【数据科学家】数据科学家做什么的？ 这些有需求的专业人士中有 7 位提供了他们的见解

我们采访了一些担任此职位的罕见独角兽，以了解这份工作以及让他们到达那里的技能和教育。

认识数据科学家

当我们中的许多人还在上大学时，数据科学家的角色并不存在。 它是分析数据的科学和统计方法的混合体，结合了解如何使用从海量数据库中提取模式和答案的工具。 听起来沉闷？ 没那么多。 事实上，早在 2012 年，《哈佛商业评论》就将其称为“21 世纪最性感的工作”。

所以，自然地，每个人都想要一个。 但更重要的是，现在我们已深入信息时代，每个企业——无论最终产品或客户——都需要一个。

据 IBM 称，世界上大部分数据是在过去两年内创建的。 而且我们创造它的速度比以往任何时候都快：作为一个整体，我们每天生成 2.5 quintillion 字节的数据。 但是如果没有一种引导和探测它的方法，一个人更有可能被它淹没，而不是用它来做出明智的商业决策。 一个数据科学家——或他们的团队——知道如何理解那堵噪音墙，帮助公司响应客户需求和投诉，控制开支和制造，了解趋势如何影响利润，以及你可以从中挖掘的所有其他东西 前所未有的数据洪流。

问题是？ 数据科学家——如果你在街上听到这个词——和独角兽一样稀有。

好吧，我们找到了一些。 而且，一旦我们将他们逼入绝境，我们就会向这些专业的回答者提出问题。 我们学到了东西。 也就是说，物理学——甚至天体物理学——在这里被使用，工作很混乱，即使是制鞋商也有大量数据，即使你对大量数据提出大问题，仍然需要有人来决定做什么。

继续阅读以认识其中一些性感的独角兽。

Meggie von Haartman

梅吉·冯·哈特曼 (Meggie von Haartman) 在这个头衔出现之前就一直是一名执业数据科学家。 她拥有工业工程博士学位，专攻优化和运筹学，在担任目前的职位之前，她在硅谷的一家初创公司工作了太多时间，在那里她愉快地构建数据模型以帮助 Efinancial 实现其营销目标。 “在某个时候重塑品牌是有意义的，”她谈到自己的头衔时说。

我们这些不是数据科学家的人往往不知道一件事？ “数据科学很混乱，”她说。 她的大部分时间都花在打扫卫生上。 “我 20% 的时间花在了实际的数据建模和科学上。 另外 80% 是数据清理和获取。”

不处理数据时，她喜欢自己做一些研究。 “我目前正在研究培养快乐孩子的最佳方法。”

她最近读的书？

每个人都在说谎：大数据、新数据以及互联网可以告诉我们的真实身份塞思·斯蒂芬斯-戴维多维茨 (Seth Stephens-Davidowitz)

在她的杯子里？

比利时特拉普啤酒。 “我最喜欢的是奇美，”她说。 “为了喝啤酒，我去过奇梅小镇两次，后者是从巴黎绕行三个小时的路线。”

安东尼罗斯

从 Anthony Rose 的角度来看，为粒子物理学处理数据与在机场叫优步所面临的数据挑战并没有太大区别。

在优步，他管理着一个数据科学家团队，专注于改善机场、大型活动和郊区等具有挑战性的地方的乘车体验。 他们与工程和产品团队密切合作，处理从统计分析、数据可视化、实验、机器学习和建模在内的一切事情。“我们拥有大量数据，”他说。 “如果有足够的时间，我们可以提出大量有趣的问题。”

这与他为获得粒子物理学博士学位所做的工作没有什么不同。 他在欧洲核子研究中心 (CERN) 的大型强子对撞机进行博士后研究，致力于希格斯粒子的发现、寻找新物理学以及其他涉及大量数据和复杂答案的巨大问题。 “这种工作很好地映射到我在工业界所做的事情，”他说。 “具有隐藏信号、实验设计以及大量统计数据和编码的大数据集。”

Danielle Dean

对于丹妮尔·迪恩 (Danielle Dean) 而言，数据科学始于心理学。 “我攻读了博士学位。 在定量心理学中，因为我对如何使用数学和统计学来大规模研究个人行为很感兴趣。”

这听起来很像我们现在所说的数据科学。 “我学会了如何思考数据测量、分析和可视化，并使用技术——编程语言和工具——来实现它，”她说。 这非常适合她在微软人工智能和研究小组的工作，在那里她领导着一个跨学科团队——有来自物理学、海洋学、计算机科学、统计学和神经科学的代表——数据科学家和工程师构建预测分析 和机器学习解决方案。

“这是一个有趣的角色，因为我既可以与客户一起构建自定义分析解决方案，也可以与产品团队合作以确保产品随着时间的推移得到改进，以便我们可以继续解决更大的问题。”

布拉德莫加特

Morgart 在 Booz Allen 的团队分析不动产和基础设施投资组合，以帮助客户确定资金需求并告知他们的决策。 “基础设施和房地产资产的维护成本非常高，”他说。 “我们的团队使用数据分析来支持我们的客户进行高效的资产管理。”

Morgart 长期以来一直在做这种数据分析。 但在过去一年左右的时间里，他的客户越来越希望利用许多大型数据集来做出决策——通常需要快速的周转时间。 这促使他和他的团队超越了 Microsoft Excel 和 Access to SQL、Python 和 R 等传统工具。

“受到这种需求的刺激，”他说。 “我抓住了这个机会，接受了 Booz Allen 提供的额外培训，成为了一名数据科学家。” 该公司长期以来一直致力于培养一流的数据科学团队，最近推出了帮助分析师向数据科学家转型的基础课程。

他最大的工作挑战是解释客户请求，因此他的团队可以提供有意义的分析。 “您可以使用高级分析工具快速处理和分析大量数据，但您仍然需要了解客户的使命和目标。 分析是我们工作的很大一部分。 但它最终是一种为我们的决策提供信息的工具。”

丽莎伯顿

丽莎·伯顿 (Lisa Burton) 为处于早期阶段、女性领导的媒体和科技初创公司管理温室。 “我们的团队寻找并投资于公司。”

她的博士学位是机械工程，专注于数据驱动的数学建模，这是迈向数据科学的自然步骤。 “当我毕业时，”她说，“数据科学才刚刚开始蓬勃发展。 但当我了解到公司希望从数据科学家那里得到什么时，我很快意识到这就是我喜欢我的研究的一切。”

因此，刚从研究生院毕业，她就成为了奥斯汀一家广告技术初创公司的第一位数据科学家。 她喜欢它。 她使用数据来优化付费搜索广告的出价，以自动化和改进流程。 从那里，她去了一家移动支付初创公司，然后作为一名独立的初创公司数据科学顾问独立出来。 在那里，她遇到了一位客户，这位客户最终成为了她在一家使用社交媒体数据帮助品牌了解客户的公司的联合创始人。

她将所有这些经验带到了她目前的角色中。 “我们遇到了最不可思议的创始人和公司，”她说。 但她在第一份工作中学到的一件事影响了此后的一切：我了解到能够向广大受众传播数据科学并让他们兴奋并接受是非常重要的。 这适用于我从那以后所做的一切。”

尼廷马延德

Mayande 一直对网络及其运作方式着迷。 但在他获得电子和电信学位后，他想学习天体物理学。 在申请研究生院时，他曾在印度的一家工程公司工作。 “我注意到我一直想实施最好的技术解决方案，但管理层总是选择技术上较差但花费更少时间的解决方案。” 这让他对决策科学产生了兴趣，并改变了路线。 他没有攻读天体物理学，而是攻读了工程管理博士学位。 “我挖掘得越深，就越意识到——无论网络的类型是什么——工程、天体物理学或管理——解决方案都是关于它的结构。 这最终让我成为了一名数据科学家。”

如今，Nitin 创建了支持 Nike 重大产品规划决策的预测。

他还想纠正对数据科学家的误解。 “人们认为我们把所有的时间都花在了构建复杂的算法上。 但我们的大部分时间都花在了清理数据以使其成为可用格式上。” 一旦一切正常，分析就会立即发生。 “但要达到这一点需要大量的细节工作和解决问题。”

叶钊

作为一名在 Spotify 的新自助广告平台 Ad Studio 工作的数据科学家，Ye 寻找见解来帮助音乐公司做出产品决策。 这本质上是流媒体音乐公司的营销工作。 但叶一开始是一名物理学家。

她一直对物理感兴趣，在学术界做物理研究，甚至有一颗以她名字命名的小行星来证明。 她是怎么进入 Spotify 的？ “我觉得数据科学采用了物理学的严谨和技术部分，并将其应用于一个引人入胜的话题：人类行为，”她说。

她将寻找小行星的物理学家所具备的所有令人讨厌、喜爱泰迪熊的创客精神带到了她在音乐公司的工作中。 “我们在一个由 2000 个 LED 组成的定制 LED 阵列上进行了物理数据可视化，以可视化美国 Spotify 上的流媒体数据。 这是硬件、后端和数据工作的良好结合。 我们在黑客周期间做到了。”