數(shù)據(jù)科學家：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，轉載需授權

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

然而事實上根據(jù)英國《金融時報》的報道，數(shù)據(jù)科學家通常“每周會花1到2個小時尋找新工作”。此外，文章還指出：“在聲稱尋找新工作的開發(fā)者中，機器學習專家位居第一占比達到14.3％。數(shù)據(jù)科學家緊隨其后，為13.2％?！斑@些數(shù)據(jù)來自由Stack Overflow對6萬4千名開發(fā)者的調研。

對此我深有體會，最近我剛換了新的數(shù)據(jù)科學工作。

為什么有那么多的數(shù)據(jù)科學家在找新工作呢？

在回答這個問題之前，我想聲明的是我仍然是一名數(shù)據(jù)科學家。總體而言，我熱愛這份工作，我也不想阻止那些想成為數(shù)據(jù)科學家的人，因為這份工作有趣，刺激而有價值。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，數(shù)據(jù)科學家主要出于四個原因對他們的工作感到不滿。

# 1. 期望與現(xiàn)實不符

我認識的許多初級數(shù)據(jù)科學家（包括我自己）入行都是由于，在我們看來數(shù)據(jù)科學家使用信心的機器學習算法去解決復雜問題，從而對業(yè)務產(chǎn)生巨大影響。我們會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，期望與現(xiàn)實不符是許多數(shù)據(jù)科學家離職的終極原因。當中具體有很多原因，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數(shù)據(jù)科學家時，并沒有配備適當?shù)幕A設施，讓其能夠從AI中得出有價值的結論。再加上這些公司在招聘初級數(shù)據(jù)從業(yè)人員之前，并沒有聘請經(jīng)驗豐富的資深數(shù)據(jù)專家，這樣就會導致雙方關系不融洽，無法達到互相期望值。

數(shù)據(jù)科學家希望在工作中，通過編寫智能機器學習算法得出分析見解。但他們很難做到這點，因為他們的首要工作是整理數(shù)據(jù)基礎架構，得出分析報告。相比之下，公司只希望他們能夠每天在董事會中提交相應的圖表。之后公司因為沒有及時得到數(shù)據(jù)的價值而感到失望，所有這些又會導致數(shù)據(jù)科學家對工作的不滿。

Robert Chang在他的文章中對初級數(shù)據(jù)科學家提供了很寶貴的建議：

“評估自身的期望與所處環(huán)境的關鍵路徑是否一致非常重要。因此需要找到關鍵路徑與你相符的項目、團隊和公司?！?/span>

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

數(shù)據(jù)科學家感到失望的另一個原因與我對學術界失望的原因類似。我認為我能對全球各地的人們產(chǎn)生巨大的影響，而不僅僅是在公司內(nèi)部。事實上，如果公司的核心業(yè)務不是機器學習（我的上家公司是媒體出版公司），那么你所進行的數(shù)據(jù)科學工作可能只會帶來少量的價值。也許這些工作能累積帶來很有價值的內(nèi)容，或者你幸運地發(fā)現(xiàn)一個大項目，但這不并太常見。

# 2. 決策至上原則

之前我曾經(jīng)早上6點起來研究支持向量機。當時我想：“這真的很難，但至少會給我未來的雇主帶來價值?！?但如果我有時光機的話，我會回到過去打消這個念頭。

如果你認為掌握大量機器學習算法能讓你成為最有價值的數(shù)據(jù)科學家，那么回到我說的第一點：期望與現(xiàn)實不符。

事實是，公司中的領導階層需要對你有好印象最。這意味著你必須不斷做領導層安排的工作，比如從數(shù)據(jù)庫中獲取數(shù)字，在適當?shù)臅r間交給相關人員，做簡單的項目，以便得到上級的好評。在我的上一份工作中，我做了大量這類工作。盡管這會讓人沮喪，但卻是工作的必要組成部分。

# 3. 數(shù)據(jù)方面的全能專家

公司中的領導層往往不太明白“數(shù)據(jù)科學家”的含義。這意味著在大家眼中，除了分析專家、報告專家，你還是數(shù)據(jù)庫專家。

不僅僅是非技術的同事這么認為。技術方面的其他同事會認為你掌握任何與數(shù)據(jù)相關的知識。你掌握Spark、Hadoop、Hive、Pig、SQL、Neo4J、MySQL、Python、R、Scala、Tensorflow、A / B測試、NLP、以及任何機器學習和數(shù)據(jù)相關的知識。

如果在職位描述中你看到了這些具體的內(nèi)容，請保持謹慎態(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，因為他們認為雇用的數(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。不是因為其他人會輕視你，而是因為作為缺少經(jīng)驗的初級數(shù)據(jù)科學家，你擔心他人會輕視你。這是一個很棘手的情況。

# 4. 孤立的團隊

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

如果數(shù)據(jù)科學家花時間學習如何編寫和執(zhí)行機器學習算法，那么他們只構成團隊中的一小部分，從而實現(xiàn)項目的成功。這意味著獨立工作的數(shù)據(jù)科學團隊將難以提供價值！

盡管如此，許多公司由數(shù)據(jù)科學團隊提出自己的項目并通過編程來嘗試解決問題。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，那么當中將涉及許多不同的技能，絕大多數(shù)是數(shù)據(jù)科學家所不具備的。因此，如果項目是由孤立的數(shù)據(jù)科學團隊承擔，那么很可能會失敗（或者需要很長時間，因為組織孤立的團隊進行大型企業(yè)的協(xié)作項目并不容易）。

# 結語

因此，要在行業(yè)中成為合格的數(shù)據(jù)科學家，僅僅在參加Kaggle比賽并學習在線課程是遠遠不夠的。

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

希望我打擊你成為數(shù)據(jù)科學家的信心。

原文鏈接

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