是的，我是一名數據科學家，是的，你沒有看錯，但有人必須說出來。我們讀了許多關于數據科學是21世紀最性感的工作，以及作為數據科學家可以賺到的誘人的金錢之類的故事，這看起來像是絕對的夢想工作。原因在于該領域中有大量的高技能人才，他們渴望解決復雜的問題(是的，“追求”是一件很積極的事情)，對此工作無所不包。

[[287283]]

但事實是，正如《金融時報》在這篇文章中所說，數據科學家通常“每周花費1-2小時尋找新工作”。此外，文章還指出：“機器學習專家在他們表示正在尋找新工作的開發人員中名列第一，占14.3%。數據科學家緊隨其后，為13.2%。”這些數據是由Stack Overflow在其針對64,000名開發人員的調查中收集的。

我也曾擔任過該職位，最近我自己也換了數據科學工作。

那么，為什么有那么多數據科學家在尋找新工作呢?

在回答這個問題之前，我需要澄清一下我仍然是一名數據科學家。總的來說，我喜歡這份工作，并且我不想阻止其他有志于成為數據科學家的人，因為它可以帶來樂趣，激勵和獎勵。本文的目的是扮演魔鬼的擁護者，并揭露這項工作的某些負面影響。

從我的角度來看，我認為許多數據科學家對其工作不滿意的原因有四個。

期望與現實不符 

理想與現實

大數據就像十幾歲的性行為：每個人都在談論它，沒有人真正知道如何做，每個人都認為其他人正在做，所以每個人都聲稱自己正在做……– Dan Ariely

這句話很貼切。我認識的許多初級數據科學家(包括我自己)都想進入數據科學領域，因為這全都在于使用很酷的新型機器學習算法解決復雜的問題，這些算法會對企業產生巨大影響。這是一個讓我們感到自己所做的工作比以往任何時候都重要的機會。但是，通常并非如此。

在我看來，期望與現實不符的事實是許多數據科學家離開的最終原因。造成這種情況的原因很多，我可能無法提供詳盡的清單，但是這篇文章實質上是我遇到的一些原因的清單。

每個公司都不盡相同，所以我不能一一列舉，但許多公司雇用的數據科學家都沒有合適的基礎架構來開始從AI中獲得價值。這導致了AI中的冷啟動問題。再加上這些公司在雇用初級人員之前未能雇用資深/有經驗的數據從業人員，您現在已經為雙方的幻滅和不愉快的關系做好了準備。數據科學家可能會寫出智能機器學習算法來驅動洞察力，但由于他們的第一項工作是整理數據基礎結構和/或創建分析報告，因此無法做到這一點。相比之下，該公司只想要一張他們每天可以在董事會會議上展示的圖表。然后，該公司感到沮喪，因為他們沒有看到價值沒有足夠快地推動價值增長，而這一切都導致數據科學家對其角色感到不滿意。

羅伯特·張(Robert Chang)在他的博客文章中提供了非常有見地的報價，為初級數據科學家提供了建議：

重要的是要評估我們的理想與我們所處環境的關鍵路徑相符的程度。找到關鍵路徑與您的關鍵路徑最相符的項目，團隊和公司。

這凸顯了雇主與數據科學家之間的雙向關系。如果公司不在正確的位置或目標與數據科學家的目標保持一致，那么數據科學家找到其他東西只是時間問題。

對于那些感興趣的人，Samson Hu撰寫了一個精彩的系列文章，介紹了Wish的分析團隊的建立方式，我也發現他很有見地。

數據科學家被幻滅的另一個原因與我對學術界被幻滅的原因相似：我相信我將能夠對世界各地的人們產生巨大的影響，而不僅僅是在公司內部。實際上，如果公司的核心業務不是機器學習(我的前任雇主是一家媒體出版公司)，那么您從事的數據科學可能只會帶來很小的增量收益。這些可能加起來非常重要，或者您可能很幸運偶然發現了一個金礦項目，但這并不常見。

追求政治正確 

政治問題已經有一篇精彩的文章專門介紹它：數據科學中最困難的事情：政治，我敦促您閱讀它。該文章的前幾句話幾乎總結了我想說的話：

當我早上6點起床學習支持向量機時，我想到：“這真的很難!但是，嘿，至少我將對我未來的雇主變得非常有價值!”。如果我能得到DeLorean，我會回到過去，自稱“ Bulls ** t!”。

如果您認真地認為了解很多機器學習算法將使您成為最有價值的數據科學家，那么請回到上面我的第一點：期望與現實不符。

事實是，業務最有影響力的人需要對您有很好的了解。這可能意味著您必須不斷進行特別工作，例如從數據庫中獲取數字以在合適的時間提供給合適的人，進行簡單的項目，以便合適的人對您有正確的認識。我不得不在以前的位置上做很多事情。令人感到沮喪的是，這是工作的必要部分。

您可以親自處理任何數據 

從盡一切努力取悅合適的人之后，那些擁有全部影響力的人卻常常不理解“數據科學家”的含義。這意味著您將既是分析專家又是報告專家，并且不要忘記您也將成為數據庫專家。

不僅僅是非技術主管會對您的技能做出太多假設。其他技術同事假設您知道所有與數據相關的信息。您知道如何繞過Spark，Hadoop，Hive，Pig，SQL，Neo4J，MySQL，Python，R，Scala，Tensorflow，A / B測試，NLP，任何機器學習(以及您能想到的任何其他相關數據)— BTW如果您看到上面寫有所有這些的工作說明，請保持清楚。這是一家不知道其數據策略是什么的公司的工作說明，他們會雇用任何人，因為他們認為雇用任何數據人將解決他們所有的數據問題)。

但這并不止于此。因為您了解所有這些信息，并且顯然可以訪問所有數據，所以您有望在……之前得到所有問題的答案。好吧，它應該在5分鐘前落入相關人員的收件箱中。

試圖告訴所有人您真正了解并控制的內容可能很困難。并不是因為任何人實際上對您的想法都不多，而是因為作為一個缺乏行業經驗的初級數據科學家，您會擔心人們對您的想法會更少。這可能是非常困難的情況。

在孤立的團隊中工作 

當我們看到成功的數據產品時，我們經常會看到經過專業設計的具有智能功能的用戶界面，最重要的是，有用的輸出至少可以被用戶感知以解決相關問題。現在，如果數據科學家僅將時間花在學習如何編寫和執行機器學習算法上，那么他們只能是團隊的一小部分(盡管有必要)，從而導致產生有價值產品的項目取得成功。這意味著孤立工作的數據科學團隊將難以提供價值!

盡管如此，許多公司仍然擁有數據科學團隊，他們會提出自己的項目并編寫代碼來嘗試解決問題。在某些情況下，這足夠了。例如，如果僅需要一個季度生成一次的靜態電子表格，那么它可以提供一定的價值。另一方面，如果目標是在定制的網站構建產品中優化提供智能建議，那么這將涉及許多不同的技能，這對絕大多數數據科學家來說都是不應該的(只有真正的數據科學獨角獸才能解決此問題)一)。因此，如果該項目由孤立的數據科學團隊執行，則很可能失敗(或花費很長時間，因為組織孤立的團隊在大型企業中從事協作項目并不容易)。

因此，要想成為一名有效的行業數據科學家，僅在Kaggle競賽中取得出色成績并完成一些在線課程是不夠的。不幸的是(取決于您對它的看法)取決于了解層次結構和政治如何在企業中發揮作用。尋找可滿足您需求的數據科學工作時，尋找與您的關鍵路徑保持一致的公司應該是一個主要目標。但是，您可能仍需要重新調整對數據科學角色的期望。

如果有人有任何其他意見，問題或反對意見，請隨時發表評論，因為有建設性的討論對于幫助有抱負的數據科學家做出有關其職業道路的明智決定是必要的。

希望我沒有讓你失業。