原文：
www.kdnuggets.com/2021/12/5-characteristics-successful-data-scientist.html
评论 
图片来源 Tumisu 于 Pixabay
我最近撰写了一篇题为数据科学家、数据工程师与其他数据职业的解释的文章，在其中我尽力简明扼要地定义和区分了五种流行的数据相关职业。每个职业在该文章中都得到了非常高水平的单句总结，作为参考，数据科学家被描述为：
1. 谷歌网络安全证书 - 快速进入网络安全职业轨道
2. 谷歌数据分析专业证书 - 提升您的数据分析能力
3. 谷歌 IT 支持专业证书 - 支持您的组织进行 IT 工作
数据科学家主要关注数据、从中提取的洞察力以及数据能讲述的故事。
除了我为每个职业撰写的额外几段内容外，我还试图提出一个单一的总体区分特征，这五个特征可以结合成一个流程图，可能会被有志于数据领域的专业人士用来帮助确定哪个职业最适合他们。
我收到了一些读者的反馈，这些反馈明显表明我过于关注预测分析作为数据科学家职业的定义特征，并且我在这方面的依赖可能使人觉得数据科学家做的预测分析比其他任何事情都多——而且其他数据专业人士可能完全不做这些。
这种建设性的批评自然让我思考：究竟是什么将数据科学家与其他数据专业人士区分开来？数据科学家使用大量技术技能，特定的技术语言、系统和工具。同时，数据科学家——以及所有其他专业人士——也运用许多软技能来在职业生涯中取得成功。但是，成功的数据科学家有哪些固有特征呢？这些特征是数据科学家在进入这一职业时带来的，还是可以在职业生涯中发展出来的？
下面是我总结出的五个特征，这些特征整体上帮助数据科学家与其他职业区分开，并帮助定义成功的职业生涯。
让我们首先指出，所有数据科学家的角色都是不同的，但它们都有一些共同的联系点，希望这些要点能帮助连接其中的一些联系点。
这个特征被认为的重点是我受到了一些批评的地方。然而，我在这里要再次强调，预测分析思维方式是数据科学家的主要特征之一，也许比其他任何特征都更重要。它是唯一的定义特征吗？当然不是。它是否应该在流程图中用来将数据科学家与所有其他职业区分开？回过头来看，不，可能不应该。
数据科学家会进行预测分析吗？绝对会。非数据科学家也会吗？当然会。然而，如果我将数据科学家放在预测分析的跷跷板的一端，而将*<插入其他数据专业人员>*放在另一端，我会期望数据科学家那一端总是会落地。
但这不仅仅是预测分析在特定情况下的应用；这是一种思维方式。而且这不仅仅是分析思维方式（去掉预测），而是始终在考虑我们如何利用已有的知识来发现我们尚未知道的内容。这表明预测是方程中不可或缺的一部分。
数据科学家不仅仅是为了预测，但在我看来，从这种思维方式出发是角色定义特征之一，并且许多其他职业，无论是否与数据相关，都不具备这种特征。其他具备这种特征的职业可能会将其放在职业价值列表的更低位置。
显然，仅仅使用我们已知的内容来找出我们不知道的内容是不够的。数据科学家必须具备其他角色不一定需要的好奇心（注意我没有说其他人绝对没有这种好奇心）。好奇心几乎是预测分析思维方式的另一面：当预测分析思维方式试图用Y解决X时，好奇心将确定Y到底是什么。
-
“我们如何增加销售额？”
-
“为什么某些月份的流失率比其他月份高？”
-
“为什么这必须以那样的方式来做？”
-
“如果我们对 Y 做 X，会发生什么？”
-
“X 是如何影响这里发生的事情的？”
-
“我们是否尝试过……？”
-
诸如此类……
成为一名有用的数据科学家需要自然的好奇心，故事就到此为止。如果你是那种早上醒来后整天都不会多想宇宙奇观——无论在什么层面——的人，那么数据科学可能不适合你。
在它被消灭之前，好奇心负责了猫的非常长且成功的数据科学家生涯。
这里有一条深刻的哲学观点：世界是一个复杂的地方。一切以某种方式相互关联，远远超出明显的层面，从而导致现实世界的复杂性层层叠加。复杂系统与其他复杂系统相互作用，产生它们自己的额外复杂系统，宇宙就是这样运作的。这种复杂性的游戏不仅仅是认识大局：这幅大图在更大的图景中如何定位，等等。
但这不仅仅是哲学上的问题。数据科学家认识到这种现实世界中无尽的复杂网络。他们希望在解决问题的过程中，尽可能多地了解相关的互动，无论是显性还是隐性的。他们寻找情境依赖的已知已知、已知未知和未知未知，理解任何给定的变化可能会在其他地方产生意想不到的后果。
数据科学家的工作是尽可能多地了解相关系统，并利用他们的好奇心和预测分析思维来考虑这些系统的操作和互动，以保持其平稳运行，即使在进行调整时也是如此。如果你不能理解为什么没有一个人能完全解释经济如何运作，那么数据科学可能不适合你。
现在我们谈到了必要的“跳出框框思考”特质。我们是否鼓励每个人在某种程度上做到这一点？当然。但我在这里的意思并不完全相同。
请记住，数据科学家并非在真空中工作；我们与各种不同角色合作，并在旅程中遇到各种领域专家。这些领域专家即使在跳出框框思考时，也有自己看待其领域的特定方式。作为数据科学家，凭借独特的技能和特定的思维方式——我尽力在这里描述——你可以从领域专家所在的框框之外来解决问题。你可以成为以新的视角看待问题的新鲜眼睛——当然，前提是你对问题有足够的了解。你的创造力将帮助你提出新的想法和视角。
这并不是贬低领域专家；实际上，正好相反。我们数据科学家是他们的支持，凭借我们经过训练的技能，我们（希望能够）为领域专家提供新的视角，以帮助他们在自己的领域中表现卓越。这种新的视角将由数据科学家的创造性思维驱动，这种创造力与好奇心结合，将引导我们提出问题——并追寻答案。
当然，我们需要具备技术、统计和其他额外的技能，以便跟进这些问题，但如果没有创造力来想出有趣且不明显的调查方式，这些技能也会变得无用。这就是为什么数据科学家必须本质上具有创造力的原因。
每个人都需要能够有效地与他人沟通，无论他们的社会地位如何。数据科学家也不例外。
但即便如此，数据科学家在向其他可能并不完全沉浸于统计分析电影宇宙™的利益相关者解释工作时，通常也需要一些手把手的帮助。数据科学家必须能够将某人从 A 点叙述到 B 点，即使那个人对这两个点到底是什么没有太多了解。直白地说，讲故事就是能够从一些数据和你的分析过程编织出一个现实的叙述：我们是如何从这个到那个的。
这不仅仅是陈述事实；数据科学家必须看到利益相关者在方程式中的位置，并使叙述过程相关——也许通过有用的视觉效果或其他道具来帮助完成比喻上的交易。
这种讲故事并不像虚构故事那样；它更像是“精巧解释”，或者提供一个针对听众的直观解释。你不会给五岁的孩子讲斯蒂芬·金的故事作为睡前故事，就像你不会向从事研发工作的人详细讲述枯燥乏味的供应链指标一样。要注意你的受众。
这种讲故事也不是说服性的；它是解释性的。我们不是数据政治家，我们是数据科学家。科学家歪曲统计数据以使他人顺从是没有好结果的。把这留给选举官员吧。
我希望这能帮助描绘出我认为成功的数据科学家所具备的重要特征的丰富画面。祝愿你在追求职业的过程中一切顺利。
相关：
-
数据科学家、数据工程师及其他数据职业解析
-
14 种不同数据科学工作的指南
-
能让你被录用的数据科学作品集项目创意（或未能录用）