“大數(shù)據(jù)之父”達(dá)文波特：成功的數(shù)據(jù)科學(xué)家不一定要有研究生學(xué)位

2006年6月，喬納森?高德曼（Jonathan Goldman）進(jìn)入商務(wù)社交網(wǎng)站LinkedIn工作。作為斯坦福大學(xué)物理學(xué)博士，他醉心于無處不在的鏈接和豐富的用戶資料。雖然這兩者通常只能形成混亂的數(shù)據(jù)和淺顯的分析，但當(dāng)他著手挖掘人際聯(lián)系時(shí)，卻從中發(fā)現(xiàn)了“新大陸”。

他開始構(gòu)建理論、檢驗(yàn)預(yù)設(shè)，并研究出了模型。通過這些模型，他可以預(yù)測出某賬號(hào)所歸屬的人際網(wǎng)絡(luò)。高德曼覺得，在探索基礎(chǔ)之上形成的新功能也許能為用戶提供價(jià)值。

幸運(yùn)的是，LinkedIn的聯(lián)合創(chuàng)始人兼時(shí)任CEO雷德?霍夫曼（現(xiàn)執(zhí)行總裁），在貝寶（PayPal）的工作經(jīng)驗(yàn)讓他對(duì)分析學(xué)的威力深信不疑，因此，他給了高德曼高度的自主權(quán)。

他給予高德曼一個(gè)不同于傳統(tǒng)產(chǎn)品發(fā)布套路的新方式—在網(wǎng)站黃金頁面以廣告的形式掛出小型加載模塊。這一測試最終大放異彩，成為了我們現(xiàn)在熟知的“你可能認(rèn)識(shí)的人”。

傳統(tǒng)的信息管理和數(shù)據(jù)分析主要用于支撐內(nèi)部決策，而大數(shù)據(jù)在這方面有所不同。當(dāng)然，在多數(shù)情況下，大數(shù)據(jù)也會(huì)有此用途，特別是在大企業(yè)內(nèi)。不過，數(shù)據(jù)科學(xué)家通常致力于面向客戶的產(chǎn)品和服務(wù)，而不是創(chuàng)建為高管制定內(nèi)部決策提供建議的報(bào)表或報(bào)告。

數(shù)據(jù)科學(xué)家這一概念直到2008年，才由D.J. 帕蒂爾和杰夫?哈默巴赫爾創(chuàng)造，這個(gè)職位因?yàn)楸贿_(dá)文波特喻為“21世紀(jì)最性感的職業(yè)”而為更多人所熟知。那么，成為一名數(shù)據(jù)科學(xué)家，需要怎樣的潛質(zhì)和能力？

數(shù)據(jù)科學(xué)家的特征

我們可以用這樣一張圖表，來展示數(shù)據(jù)科學(xué)家必備的技能結(jié)構(gòu)：

1、要想成為數(shù)據(jù)科學(xué)家，先去做黑客吧！

由于大數(shù)據(jù)技術(shù)是一種新興技術(shù)，而且很難將其提取出來用于分析，所以，要想成為一位成功的數(shù)據(jù)科學(xué)家，就必須具備一些黑客的特征。

首先，你必須具備編碼或編程能力。“你會(huì)編寫代碼嗎”，這是一位首席科學(xué)家在招聘時(shí)向數(shù)據(jù)科學(xué)家提出的第一個(gè)問題。如果你具備任何編程語言方面的經(jīng)驗(yàn)，那將大有裨益，尤其是腳本語言，如 Python、 Hive 和Pig，或者有時(shí)會(huì)生成的語言，如 Java。這些腳本語言相對(duì)容易編寫，還能將大型數(shù)據(jù)處理問題分布于分布式 MapReduce 框架中。

數(shù)據(jù)科學(xué)中的黑客還需要熟悉常用的大數(shù)據(jù)技術(shù)，最重要的是 Hadoop/MapReduce，包括如何實(shí)施和擴(kuò)展它們，以及是否需要在所在地點(diǎn)或云計(jì)算中提供這些技術(shù)。這些技術(shù)都是一些新技術(shù)，還在不斷變化，所以數(shù)據(jù)科學(xué)家必須具備開放性思維，而且要特別開放，以學(xué)習(xí)新工具和新方法。

最后，對(duì)黑客技術(shù)做一個(gè)總結(jié)，很多大企業(yè)不愿意雇用黑客是有原因的。在本文中，黑客技術(shù)通常被定義為一種創(chuàng)新的快速計(jì)算，但這一術(shù)語還有一層“不太合法”的意味，即傾向于避開計(jì)算行為的正常規(guī)則。就當(dāng)前大數(shù)據(jù)技術(shù)低下的情形而言，后一種意義的黑客技術(shù)可能是必需的。然而，值得注意的是，黑客特征在數(shù)據(jù)科學(xué)家特征中并不占主導(dǎo)地位，你可能會(huì)為此后悔。鐵桿黑客帶來的麻煩遠(yuǎn)比他們帶來的益處要多得多。而且，他們也未必有興趣為大型官僚組織效力。

2、成功的數(shù)據(jù)科學(xué)家，不一定要有研究生學(xué)位

在數(shù)據(jù)科學(xué)家的特征中，科學(xué)家這一特征不一定意味著必須是實(shí)戰(zhàn)科學(xué)家。然而， 2012 年，我對(duì) 30 名數(shù)據(jù)科學(xué)家進(jìn)行了采訪，結(jié)果發(fā)現(xiàn)，57% 取得了科學(xué)和技術(shù)領(lǐng)域的博士學(xué)位， 90% 至少在科學(xué)或技術(shù)領(lǐng)域獲得過一個(gè)高級(jí)學(xué)位，最常見的是實(shí)驗(yàn)物理學(xué)博士，其中還包括生物學(xué)、生態(tài)學(xué)或社會(huì)科學(xué)等高級(jí)學(xué)位，而且這些領(lǐng)域通常涉及大量的計(jì)算機(jī)工作。

數(shù)據(jù)科學(xué)是否需要這些領(lǐng)域詳細(xì)的相關(guān)知識(shí)呢？ 絕對(duì)不需要。對(duì)實(shí)驗(yàn)物理學(xué)博士而言，重要的不是學(xué)位或相關(guān)的具體知識(shí)，而是完成數(shù)據(jù)科學(xué)任務(wù)所需的能力和態(tài)度，其能力包括開展實(shí)驗(yàn)、設(shè)計(jì)實(shí)驗(yàn)裝置，以及利用數(shù)據(jù)來收集、分析和描述結(jié)果的能力?？茖W(xué)家分析的數(shù)據(jù)不可能是真正的數(shù)據(jù)科學(xué)家，就連大學(xué)也很少接觸到真正的大數(shù)據(jù)，但它很可能是一種非結(jié)構(gòu)化的數(shù)據(jù)。

進(jìn)行大數(shù)據(jù)分析的科學(xué)家可能會(huì)具備的特征有：基于證據(jù)做決策、即興創(chuàng)作、急躁以及自己動(dòng)手的寬慰感。在大數(shù)據(jù)工作的早期階段，這些技能很重要。在這一階段中，數(shù)據(jù)科學(xué)家必須執(zhí)行一些開創(chuàng)性工作，而在后期，這些工作可能會(huì)通過軟件輕松地完成?？茖W(xué)家也可能是快速學(xué)習(xí)者，能迅速地吸收和掌握新技術(shù)。

應(yīng)當(dāng)指出的是，許多成功的數(shù)據(jù)科學(xué)家根本沒有研究生學(xué)位，他們的大多技能都是自學(xué)而來的，因?yàn)橐郧暗拇髮W(xué)并不提供這方面的課程。例如，領(lǐng)先的數(shù)據(jù)科學(xué)家杰夫 · 哈默巴赫（Jeff Hammerbacher）在 Facebook 工作時(shí)與當(dāng)時(shí)就職于領(lǐng)英的帕蒂爾（DJ Patil）創(chuàng)造了數(shù)據(jù)科學(xué)家這一術(shù)語，而那時(shí)他只有本科學(xué)位。大數(shù)據(jù)文化是一種任人唯才的文化，而不是一種強(qiáng)調(diào)具備某種數(shù)據(jù)科學(xué)學(xué)位的文化。

3、你得是一位可信的顧問

正如傳統(tǒng)的定量分析師一樣，數(shù)據(jù)科學(xué)家需要具備良好的人際溝通技能。然而，正如傳統(tǒng)的數(shù)據(jù)分析師一樣，他們不可能具備這些技能。因?yàn)槿绻銓⒋蟛糠志Ψ旁谟?jì)算機(jī)和統(tǒng)計(jì)數(shù)據(jù)上，就不會(huì)對(duì)人際關(guān)系產(chǎn)生太大的興趣。

不過，良好的人際溝通技能肯定是必要的。數(shù)據(jù)科學(xué)家要為高管制定內(nèi)部決策提供建議；在以數(shù)據(jù)為產(chǎn)品的企業(yè)里，數(shù)據(jù)科學(xué)家還要為負(fù)責(zé)產(chǎn)品和營銷的管理者就數(shù)據(jù)產(chǎn)品和服務(wù)的機(jī)會(huì)提出建議。最早一批數(shù)據(jù)科學(xué)家中的帕蒂爾參與創(chuàng)造了這一術(shù)語，他常喜歡說，數(shù)據(jù)科學(xué)家必須“站在橋上”，近距離地向船長提出建議。如果數(shù)據(jù)科學(xué)家和決策者之間存在中介的話，決策者可能無法了解關(guān)鍵決策涉及的所有重要數(shù)據(jù)和問題。

有證據(jù)表明，這些技巧很重要。高德納公司（Gartner）的研究發(fā)現(xiàn)，“70%～80% 的企業(yè)智能商業(yè)項(xiàng)目的失敗”是因?yàn)椤癐T 部門和業(yè)務(wù)部門之間缺乏溝通，未能提出正確的問題，或未能考慮到企業(yè)的真正需求”。智能商業(yè)項(xiàng)目通常涉及的都是一些小數(shù)據(jù)，而不是大數(shù)據(jù)。然而，某些項(xiàng)目之所以失敗是因?yàn)樽陨泶嬖趩栴}。毫無疑問，缺乏溝通的小數(shù)據(jù)和大數(shù)據(jù)項(xiàng)目會(huì)引發(fā)大問題。

4、先成為定量分析師

在大數(shù)據(jù)被獲取并被“馴服”之后，即從非結(jié)構(gòu)化數(shù)據(jù)轉(zhuǎn)換為結(jié)構(gòu)化數(shù)據(jù)之后，必須用傳統(tǒng)的方式對(duì)其進(jìn)行分析。因此，數(shù)據(jù)科學(xué)家還需要承擔(dān)起定量分析師的工作，了解他們身邊的各種數(shù)學(xué)和統(tǒng)計(jì)技能，并能夠輕松地向非技術(shù)人員做解釋。我和一些作者已經(jīng)合著了很多關(guān)于這些統(tǒng)計(jì)技能的書籍，所以在這里就不再詳述這些技能了。

然而，小型非結(jié)構(gòu)化數(shù)據(jù)的分析和大數(shù)據(jù)的分析之間存在一些差異。其一是，對(duì)于較大的群體來說，小樣本統(tǒng)計(jì)推斷出的結(jié)果可能不太重要。隨著大數(shù)據(jù)的出現(xiàn)，企業(yè)往往會(huì)對(duì)整體數(shù)據(jù)進(jìn)行分析，因?yàn)樗鼈兙邆溥@種技術(shù)。如果你不是從一個(gè)樣本來推斷整個(gè)群體的結(jié)果，也就不用擔(dān)心統(tǒng)計(jì)數(shù)據(jù)之類的概念，換句話說，小樣本統(tǒng)計(jì)就是所觀察到的結(jié)果代表群體的概率，因?yàn)樗鼈兙褪且粋€(gè)群體。盡管如此，但我相信，在許多情況中，我們?nèi)詫⒗^續(xù)使用樣本統(tǒng)計(jì)。例如，向所有美國或其他國家公民征詢他們對(duì)政治或社會(huì)問題的看法是不可行的，所以我們還是會(huì)利用樣本調(diào)查來解決這類問題。即使你利用大量的網(wǎng)絡(luò)數(shù)據(jù)來分析這一問題，但仍然只能代表特定時(shí)間內(nèi)某些用戶的意見。

兩者之間的另一個(gè)不同之處是，大家普遍偏愛大數(shù)據(jù)的可視化分析。至于原因，我想沒有人能完全解釋清楚。大數(shù)據(jù)分析結(jié)果往往以可視化的形式表現(xiàn)出來，現(xiàn)在，可視化分析有很多優(yōu)勢：易于高管理解，容易引起注意。不利的一面是，它們一般不適宜于表達(dá)復(fù)雜的多元關(guān)系和統(tǒng)計(jì)模型。換句話來說，大多數(shù)可視化數(shù)據(jù)是為了進(jìn)行描述性分析，而不是預(yù)測性或指令性分析。然而，它們可以同時(shí)顯示大量的數(shù)據(jù)，如圖 4-1 所示，這幅圖呈現(xiàn)的是銀行賬戶關(guān)閉因素的可視化分析。我發(fā)現(xiàn)，與許多其他復(fù)雜的大數(shù)據(jù)可視化分析一樣，這一可視化分析也很難解釋。我有時(shí)會(huì)想，很多大數(shù)據(jù)的可視化分析僅僅是因?yàn)榭梢赃M(jìn)行分析而被創(chuàng)建的，而并不是為了清晰地呈現(xiàn)一個(gè)問題。

為什么可視化分析常見于大數(shù)據(jù)中呢？有幾種可能的解釋。

這表明，由于捕捉結(jié)構(gòu)化數(shù)據(jù)所付出的努力太多，所以很少有時(shí)間和精力來開展復(fù)雜的多元統(tǒng)計(jì)分析，只能建立一個(gè)簡單的頻率統(tǒng)計(jì)，然后基于頻率統(tǒng)計(jì)進(jìn)行繪制。這種現(xiàn)象常見于數(shù)據(jù)科學(xué)家群體中，但沒有人知道這種方法的重要性和普遍性。

另一種解釋是，大數(shù)據(jù)和更吸引人的可視化分析幾乎同時(shí)出現(xiàn)。最后一種解釋是，大數(shù)據(jù)工作是一種探索性和反復(fù)性的工作，因此需要可視化分析來探索數(shù)據(jù)，并向管理者和決策者傳達(dá)初步調(diào)查結(jié)果。

我們可能永遠(yuǎn)不會(huì)知道哪個(gè)解釋更為重要，但事實(shí)是，數(shù)據(jù)科學(xué)家需要以可視化的方式來顯示數(shù)據(jù)和分析結(jié)果。

5、做既能精通又能跨界的業(yè)務(wù)專家

數(shù)據(jù)科學(xué)家對(duì)業(yè)務(wù)的運(yùn)作要有深入的了解，或者至少應(yīng)該了解其中的部分環(huán)節(jié)。例如，企業(yè)如何賺錢？競爭對(duì)手是誰？企業(yè)如何在行業(yè)中成功推出產(chǎn)品和服務(wù)？能夠利用大數(shù)據(jù)和分析來解決的關(guān)鍵問題是什么？這些都是一個(gè)有效率的數(shù)據(jù)科學(xué)家應(yīng)該回答的問題。

掌握與業(yè)務(wù)相關(guān)的知識(shí)可以使數(shù)據(jù)科學(xué)家做出假設(shè)并迅速對(duì)其進(jìn)行測試，為關(guān)鍵的功能和業(yè)務(wù)問題提供解決方案；否則，他將難以為業(yè)務(wù)增加附加值。正是對(duì)業(yè)務(wù)問題的分析使這些關(guān)于數(shù)據(jù)或傳統(tǒng)數(shù)據(jù)分析的知識(shí)得以發(fā)揮作用，因此，相關(guān)業(yè)務(wù)領(lǐng)域的興趣和經(jīng)驗(yàn)很重要。當(dāng)然， 數(shù)據(jù)科學(xué)家有時(shí)也會(huì)在各個(gè)行業(yè)之間來回轉(zhuǎn)換，但沒有人會(huì)精通所有領(lǐng)域。然而，重要的是，他們需要對(duì)所從事的新業(yè)務(wù)抱有強(qiáng)烈的好奇心和興趣。 顯而易見，數(shù)據(jù)科學(xué)家通常都是極其聰明的人，如果他們對(duì)某個(gè)新業(yè)務(wù)感興趣，很快就會(huì)掌握相關(guān)的知識(shí)。如果你面試的是另一個(gè)行業(yè)的數(shù)據(jù)科學(xué)家，請(qǐng)確保他對(duì)其所從事的行業(yè)感興趣，而且具備解決問題的能力。

當(dāng)然，這個(gè)技能結(jié)構(gòu)對(duì)有志成為數(shù)據(jù)科學(xué)家的人才來說，是一種參考。任何人都很難同時(shí)在這五個(gè)方向都出類拔萃。通用電氣公司全球研究中心的分析學(xué)技術(shù)的負(fù)責(zé)人格拉伯是這樣說的：“在通用電氣公司，我們發(fā)現(xiàn)具備 2～3 個(gè)領(lǐng)域的專業(yè)技能的數(shù)據(jù)科學(xué)家是最有成效的”。你要做的，是在一支團(tuán)隊(duì)中找到自己的位置，發(fā)揮自己的創(chuàng)造性，并且不斷學(xué)習(xí)