即获得可行的结果。这需要建立有关业务的知识，建立正确的直觉和假设。这需要时间，这是一个学习过程。
让我们处理数据并使之说话。
-该怎么办？接受数据科学家必须花费大量时间来了解业务并建立自己的直觉这一事实。这是通过采访组织中的不同参与者，对数据进行各种分析，进行试验，失败以及获得持续的建设性反馈来进行的。如果您还想为您的数据科学团队提供最佳条件，请确保至少具有干净的带有清晰说明的数据管道。
数据科学家不能成为每个与数据相关的问题的专家
对于数据科学家的角色仍然存在强烈的误解。不仅非技术主管，而且其他技术同事都认为，数据科学家了解Spark，Hadoop，SQL，TensorFlow，NLP，AWS，生产级应用程序，泊坞窗等的处理方式。掌握这些工具真是太好了，但是这个过程需要几年时间和很多经验。
如果您是一名数据科学家，并且您正在申请一家在一个应用程序中提及所有这些高科技词汇的公司，请仔细检查该公司。它可能对其数据策略缺乏清晰的愿景，也没有对其招聘角色的明确定义。
我们需要解决数据问题。让我们聘请数据科学家。
-该怎么办？数据科学家并不一定总是解决您的数据问题的最终方法-雇用前仔细检查。也许您需要的是数据分析师或后端开发人员。数据科学家不是掌握一切的忍者。
对于想要建立强大的数据团队的人的专业建议
如果您希望您的团队成功构建任何您打算构建的东西，请确保您拥有互补的技能。
在交付级别：
数据科学家可以构建复杂的机器学习模型，进行复杂的分析，并根据指标制定业务需求。数据工程师可以构建强大的数据管道，以使数据科学团队可以随时清洁和访问数据ML/AI工程师：这是该领域出现的新角色。我将其视为数据科学家和数据工程师之间的混合配置文件。实际上，这是一位数据科学家，他不仅要建模，还要考虑部署方面。例如，他解决的问题是：如何使模型可扩展？如何正确地对我的应用程序进行docker化？如何确保推理时的低延迟？等等前端和后端开发人员将构建集成和打包机器学习逻辑的Web应用程序。他们处理代码质量，健壮性，安全性，设计，稳定性，构建API等问题。数据科学家可以找到构建小型Web应用程序的方法，但请记住，这不是他的专业知识。如果您想要专业的移动或Web应用程序，请雇用一组开发人员。在管理级别：
数据科学经理：这些是管理团队中最技术性的配置文件。他们监督数据科学团队，并确保他们做出正确的（建模）决策。项目经理：他们确保按时完成任务。他们发现阻塞问题并直接与企业或客户进行交互。首席数据官（CDO）：这是最高管理职位。他的目标是在组织内部注入文化，寻找项目并建立业务。这是基于对讨论的汇总以及来自朋友和同事的一些反馈。
转载请注明：http://www.baoshijiec.com/ylls/15785.html
