2018年-ibm商业价值研究院_Mastering_the_art_of_data_scientist_20页_709kb

报告摘要

掌握数据科学的艺术 - 详细总结

核心内容

本报告由 IBM 商业价值研究院发布，探讨了企业在建立和扩大数据科学团队时所需考虑的关键因素，包括人才招聘、技能要求、团队结构、项目管理方法以及知识管理策略。报告强调了数据科学不仅是技术问题，更是一项融合科学与艺术的复杂任务，需要企业从战略角度出发，全面考虑数据科学家的技能、经验、协作方式和成果实现。

主要观点

数据科学家的重要性：数据科学家在企业决策中扮演着至关重要的角色，能够通过分析数据发现创新和洞察，解决运营优化、创收和创新等重大业务挑战。
人才短缺问题：全球范围内数据科学家的供需严重失衡，尤其是美国，麦肯锡预测存在14万至19万的职位缺口。数据科学家的薪酬水平较高，企业需付出高昂成本以吸引和留住人才。
技能要求：优秀的数据科学家需要具备商业头脑、分析专业知识、高级软件技能、数据管理能力以及沟通和可视化能力。这些技能不仅包括技术层面，还涵盖软技能。
学术背景的重要性：数据科学是一项建立在强大学术基础之上的专业，大多数数据科学家拥有硕士或博士学位，特别是在统计学、机器学习、运筹学等领域。
团队协作与结构：数据科学是团队合作的产物，需要不同背景和技能的成员组成，包括数据科学家、数据工程师、业务分析师和主题专家（SME）等。
方法论与流程：数据科学项目应采用严格的方法论，如 CRISP-DM，从了解业务挑战开始，逐步进行数据收集、准备、建模、评估和部署。
知识管理：企业必须确保数据科学项目的实施过程有完整的文档记录，以便后续复制成功经验，避免因人员流失而失去关键知识。

关键信息

数据科学家的五大关键特征

敏锐的商业头脑：理解企业战略，能够将业务问题转化为分析解决方案。
深厚的分析专业知识：精通数据挖掘、机器学习、优化等技术。
高级软件知识：熟悉 SPSS、SAS、R、Python 等工具。
21世纪的数据管理技能：掌握大规模数据处理工具如 Hadoop、SQL、NoSQL 等。
远见卓识与讲述技巧：能够有效沟通分析结果，推动业务决策。

软技能的重要性

好奇心：推动数据科学家探索新领域。
科学思维：帮助数据科学家制定全面的执行计划。
沟通与可视化能力：使数据科学成果易于理解和应用。

数据科学项目的挑战

数据准备占大部分时间：数据科学家约 80% 的时间用于数据准备，但多数人认为这是最无趣的部分。
避免错误方法：错误的分析方法可能导致灾难性后果，因此必须确保数据科学家具备足够的技能和经验。
知识管理：缺乏文档记录将导致企业无法复制成功经验，甚至失去已有的成果。

实际经验总结

从问题出发

数据科学项目应从了解业务挑战开始，确保团队解决的是真正有价值的问题。
通过与业务领导和主题专家建立紧密联系，可以提升项目的价值和影响力。

团队构建

数据科学团队需要多样化的背景和技能，包括数据科学家、数据工程师、业务分析师等。
企业应避免将 BI 分析师直接视为数据科学家，因为他们的技能和责任不同。

方法与流程

CRISP-DM：是构建数据科学项目的重要流程，尽管不适用于所有情况，但具有高度灵活性。
严格协作：采用自上而下的流程和跨部门协作，有助于实现更出色的业务成果。

成果迭代

数据科学团队的成果往往是持续改进的过程，而不是一次性完成。
成功的项目可能引发进一步的探索和创新，形成迭代循环。

建议与问题清单

建议

企业应优先考虑数据科学家的软技能，如沟通和可视化能力。
应建立结构化的优先级排序机制，以确保数据科学资源被合理分配。
需要确保数据科学团队具备足够的资源和结构支持。

问题清单

企业有哪些因缺乏分析能力而未解决的难题和机遇？
是否评估了数据科学家候选人的软技能？
是否有组织结构可以管理数据科学请求并划分优先级？
数据科学团队是否有足够的资源来完成任务？
是否能找到分析项目失败的原因？
是否准备好根据数据科学家的分析结果采取行动？

作者与参考资料

作者：
- Mark Grabau：IBM 北美金融服务部首席数据科学家。
- Emily Plachy 博士：IBM 首席数据办公室杰出工程师。
- Michael Haydock 博士：IBM 认知和分析服务实践团队首席科学家。
参考资料：
- 麦肯锡报告：指出数据科学人才短缺问题。
- Glassdoor：将数据科学家列为最热门职位。
- LinkedIn 分析：显示数据科学家的供需缺口。
- 美国商务部研究：显示数据工作者薪资高于平均水平。
- IBM 方法论：用于指导数据科学项目实施。