盡管近些年人工智能進入了大眾視野，也做了相當程度的宣傳，但沒有多少人能夠將人機互動達到最佳平衡。Dataiku最新的白皮書強調的是數(shù)據(jù)科學項目中的協(xié)作，它使整個數(shù)據(jù)團隊能夠更有效的探索、原型化、構建并交付他們自己的數(shù)據(jù)產品，同時有助于找出數(shù)據(jù)團隊可能存在的問題。想要獲得成功的企業(yè)，至少要在2018年余下的半年時間去解決這些問題。

數(shù)據(jù)項目&數(shù)據(jù)科學項目

與數(shù)據(jù)科學項目不同的是，數(shù)據(jù)項目僅僅是目標為建立更具分析深度的項目。打個比方，一個營銷歸因模型，它的目的是為了觀察分析營銷策略；一個運輸行業(yè)中的預測性維護項目，嘗試預測在不同地點更換零件的需求。

不過這些項目通?？梢岳孟鄬唵蔚慕y(tǒng)計模型結合行業(yè)經驗解決。數(shù)據(jù)項目之所以能成為數(shù)據(jù)科學項目，需要利用更先進的機器學習方法，分析結合系統(tǒng)中添加潛在的、非存量的附加數(shù)據(jù)（如使用數(shù)據(jù)、點擊數(shù)據(jù)、傳感器數(shù)據(jù)、社會數(shù)據(jù)等等）。

在數(shù)據(jù)科學項目中，數(shù)據(jù)科學家和數(shù)據(jù)分析師之間就相互依存，前者關注的是潛在的新數(shù)據(jù)源和新的預測模型，數(shù)據(jù)科學家的模型和數(shù)據(jù)被數(shù)據(jù)分析師打包分析，統(tǒng)籌處理。

應該聘請什么樣的數(shù)據(jù)科學家？

不同的數(shù)據(jù)科學家有不同的優(yōu)勢，就像文學家，不是豪放派的就比婉約派的高級，選擇不同的數(shù)據(jù)科學家完全取決于一家企業(yè)正在攻關的課題或項目。

擁有博士學位的數(shù)據(jù)科學家并不好招（跟別提薪資要求高），因為其中80%的人都被谷歌挖走了，從另一個角度說，他們也許也不適配于你的企業(yè)需求。

Dataiku的白皮書將數(shù)據(jù)科學家分為七類：傳說型、全能型、統(tǒng)計專家、二把刀型、ML工程師、垂直領域專家、明星級數(shù)據(jù)經理?？v然他們都有相同的職稱抬頭，但是必須理解和承認各種數(shù)據(jù)科學家都是有其作用，在不久的將來，不同專業(yè)類型的數(shù)據(jù)科學家會有不同的抬頭，也許就在明年有望成為一個新的趨勢。

為什么很多數(shù)據(jù)科學家會辭職？

美國Glassdoor公司（美國的一家企業(yè)點評與職位搜索的職場社區(qū)平臺）提名數(shù)據(jù)科學家為2018年美國最佳工作，Linkedln（全球知名職場社交平臺）則將數(shù)據(jù)科學家列入最佳工作的top10。但是與此同時，英國《金融時報》將數(shù)據(jù)科學家放在“尋找新工作”榜單榜首的位置。

其實仔細想想就能明白個中三味。

企業(yè)對數(shù)據(jù)科學家的需求很強烈，數(shù)據(jù)科學家們很容易就能夠找到待遇更好的公司，一定程度上意味著他們很難長期在一個地方。這也涉及到他們工作幸福感的問題，大多數(shù)人都不會傾向于頻繁更換工作，但是由于這個職位相對較新，很多公司不知道該怎么做去留住這些最重要且最前沿的角色。

一個數(shù)據(jù)經理想離職有很多原因。作為企業(yè)的管理者，需要確保數(shù)據(jù)團隊不被其他團隊孤立，開放的工作環(huán)境，保證溝通無礙；通過想其他團隊展示數(shù)據(jù)團隊的豐富內容，讓他們了解數(shù)據(jù)團隊在一個項目中的意義，能夠做什么來幫助改進流程或產品從而推動項目進程。

除了技術之外，溝通技巧也是重要一環(huán)，你肯定也不希望數(shù)據(jù)科學家通過Excel去推銷業(yè)務，數(shù)據(jù)科學家要會通過數(shù)據(jù)講故事，多角度縱橫分析。企業(yè)主招聘時要考量數(shù)據(jù)科學家的PPT能力。

每個行業(yè)都是成王敗寇，知道讓企業(yè)員工凝合聚力做到利益最大化，自然能封王拜相。不過這不僅僅是企業(yè)需要做的，數(shù)據(jù)科學家們的工作同樣不可或缺，發(fā)揮自己的特長幫助企業(yè)完成好項目，能夠與時俱進持續(xù)成長不故步自封，不斷提高工作幸福感。

非協(xié)作不成功

自2017年《福布斯》表示數(shù)據(jù)科學世界必須通力協(xié)作以來，這個觀點至今風靡。數(shù)據(jù)團隊協(xié)作模型的支持者提出各種論據(jù)來證明其效率及有效性，但是協(xié)作背景下，同時也意味著存在著很多誤解和矛盾。以下是關于數(shù)據(jù)科學協(xié)作的常見觀念：

-協(xié)作意味著數(shù)據(jù)科學家之間可以進行工作劃分；

-協(xié)作意味著工作可以依著更多初級和更高級的資源進行劃分；

-協(xié)作意味著工作可以仰賴團隊中不同的角色進行劃分；

這是迄今為止最有效率的數(shù)據(jù)科學項目協(xié)作辦法。

因為數(shù)據(jù)科學項目中的某些部分更適合數(shù)據(jù)分析師去做：數(shù)據(jù)挖掘和整理。一旦他們完成這部分的工作，處理預測或負責機器學習的工作才能繼續(xù)。

這意味著數(shù)據(jù)分析師和數(shù)據(jù)科學家能夠更大的發(fā)揮作用，因為他們不需要對整個項目負責，可以同時多線操作，服務于多個不同的項目。

在一些組織當中，同時承接的數(shù)據(jù)科學項目很多，在這種情形下，一個組織中的數(shù)據(jù)科學家數(shù)量可能成為一個限制因素——不可能每個項目都配備一個數(shù)據(jù)科學家。

基于以上，為了持續(xù)獲得收益，數(shù)據(jù)科學家和數(shù)據(jù)分析師之間的協(xié)作自然也變得尤為普遍。

我的公司是否能部署+管理多個預測模型？

-首先對標已經完成的組織，尤其是那些同一行業(yè)或者同類型的數(shù)據(jù)科學項目的組織。

-再問問自己，部署這些預測模型對你的企業(yè)意味著什么？（例如，是否意味著內部儀表板暴露給企業(yè)內的其他團隊，是否將推薦引擎暴露給了客戶？）明確答案后再確定后面的問題。