【摘要】细数数据科学团队中的十大关键角色应用数据科学是一项高度跨学科的团队工作，需要用多样性的角度看问题。事实上，比起专业知识和经验，观点

细数数据科学团队中的十大关键角色

应用数据科学是一项高度跨学科的团队工作，需要用多样性的角度看问题。事实上，比起专业知识和经验，观点和态度的重要性也不容小觑。以下是我对数据科学团队构成的看法。

1. 数据工程师

首先在进行数据分析之前，我们需要获取数据。如果是处理小型数据集，数据工程则有点类似在电子表格中输入数字；如果是处理更复杂的数据时，那么数据工程本身就构成了一门复杂的学科。首先你的团队中需要数据工程师获取数据，从而其他人员能够在此基础上进行分析和处理。

2. 决策者

在聘请数据科学家之前，请确保团队中有充分了解数据驱动决策的角色。决策者需要分辨哪些决策需要数据支持，并根据对业务的潜在影响确定分析程度。同时决策者需要深思熟虑，在做决定前进行全方位的思考，考虑到问题的方方面面。

3. 数据分析师

每个人都能查看数据，并从中得出见解，唯一可能缺少的是相关软件的使用技能。

学习使用R和Python等工具是对数据可视化的升级，这些工具功能更丰富，从而能够查看更多种类数据集。

1934年，"尼斯湖水怪"图

要记住，你不应该得出数据之外的结论，这需要专业培训。就像根据上面的图片，你只能说“这就是我的数据集中的内容”，而不能轻率的得出结论，尼斯湖水怪是真实存在的。

4. 专家分析师

专家分析师需要更快地查看分析数据。这里注重的是分析数据、探索和发现等技能，而不是严谨地得出结论。专家分析师能够帮助团队注意更多的数据，从而决策者能够更清晰地做出判断。

但最好不要让能编写强大代码的工程师担任这个角色，因为在这方面速度就是一切，需要尽快得出更多分析结论。因此对代码要求过高的人很难胜任这个角色。

5. 统计学家

到这个阶段，团队中已经有人对数据进行大胆探索了，下面需要有人能在探索中加入理性分析，避免团队得出无根据的结论。

例如，如果你的机器学习系统能应用于某个数据集，那么你能得出结论，在该数据集中这个系统是奏效的。那么能顺利用于生产中吗？能够进行发行吗？这时就需要其他技能来处理这些问题，即统计技能。

如果我们想在可观事实不够的情况下做出决定，那么就需要放慢速度并采取谨慎的态度，这部分就需要统计学家。

6. 机器学习工程师

应用人工智能/机器学习工程师的价值不是在于理解算法的运行原理，而是能运用这些算法而不是构建它们(那是研究人员要做的)。他们需要整理代码，从而让其运行在现有的算法和数据集中。

除此之外，机器学习工程师要能够应对失败。大多数时候你不知道自己在做什么，你通过大量的算法运行数据，在得到预期结果前会经历多次的失败，因此需要能积极地应对失败。

完美主义者很难成为机器学习工程师，因为要处理的业务问题不像课堂中那样，你无法事先把握情况，而无法马上得出预期的结果。你所做的只能反复迭代，尝试各种解决方案。

数据是机器学习工程师工作的先决条件，因此在打造数据分析团队早期，聘请数据分析师是很有必要的。

机器学习工程师在分析过程中还需要进行评估，比如解决方案是否真的适用于新的数据。同时出色的机器学习工程师要明确采用不同方法分别需要多少时间。

7. 数据科学家

数据科学家在前三个角色都能达到专家级别，具有比较全面的能力。因此在数据科学团队中数据科学家的薪资比较高。对于企业而言，如果在预算内，雇佣数据科学家是不错的选择。但如果预算不够，那么可以培养现有团队中担任单一角色的人员。

8. 数据分析经理/数据科学负责人

数据分析经理兼备了数据科学家和决策者的作用，在团队中担任领导型作用，能够保持团队不会迷失方向。

数据分析经理对团队有很大的促进作用，但是这方面的人才很少。他们经常思考的问题有“如何设计正确的问题；如何做出决定；如何最好地分配人员；什么值得做；技能和数据是否符合要求；如何确保良好的输入数据”等。如果你有幸雇用到了数据分析经理，请留住他。

9.  定性专家/社会科学家

团队中的决策者会是杰出领导者、影响者或导航者......但在决策的艺术性和科学性方面并不够。这时可以让定性专家促进决策者的工作，并补充他们的技能。

定性专家通常具有社会科学和数据背景，能够帮助决策者理清想法，多角度进行分析，并将模棱两可的直觉转化为经过深思熟虑的指令，以便团队的其他成员轻松执行。比起数据科学家，他们通常更有能力将决策者意图转化为具体的指标。

10. 研究人员

许多招聘者认为，在打造数据科学团队一开始就应该聘用研究人员，但并非如此。在团队没有成型时，即使雇佣研究人员也可能并没有合适的环境来发挥其价值。最好等到团队发展到一定程度，有合适的设备资源时再加入研究人员打造新的工具。

其他角色

除了以上提到的角色，数据科学团队中还可以加入以下角色：

· 领域专家

· 伦理学家

· 软件工程师

· 可靠性测试工程师

· UX设计师

· 交互式可视化/图形设计师

· 数据收集专家

· 数据产品经理

· 项目经理

除了前面提到的十大角色，许多数据科学项目还需要以上人员的参与。他们都有自己主攻的专业领域，在团队中是很好的补充。

大团队还是小团队？

看到这里你可能会感到压力，但在具体构建数据科学团队时，可以根据企业的自身情况而定。

这里可以把应用机器学习类比为开餐厅，如果你想开一家制作创新披萨的大型披萨店，那么就需要大型团队。你要决定做什么菜（角色2），使用哪些食材（角色3和4），在哪里获得食材（角色1），如何定制菜单（角色6），以及如何对菜品进行测试（角色5）。但如果你的目标只是制作普通的披萨，则不需要这么复杂，采用已测试过的菜单，加上食材就可以开始了。