數(shù)據(jù)科學(xué)家？我是個(gè)搞數(shù)據(jù)的碼農(nóng)

有的人對(duì)數(shù)據(jù)科學(xué)家一詞可能會(huì)望文生義，可能會(huì)說(shuō)：「你這個(gè)碼農(nóng)咋還自稱(chēng)科學(xué)家了呢」。故寫(xiě)此文來(lái)給大家揭開(kāi)數(shù)據(jù)科學(xué)家這個(gè)職位的神秘面紗，也讓準(zhǔn)備入行的新人對(duì)這個(gè)職業(yè)有更清楚的認(rèn)識(shí)。

夫妻肺片不是肺片

有的人可能會(huì)疑問(wèn)，要把數(shù)據(jù)玩成怎樣才能算數(shù)據(jù)科學(xué)家呢？其實(shí)數(shù)據(jù)科學(xué)家這詞有點(diǎn)唬人，其實(shí)并不屬于傳統(tǒng)意義上的科學(xué)家。如果不好理解，那么這里打個(gè)比方：數(shù)據(jù)科學(xué)家一詞之于科學(xué)家，就好像夫妻肺片一詞之于肺片。所以當(dāng)朋友問(wèn)我做什么工作，如果對(duì)方不是專(zhuān)業(yè)人士，我一般不太敢用「數(shù)據(jù)科學(xué)家」這詞，因?yàn)楹苋菀妆徽`解。我一般都會(huì)對(duì)他說(shuō)，我是個(gè)搞數(shù)據(jù)的碼農(nóng)。

數(shù)據(jù)科學(xué)家這個(gè)職位名稱(chēng)，一般都是外企在使用。其實(shí)在國(guó)內(nèi)，很少公司用這個(gè)職位名稱(chēng)，更多的公司會(huì)用「算法工程師」或者「數(shù)據(jù)挖掘工程師」 。這兩個(gè)職位有啥不同？其實(shí)很難一句話說(shuō)清，因?yàn)椴煌緦?duì)這個(gè)職位的定位不同，下面會(huì)分別介紹。

一般來(lái)說(shuō)，算法工程師包括幾種：

1.數(shù)據(jù)算法。例如給你數(shù)據(jù)，用數(shù)據(jù)模型和各種集合模型來(lái)實(shí)現(xiàn)預(yù)測(cè)效果最大化。

2.系統(tǒng)級(jí)別算法。例如一個(gè)超100G數(shù)據(jù)訂單系統(tǒng)，如果設(shè)計(jì)一個(gè)查詢(xún)算法，使得平均查詢(xún)時(shí)間最少。

3.專(zhuān)業(yè)算法。例如去研究SLAM算法并去改進(jìn)，其實(shí)和數(shù)據(jù)科學(xué)關(guān)系很小。

數(shù)據(jù)科學(xué)家就泛了：

1.做數(shù)據(jù)建模的。利用各種深度學(xué)習(xí)機(jī)器學(xué)習(xí)的模型，去實(shí)現(xiàn)預(yù)測(cè)或者檢測(cè)。

2.做大數(shù)據(jù)處理的。其實(shí)就是data engineer，但有的公司就要起data scientist的名字來(lái)蹭熱度。

3.分析處理報(bào)表的。這個(gè)就更離譜了，把以前的analyst直接改名叫DS了，希望大家找工作時(shí)看清JD不要被忽悠進(jìn)去。

兩者的區(qū)別上，第一種算法工程師和第一種數(shù)據(jù)科學(xué)家工作本質(zhì)確實(shí)差不多，實(shí)質(zhì)差異就看每個(gè)公司對(duì)其定位。如果真要硬說(shuō)一個(gè)不同點(diǎn)，根據(jù)我的經(jīng)驗(yàn)，那就是數(shù)據(jù)科學(xué)家對(duì)溝通的需求稍微大些，需要對(duì)客戶(hù)解釋清楚自己的模型，對(duì)外部負(fù)責(zé)。而算法工程師可能更偏「添磚加瓦」，對(duì)內(nèi)部負(fù)責(zé)。其余后面的兩種，就差異大了。

如果你看中了「科學(xué)家」的title就去應(yīng)聘，那么你可能會(huì)對(duì)實(shí)際工作內(nèi)容感到失望。就好像幾年前校招里最火的「產(chǎn)品經(jīng)理」一崗，并不代表你一畢業(yè)就當(dāng)上了經(jīng)理。

數(shù)據(jù)科學(xué)家，來(lái)者何人？

那么數(shù)據(jù)科學(xué)家這一個(gè)詞是怎么來(lái)的呢？

業(yè)界普遍認(rèn)為，這個(gè)詞是由DJ Patil在領(lǐng)英時(shí)發(fā)明的[1]。2008年 Jeff Hamerbatcher 與 DJ Patil 分別在 Facebook、LinkedIn 領(lǐng)導(dǎo)全球第一支數(shù)據(jù)科學(xué)團(tuán)隊(duì)，至此數(shù)據(jù)科學(xué)越來(lái)越被廣泛流行，并應(yīng)用到公共衛(wèi)生、市場(chǎng)、金融、社會(huì)等各個(gè)領(lǐng)域。由于Facebook, LinkedIn都在舊金山（San Francisco)，所以有的人會(huì)調(diào)侃：

A data scientist a statistician who lives inSan Francisco

（數(shù)據(jù)科學(xué)家就是住在舊金山的統(tǒng)計(jì)員）

在一些公司，工程師對(duì)于大數(shù)據(jù)的處理和利用會(huì)這樣分工：

有的工程師主要做數(shù)據(jù)倉(cāng)庫(kù)建設(shè)，數(shù)據(jù)ETL（Extract, Transform, Load)等工作，他們主要關(guān)注的是基礎(chǔ)架構(gòu)能不能支持大數(shù)據(jù)的存取，怎么存取等等基礎(chǔ)性問(wèn)題，這種工作，叫數(shù)據(jù)工程（Data Engineering）。

而有的工程師，是關(guān)注數(shù)據(jù)怎么用，用什么算法來(lái)挖掘數(shù)據(jù)，用什么統(tǒng)計(jì)方法等等這種工作，為了區(qū)分?jǐn)?shù)據(jù)工程（Engineering) 的工作，這種工作就被叫做數(shù)據(jù)科學(xué)(Data Science)。

相對(duì)于的，前者一般叫Data Engineer(數(shù)據(jù)工程師)，而后者，搞science的人，那就叫Scientist吧！于是后者成了Data Scientist。英文已經(jīng)很唬人了，翻譯成中文「數(shù)據(jù)科學(xué)家」后，就離原來(lái)的意思更遠(yuǎn)了。所以，我覺(jué)得國(guó)內(nèi)稱(chēng)之為「算法工程師」更貼切。

當(dāng)然，數(shù)據(jù)科學(xué)里面確實(shí)有些科學(xué)的部分，例如用統(tǒng)計(jì)方法來(lái)解決問(wèn)題。但總體來(lái)說(shuō)，數(shù)據(jù)科學(xué)家的工作，是屬于工程領(lǐng)域，而非科學(xué)研究領(lǐng)域。

科學(xué)家？打雜工！

雖然說(shuō)是「科學(xué)家」，但做的事情其實(shí)是工程師所做的事。相對(duì)起傳統(tǒng)的軟件工程師，數(shù)據(jù)科學(xué)家做的事情可能專(zhuān)注度更低，但上下游整合的水平更高。

數(shù)據(jù)科學(xué)家的日常工作可以有多雜？

我在之前的回答（https://www.zhihu.com/question/22696468/answer/746755379）提到過(guò)，這里簡(jiǎn)要概括下：

1. 商業(yè)邏輯理解與思考（占10%時(shí)間）。
2. 數(shù)據(jù)檢查與清洗（占25%時(shí)間）。這是個(gè)很耗時(shí)又很枯燥的活。誰(shuí)說(shuō)data scientist is the sexiest job in 21st century的？檢查檢查數(shù)據(jù)的過(guò)程一點(diǎn)都不sexy。
3. 特征工程（占20%的時(shí)間）。寫(xiě)代碼，構(gòu)建特征
4. 數(shù)據(jù)建模（占5%時(shí)間）。這是花時(shí)間最少的階段。
5. 與客戶(hù),同事，或者上級(jí)溝通（占20%時(shí)間)，溝通的內(nèi)容包括：數(shù)據(jù)檢查發(fā)現(xiàn)的問(wèn)題，項(xiàng)目的進(jìn)度匯報(bào)，模型的更新，文檔的更新，給客戶(hù)演示新方案等等。
6. 寫(xiě)模型文檔，數(shù)據(jù)分析文檔等。（占15%時(shí)間)

這么看來(lái)，數(shù)據(jù)科學(xué)家既像碼農(nóng)，也像數(shù)據(jù)分析師，更像ppt制作專(zhuān)家。當(dāng)然，數(shù)據(jù)科學(xué)家最像的，還是洗碗工，別人清洗盤(pán)子，我們清洗數(shù)據(jù)。

上面說(shuō)的，僅僅只能代表我的日常工作，不敢說(shuō)所有數(shù)據(jù)科學(xué)家的工作內(nèi)容都和我一樣。因?yàn)閿?shù)據(jù)科學(xué)家這個(gè)職位，并沒(méi)有完全被定義清楚，不同公司的數(shù)據(jù)科學(xué)家可能做的事情不一樣，具體有啥不一樣？大家可以去linkedIn上搜搜Data Scientist的招聘信息，看看工作內(nèi)容和技能要求，相信這里面的多樣性會(huì)嚇你一跳。

你也想來(lái)打雜？

恭喜你看到這里，說(shuō)明你并沒(méi)有被數(shù)據(jù)科學(xué)的繁雜給嚇退，這是成為優(yōu)秀數(shù)據(jù)科學(xué)家的第一步。那么數(shù)據(jù)科學(xué)家的技能包括哪些？我之前寫(xiě)過(guò)一篇回答(https://www.zhihu.com/question/21592677/answer/1866931706)。不過(guò)有個(gè)外國(guó)的大神做了一張圖，讓我看完覺(jué)得，我還是太嫩了。

嘿嘿，被唬住了？放心，這并不是數(shù)據(jù)科學(xué)家的入門(mén)門(mén)檻。這個(gè)圖僅僅是一個(gè)超集合（superset)，也就是說(shuō)，你并不一定需要全部懂這些才能去當(dāng)個(gè)數(shù)據(jù)科學(xué)家。

如果你是從軟件工程師轉(zhuǎn)成數(shù)據(jù)科學(xué)家的，你的優(yōu)勢(shì)會(huì)多些，因?yàn)檫@依然是工程類(lèi)的職位，對(duì)基本的編程能力還是很看重。在《 數(shù)據(jù)科學(xué)家訪談錄》[3]一書(shū)中，Khan Academy數(shù)據(jù)科學(xué)主管Jace Kohlmeier說(shuō)：

“依我之見(jiàn)，如果想要成為一名出色的數(shù)據(jù)科學(xué)家，你必須也是一名出色（至少是非常高效）的程序員。”

但即使你掌握了以上知識(shí)，你也不能立刻成為一名優(yōu)秀的數(shù)據(jù)科學(xué)家。在數(shù)據(jù)科學(xué)里，最重要的是根據(jù)業(yè)務(wù)不同摸索出不同的實(shí)踐，這需要具體的商業(yè)背景或者學(xué)科背景。MailChimp首席科學(xué)家Jonh Foreman說(shuō)：

“如果你將數(shù)據(jù)科學(xué)作為一個(gè)學(xué)科，深入其中進(jìn)行調(diào)查得越多，你就越會(huì)發(fā)現(xiàn)，這個(gè)看似籠統(tǒng)的大傘下面，掩蓋了非常多的技術(shù)、數(shù)據(jù)集以及學(xué)科背景。”[3]

當(dāng)然，作為數(shù)據(jù)科學(xué)家，我們的職責(zé)是推進(jìn)技術(shù)落地，讓技術(shù)產(chǎn)生價(jià)值。那么落地能力包括哪些呢？大家可以看看，這里就不再贅述了。

恭喜你看到這里，你已經(jīng)具備了一名優(yōu)秀數(shù)據(jù)科學(xué)家必須的品質(zhì)——耐心。

所以，你真的想好要來(lái)大數(shù)據(jù)里摸爬滾打，在統(tǒng)計(jì)學(xué)的世界里打雜了嗎？

▲ 點(diǎn)擊閱讀「數(shù)據(jù)行業(yè)非完全入門(mén)指南」

參考

[ 1 ] https://observer.com/2019/11/data-scientist-inventor-dj-patil-interview-linkedin-job-market-trend

[ 2 ] http://nirvacana.com/thoughts/wp-content/uploads/2018/01/RoadToDataScientist1.png

[ 3 ] 數(shù)據(jù)科學(xué)家訪談錄. 978-7-115-47091-1. 作者: 【美】Carl Shan（單研） William Chen（陳子蔚） Henry Wang（汪強(qiáng)明） Max Song（宋邁思）. 譯者: 田原劉奕.

桔了個(gè)仔

Data Scientist，擅長(zhǎng)領(lǐng)域：風(fēng)控/反洗錢(qián)

熱衷于人工智能/機(jī)器學(xué)習(xí)/編程/科技/技術(shù)的鏟屎官