“數(shù)據(jù)科學家”這一職位的說法或許性感，但發(fā)展到現(xiàn)在，多種職能(機器學習、統(tǒng)計分析等)已經(jīng)遠不能囊括一家大規(guī)模公司在數(shù)據(jù)科學領(lǐng)域需要的人員及其工作內(nèi)容了。

本文作者Elena Grewal是Airbnb數(shù)據(jù)團隊的主管，下面她以在Airbnb的工作經(jīng)驗為例子，自述了為滿足業(yè)務(wù)需求，公司如何將數(shù)據(jù)科學的工作重新定義為分析、推理和算法三個方向，以及這三個方向是如何發(fā)揮作用的。

 

 

數(shù)據(jù)科學家的其他名字

Airbnb一直將數(shù)據(jù)視為用戶的聲音。起初，我們的團隊叫做“A團隊”，即分析團隊，因為最早我們雇了一名“分析專家”。2012年，我以“數(shù)據(jù)科學家”受聘。隨后，我們聘請了一名“數(shù)據(jù)架構(gòu)師”來處理數(shù)據(jù)質(zhì)量問題，“數(shù)據(jù)分析專家”解決數(shù)據(jù)訪問和數(shù)據(jù)工具的缺失。

此后，我們存在額外的機器學習需求，于是我們聘請了“機器學習方向數(shù)據(jù)科學家”。這些頭銜都是伴隨著團隊需求和競爭發(fā)展更新得出。到2015年，我們成立了“數(shù)據(jù)科學”部門，但我們依舊使用“A團隊”的名字，因為這個名字聽著有趣，還能傳達我們所珍視的這段歷史。

2017年中，我成為了數(shù)據(jù)科學部門的領(lǐng)導者，那時我們已經(jīng)有約80名數(shù)據(jù)科學家，他們分散在不同的團隊中。他們中的一部分人在構(gòu)建項目儀表盤，一部分人在創(chuàng)建NLP(自然語言處理)模型，其他人在構(gòu)建決策建模和設(shè)計實驗。呈現(xiàn)一種極具多樣化的景象。

快速增長的新興學科

這種多樣化并非是意料之外的。數(shù)據(jù)科學相對較新，而且發(fā)展迅速。我們從數(shù)據(jù)中就發(fā)現(xiàn)了這點。首先，從內(nèi)部來看，應(yīng)聘Airbnb數(shù)據(jù)科學職位的人數(shù)在2015到2018年里增長了4倍之多。

 

應(yīng)聘Airbnb數(shù)據(jù)科學職位

 

此外，根據(jù)谷歌趨勢數(shù)據(jù)顯示數(shù)據(jù)科學的查詢量在此期間也出現(xiàn)了快速增漲：

 

從2012年開始出現(xiàn)增長，在過去了6年已經(jīng)翻了4倍。

 

不僅因為數(shù)據(jù)科學是一個新的領(lǐng)域，而且人們對“數(shù)據(jù)科學”的理解也各有千秋。有時候，他們認為數(shù)據(jù)科學有時僅僅是機器學習。有時候，它在技術(shù)公司被視為商業(yè)智能。數(shù)據(jù)科學還很新，它會不斷演進。

認識多樣化的數(shù)據(jù)科學技能

我們發(fā)現(xiàn)無法預期數(shù)據(jù)科學能夠發(fā)揮什么樣的作用。

在公司內(nèi)，多樣化的負面影響會導致組織陷入迷失或混亂狀態(tài)，因為合作團隊不知道數(shù)據(jù)科學家可以幫上什么，并且數(shù)據(jù)科學家也不明白自己的角色定位。

那些來自數(shù)據(jù)科學建模公司的人，不會想著使用數(shù)據(jù)科學去做簡單的分析。那些來自數(shù)據(jù)科學分析公司的人會認為，建模是工程師的工作。

我們還面臨另一種挑戰(zhàn)：團隊中做數(shù)據(jù)分析工作的人員感到自己的工作沒有做機器學習工作的有價值，即便他們的工作對業(yè)務(wù)起到了關(guān)鍵作用。商業(yè)伙伴渴望更多具有實操性的建議幫助他們做決策，并擴展可使用的工具去理解自己的數(shù)據(jù)。

我們投資了數(shù)據(jù)教育，成立了非常有名的數(shù)據(jù)大學，但還是需要專家。我們發(fā)現(xiàn)一個原因是當團隊成員承擔了“數(shù)據(jù)科學”職責的時候，我們?nèi)耘f使用“數(shù)據(jù)分析專員”的頭銜。同時，從我們?nèi)绾握務(wù)?ldquo;數(shù)據(jù)科學工作”來看，這會給人一種“分析工作并非同等重要”的印象。

我和同行公司的領(lǐng)導者討論過他們團隊如何處理這類問題——我曾經(jīng)創(chuàng)建了一個不同組織架構(gòu)的共享電子表格。聽到過有的公司是從頭開始建立新的分析團隊，有的團隊將機器學習獨立拆分，有的將工具團隊并入數(shù)據(jù)科學等等。

顯然，不存在一種通用方法，但關(guān)鍵是如何有意識、有策略地定義我們是誰，我們?nèi)绾蝿?chuàng)造價值。我們深知我們的目標是“任務(wù)支持”，例如，做公司最需要的工作。因此，我們的角色不僅兼顧個體化和闡明期望，更需要與公司當前的需求相匹配。

解決方案：數(shù)據(jù)科學工作的三種風格

我們決定根據(jù)這三個方向來重新定義數(shù)據(jù)科學職位。 我們需要正確描述我們要尋找的東西，這樣才能吸引來自相關(guān)領(lǐng)域的人才。

分析追蹤(Analytics track)非常適合那些擅長提出問題的數(shù)據(jù)科學家，他們能夠正確地對數(shù)據(jù)進行提取、探索，然后用儀表盤和可視化工具進行自動分析，能夠通過給出合理建議來推動商業(yè)決策。

算法追蹤(Algorithms track)則是為機器學習專家準備的，他們熱衷于在產(chǎn)品設(shè)計和運營流程中加入數(shù)據(jù)思維，然后為商業(yè)行為創(chuàng)造價值。

推理追蹤(Inference track)則是針對統(tǒng)計學家、經(jīng)濟學家和社會學家的，他們能夠利用統(tǒng)計學只是來提高決策效率，并正確衡量我們工作造成的影響。

 

 

團隊中的每位數(shù)據(jù)科學家都應(yīng)至少具備以上提到的一個領(lǐng)域的專業(yè)知識，并根據(jù)業(yè)務(wù)需求和自身興趣獲取其他領(lǐng)域的技能。每個步驟都可以進一步專業(yè)化，但每個人都有“數(shù)據(jù)科學家”的頭銜，下面我們給出更加清晰的描述。

讓我們先來看另一門學科，比如工程學。工程學里面有一個簡便的劃分：“前端”和“后端”，這可以幫助我們來了解一個人的技能或?qū)ｉL。我知道這并不是一個完美的劃分，但是它的確比單純地描述為做“工程”要更加容易理解。在數(shù)據(jù)科學中我們還做不到這樣簡單的描述，但是這將是我們的發(fā)展方向。

 

 

未來展望

我們也對績效評估標準進行了調(diào)整，來反映崗位的結(jié)構(gòu)。我們有不同層次的數(shù)據(jù)科學家和經(jīng)理。我們通過考察他們在業(yè)務(wù)上的影響來評價是否成功。

對于技術(shù)方面的數(shù)據(jù)科學家，我們的評價體系包括以下主要方面：

技術(shù)層面

•   分析-定義并監(jiān)控指標，進行數(shù)據(jù)的描述性分析，并構(gòu)建工具來推動決策

•   算法-為數(shù)據(jù)產(chǎn)品構(gòu)建算法，并能夠進行解釋

•   推理-采用統(tǒng)計學知識來簡歷因果關(guān)系

•   基礎(chǔ)-每個數(shù)據(jù)科學家都要為數(shù)據(jù)質(zhì)量和代碼質(zhì)量負責任(對于所有方向都適用)

商業(yè)層面(對于所有方向都適用)

•   所有權(quán)-能夠推動項目取得成功，并為其他人創(chuàng)造影響力

•   影響力-溝通清晰，有團隊精神，能夠建立良好關(guān)系

•   豐富性-通過指導、招聘、創(chuàng)建企業(yè)文化和其他多樣性的行動來為團隊建設(shè)做出貢獻

我們還可以寫很多的內(nèi)容，但是最重要的是我們明確地改變了數(shù)據(jù)科學家的評價體系來闡明對他們的期望。

什么時候需要專業(yè)化

Airbnb企業(yè)比較大，因此需要對這些問題進行區(qū)別對待然后細分。如果是一些小公司，還在考慮是否需要組建專家團隊的時候，我的建議是先面向綜合性的問題。

能夠在早期解決一些迫切問題是非常有幫助的，我們不應(yīng)該一開始就深入到嚴格專業(yè)化中。隨著時間的推移，后面自然會進行專業(yè)化，但是一開始還是綜合性的團隊比較好，除非你已經(jīng)提前看到了商機。

直到2015年我們都沒有進行專業(yè)化團隊的建設(shè)，那時候我們部門只有30個人。

 

 

而且，隨著業(yè)務(wù)需求的變化，我們還需要隨時改變團隊的角色，提供不同的功能。

收獲利潤

哪怕是在專業(yè)程度較高的今天，在不同方向上的數(shù)據(jù)科學家依然需要從事其他類型的工作，而且我們也鼓勵團隊成員成為全才。

總的來說，我們這樣做之后能夠減少混淆。我已經(jīng)聽到合作伙伴說“我們需要具有邏輯推理和專業(yè)算法知識的人才”。因此語言對于溝通業(yè)務(wù)需求非常有用。

這有助于我們找出差距。我最近與一位產(chǎn)品經(jīng)理聯(lián)系，她非常擔心團隊中沒有人能夠提出創(chuàng)新的方法來在挑戰(zhàn)性的領(lǐng)域中進行試驗。

我立即診斷出其中的問題：在那個特定的數(shù)據(jù)科學團隊中，沒有一位具有專業(yè)推理知識。這樣我們就可以通過下一次招聘來精準引進，或鼓勵團隊成員向其他推理專家學習。

我們很高興聽到從事分析工作的團隊成員不再感到疏遠或低級。分析專家知道如果他們再嘗試將機器學習應(yīng)用于正在處理的業(yè)務(wù)問題，影響工作的因素將減小。

希望這次分享能夠為你提供一些想法!

如果求職者都用模糊的“數(shù)據(jù)科學”頭銜來應(yīng)聘，招聘是非常困難的，因為這可能有多重含義。如果所有的公司都用相似的框架招人，那么對于整個數(shù)據(jù)科學界來說，傳遞價值更加便捷了。

你的數(shù)據(jù)團隊建設(shè)是否也面對著類似的問題?清華數(shù)據(jù)科學研究院正聯(lián)合大數(shù)據(jù)文摘進行《頂級數(shù)據(jù)團隊建設(shè)報告》的調(diào)研。畫5分鐘幫我們填寫一份問卷調(diào)研，9月份你將通過郵箱收到2018年《頂級數(shù)據(jù)團隊建設(shè)全景報告》完整版PDF，包含此次問卷全部數(shù)據(jù)分析、2018上半年數(shù)據(jù)類招聘信息分析、頂級機構(gòu)數(shù)據(jù)團隊負責人訪談等內(nèi)容。

標簽： 大數(shù)據(jù) 代碼 谷歌 數(shù)據(jù)分析

版權(quán)申明：本站文章部分自網(wǎng)絡(luò)，如有侵權(quán)，請聯(lián)系：west999com@outlook.com
特別注意：本站所有轉(zhuǎn)載文章言論不代表本站觀點！
本站所提供的圖片等素材，版權(quán)歸原作者所有，如需使用，請與原作者聯(lián)系。