數(shù)據(jù)科學(xué)家：為什么我要離職？

作者  Jonny Brooks-Bartlett

編譯  Mika

本文為 CDA 數(shù)據(jù)分析師原創(chuàng)作品，轉(zhuǎn)載需授權(quán)

我是一名數(shù)據(jù)科學(xué)家。很多人都認(rèn)為數(shù)據(jù)科學(xué)家是21世紀(jì)最性感的工作，作為數(shù)據(jù)科學(xué)家有豐厚的薪資，這無(wú)疑是一份理想工作。該領(lǐng)域聚集了大量高精尖人才，他們熱衷于解決復(fù)雜的問題，而且熱愛他們的工作。

然而事實(shí)上根據(jù)英國(guó)《金融時(shí)報(bào)》的報(bào)道，數(shù)據(jù)科學(xué)家通?！懊恐軙?huì)花1到2個(gè)小時(shí)尋找新工作”。此外，文章還指出：“在聲稱尋找新工作的開發(fā)者中，機(jī)器學(xué)習(xí)專家位居第一占比達(dá)到14.3％。數(shù)據(jù)科學(xué)家緊隨其后，為13.2％。“這些數(shù)據(jù)來(lái)自由Stack Overflow對(duì)6萬(wàn)4千名開發(fā)者的調(diào)研。

對(duì)此我深有體會(huì)，最近我剛換了新的數(shù)據(jù)科學(xué)工作。

為什么有那么多的數(shù)據(jù)科學(xué)家在找新工作呢？

在回答這個(gè)問題之前，我想聲明的是我仍然是一名數(shù)據(jù)科學(xué)家?？傮w而言，我熱愛這份工作，我也不想阻止那些想成為數(shù)據(jù)科學(xué)家的人，因?yàn)檫@份工作有趣，刺激而有價(jià)值。本文的目的是向你們介紹這份工作背后不那么光鮮的一面。

從我看來(lái)，數(shù)據(jù)科學(xué)家主要出于四個(gè)原因?qū)λ麄兊墓ぷ鞲械讲粷M。

# 1. 期望與現(xiàn)實(shí)不符

我認(rèn)識(shí)的許多初級(jí)數(shù)據(jù)科學(xué)家（包括我自己）入行都是由于，在我們看來(lái)數(shù)據(jù)科學(xué)家使用信心的機(jī)器學(xué)習(xí)算法去解決復(fù)雜問題，從而對(duì)業(yè)務(wù)產(chǎn)生巨大影響。我們會(huì)覺得這份工作比之前做的任何工作都重要。但是，情況往往不是如此。

在我看來(lái)，期望與現(xiàn)實(shí)不符是許多數(shù)據(jù)科學(xué)家離職的終極原因。當(dāng)中具體有很多原因，在此我不能一一列舉，這里只舉出我所遇到的情況。

每家公司情況不同，不能一概而言，但是據(jù)我所知許多公司在聘請(qǐng)數(shù)據(jù)科學(xué)家時(shí)，并沒有配備適當(dāng)?shù)幕A(chǔ)設(shè)施，讓其能夠從AI中得出有價(jià)值的結(jié)論。再加上這些公司在招聘初級(jí)數(shù)據(jù)從業(yè)人員之前，并沒有聘請(qǐng)經(jīng)驗(yàn)豐富的資深數(shù)據(jù)專家，這樣就會(huì)導(dǎo)致雙方關(guān)系不融洽，無(wú)法達(dá)到互相期望值。

數(shù)據(jù)科學(xué)家希望在工作中，通過編寫智能機(jī)器學(xué)習(xí)算法得出分析見解。但他們很難做到這點(diǎn)，因?yàn)樗麄兊氖滓ぷ魇钦頂?shù)據(jù)基礎(chǔ)架構(gòu)，得出分析報(bào)告。相比之下，公司只希望他們能夠每天在董事會(huì)中提交相應(yīng)的圖表。之后公司因?yàn)闆]有及時(shí)得到數(shù)據(jù)的價(jià)值而感到失望，所有這些又會(huì)導(dǎo)致數(shù)據(jù)科學(xué)家對(duì)工作的不滿。

Robert Chang在他的文章中對(duì)初級(jí)數(shù)據(jù)科學(xué)家提供了很寶貴的建議：

“評(píng)估自身的期望與所處環(huán)境的關(guān)鍵路徑是否一致非常重要。因此需要找到關(guān)鍵路徑與你相符的項(xiàng)目、團(tuán)隊(duì)和公司?！?/span>

這突顯了雇主和數(shù)據(jù)科學(xué)家之間的雙向關(guān)系。如果公司的決策發(fā)展與數(shù)據(jù)科學(xué)家的目標(biāo)不一致，那么數(shù)據(jù)科學(xué)家離職只是時(shí)間問題。

數(shù)據(jù)科學(xué)家感到失望的另一個(gè)原因與我對(duì)學(xué)術(shù)界失望的原因類似。我認(rèn)為我能對(duì)全球各地的人們產(chǎn)生巨大的影響，而不僅僅是在公司內(nèi)部。事實(shí)上，如果公司的核心業(yè)務(wù)不是機(jī)器學(xué)習(xí)（我的上家公司是媒體出版公司），那么你所進(jìn)行的數(shù)據(jù)科學(xué)工作可能只會(huì)帶來(lái)少量的價(jià)值。也許這些工作能累積帶來(lái)很有價(jià)值的內(nèi)容，或者你幸運(yùn)地發(fā)現(xiàn)一個(gè)大項(xiàng)目，但這不并太常見。

# 2. 決策至上原則

之前我曾經(jīng)早上6點(diǎn)起來(lái)研究支持向量機(jī)。當(dāng)時(shí)我想：“這真的很難，但至少會(huì)給我未來(lái)的雇主帶來(lái)價(jià)值?！?但如果我有時(shí)光機(jī)的話，我會(huì)回到過去打消這個(gè)念頭。

如果你認(rèn)為掌握大量機(jī)器學(xué)習(xí)算法能讓你成為最有價(jià)值的數(shù)據(jù)科學(xué)家，那么回到我說的第一點(diǎn)：期望與現(xiàn)實(shí)不符。

事實(shí)是，公司中的領(lǐng)導(dǎo)階層需要對(duì)你有好印象最。這意味著你必須不斷做領(lǐng)導(dǎo)層安排的工作，比如從數(shù)據(jù)庫(kù)中獲取數(shù)字，在適當(dāng)?shù)臅r(shí)間交給相關(guān)人員，做簡(jiǎn)單的項(xiàng)目，以便得到上級(jí)的好評(píng)。在我的上一份工作中，我做了大量這類工作。盡管這會(huì)讓人沮喪，但卻是工作的必要組成部分。

# 3. 數(shù)據(jù)方面的全能專家

公司中的領(lǐng)導(dǎo)層往往不太明白“數(shù)據(jù)科學(xué)家”的含義。這意味著在大家眼中，除了分析專家、報(bào)告專家，你還是數(shù)據(jù)庫(kù)專家。

不僅僅是非技術(shù)的同事這么認(rèn)為。技術(shù)方面的其他同事會(huì)認(rèn)為你掌握任何與數(shù)據(jù)相關(guān)的知識(shí)。你掌握Spark、Hadoop、Hive、Pig、SQL、Neo4J、MySQL、Python、R、Scala、Tensorflow、A / B測(cè)試、NLP、以及任何機(jī)器學(xué)習(xí)和數(shù)據(jù)相關(guān)的知識(shí)。

如果在職位描述中你看到了這些具體的內(nèi)容，請(qǐng)保持謹(jǐn)慎態(tài)度。這反映了該公司的工作規(guī)范，他們不清楚自身的數(shù)據(jù)策略，因?yàn)樗麄冋J(rèn)為雇用的數(shù)據(jù)從業(yè)人員能夠解決所有的數(shù)據(jù)問題。

但是試圖告訴他人你真正掌握的內(nèi)容是很難的。不是因?yàn)槠渌藭?huì)輕視你，而是因?yàn)樽鳛槿鄙俳?jīng)驗(yàn)的初級(jí)數(shù)據(jù)科學(xué)家，你擔(dān)心他人會(huì)輕視你。這是一個(gè)很棘手的情況。

# 4. 孤立的團(tuán)隊(duì)

當(dāng)我們看到成功的數(shù)據(jù)產(chǎn)品時(shí)，我們經(jīng)常會(huì)看到具有智能功能的用戶界面設(shè)計(jì)。最重要的是，當(dāng)中有輸出，至少能夠被用戶感知并解決相關(guān)問題。

如果數(shù)據(jù)科學(xué)家花時(shí)間學(xué)習(xí)如何編寫和執(zhí)行機(jī)器學(xué)習(xí)算法，那么他們只構(gòu)成團(tuán)隊(duì)中的一小部分，從而實(shí)現(xiàn)項(xiàng)目的成功。這意味著獨(dú)立工作的數(shù)據(jù)科學(xué)團(tuán)隊(duì)將難以提供價(jià)值！

盡管如此，許多公司由數(shù)據(jù)科學(xué)團(tuán)隊(duì)提出自己的項(xiàng)目并通過編程來(lái)嘗試解決問題。在某些情況下，這能夠滿足要求。例如，如果需要的只是每季度生成靜態(tài)電子表格。

另一方面，如果目標(biāo)是在定制的網(wǎng)站開發(fā)產(chǎn)品中優(yōu)化提供智能建議，那么當(dāng)中將涉及許多不同的技能，絕大多數(shù)是數(shù)據(jù)科學(xué)家所不具備的。因此，如果項(xiàng)目是由孤立的數(shù)據(jù)科學(xué)團(tuán)隊(duì)承擔(dān)，那么很可能會(huì)失敗（或者需要很長(zhǎng)時(shí)間，因?yàn)榻M織孤立的團(tuán)隊(duì)進(jìn)行大型企業(yè)的協(xié)作項(xiàng)目并不容易）。

# 結(jié)語(yǔ)

因此，要在行業(yè)中成為合格的數(shù)據(jù)科學(xué)家，僅僅在參加Kaggle比賽并學(xué)習(xí)在線課程是遠(yuǎn)遠(yuǎn)不夠的。

在找數(shù)據(jù)科學(xué)工作時(shí)，找到與自身的關(guān)鍵路徑保持一致的公司是很重要的。但是，你也需要調(diào)整自身對(duì)數(shù)據(jù)科學(xué)家職位的期望。

希望我打擊你成為數(shù)據(jù)科學(xué)家的信心。

原文鏈接

https://towardsdatascience.com/why-so-many-data-scientists-are-leaving-their-jobs-a1f0329d7ea4