據(jù).jpg)
講到要聘用數(shù)據(jù)科學(xué)家，最擔(dān)心的大概就是所聘非人。數(shù)據(jù)科學(xué)家不僅是出了名的搶手、難以討好，而且還得付出高額薪資，所以一旦聘錯人，代價真是不小。我們的數(shù)據(jù)人才培訓(xùn)公司The Data Incubator已有數(shù)十家公司前來洽談，想聘用曾接受培訓(xùn)的數(shù)據(jù)科學(xué)家。這些客戶規(guī)模有大有小，大到如輝瑞藥廠（Pfizer）和摩根大通（JPMorgan），也有規(guī)模較小的新創(chuàng)公司，如Foursquare和Upstart。公司如果聘用員工的經(jīng)驗還不夠豐富，常常就問不到一個關(guān)鍵的問題：
你們的數(shù)據(jù)科學(xué)家，做的是機讀分析（analytics for machines）還是人讀分析（analytics for humans）？
這項區(qū)別無論任何公司、行業(yè)或職稱（我們的學(xué)員受聘的職稱種類繁多，從計量人員、數(shù)據(jù)科學(xué)家、分析師到統(tǒng)計員都有），都同樣適用。遺憾的是，人事主管大多并不知道這些角色需要不同的才能及性格。
雖然數(shù)據(jù)科學(xué)家分類繁多，并不只有這一項，但就公司聘用來說，這是最大的重點之一。以下解釋兩者的差異及重要性：
機讀分析人員：在這種情況中，最后是由計算機來使用分析結(jié)果、做出決定。例子包括像是供在線廣告或網(wǎng)絡(luò)內(nèi)容來鎖定用戶、算法交易、產(chǎn)品推薦等等。
這些數(shù)據(jù)科學(xué)家做的是建立起非常復(fù)雜的模型，要輸入極大量的數(shù)據(jù)，再從中找到很細微的跡象，供機器學(xué)習(xí)、推演復(fù)雜的算法。這些數(shù)字模型必須能自行運作，選擇要顯示哪些廣告、對使用者做出建議，或是自動進行股市交易，常常在一眨眼間就已完成決定。
要產(chǎn)生可機讀分析數(shù)據(jù)的數(shù)據(jù)科學(xué)家，必須有極強大的數(shù)學(xué)、統(tǒng)計及運算知識，才能打造速度快、預(yù)測準確的模型。他們通常會取得明確的數(shù)據(jù)（例如利潤、點擊數(shù)、采購額），再運用各種技術(shù)，打造出非常復(fù)雜而能夠改善工作效能的模型?，F(xiàn)實生活有幾兆件的事件、幾百萬的使用者，就算只是小小的進步，也能讓結(jié)果大大不同，因此這些人的工作能夠讓利潤突飛猛進。
人讀分析人員：在這種情況中，最后是由另一個人類來使用分析結(jié)果、做出決定。例子包括分析產(chǎn)品的效果、理解用戶人數(shù)成長和留住顧客的成果、為客戶寫出報告等等。
雖然說他們和機讀分析人員可能用的是同一套大數(shù)據(jù)，但他們的模型演算結(jié)果和預(yù)測最后是交給另一個人類（而且這個人通常并不是數(shù)據(jù)科學(xué)家），由這個人依據(jù)推薦來做出各種產(chǎn)品及業(yè)務(wù)上的決定。
?
從事人讀分析的數(shù)據(jù)科學(xué)家，得想想如何用數(shù)據(jù)來說故事。因為他們得把結(jié)果解釋給其他人聽（特別是看不懂數(shù)據(jù)科學(xué)的人），所以他們很可能會刻意選擇比較簡單的模型，而不是那些雖然精準但太過復(fù)雜的模型。他們也必須能夠提出一些較高層次的結(jié)論，像是「如何」和「為何」。這些問題并無法從數(shù)據(jù)中一眼得見，不像是那些機讀分析人員能有明確的數(shù)據(jù)為依據(jù)。
對于這兩種不同的工作，必須要分別找到對的人。我們發(fā)現(xiàn)，如果需要的是機讀分析人員，這種數(shù)據(jù)科學(xué)家通常具有自然科學(xué)、數(shù)學(xué)或工程背景（常常具備博士教育水平），嫻熟數(shù)學(xué)及計算機運算，才能應(yīng)付這種高檔次工作。如果員工缺少必需的技術(shù)技能，面對大量數(shù)據(jù)不是完全無法處理，就是使用了過度簡化的模型，無法讓數(shù)據(jù)真正發(fā)揮價值。
然而，如果是要找人讀分析人員，上面的這種人卻可能并不適合。如果找了一群麻省理工的物理學(xué)家，卻規(guī)定他們只能用「簡單」、主管聽得懂的模型來做事，這可不算人盡其用（特別是這些人常常渴望機器學(xué)習(xí)那種高深的挑戰(zhàn)）。另一方面，如果是社會學(xué)科或醫(yī)學(xué)科學(xué)家（多半也需要博士等級），他們的訓(xùn)練讓他們很能抓住「如何」和「為何」，常常也正是在相關(guān)難題上大顯身手。
在過去，一般都是硬科學(xué)背景的數(shù)據(jù)科學(xué)家在媒體上受人注目。這種情況有一部分原因是對于未知的浪漫想象：一邊是神秘的模型，能像魔法一樣進行股票交易、或是立刻了解用戶的喜好，聽起來多么令人心動。而另一邊則就是坐在那里想破頭，思考著因果關(guān)系、取樣偏誤，還有數(shù)據(jù)里的「如何」和「為何」，聽起來就是沉悶的工作。然而，后者卻也可能是你真正需要數(shù)據(jù)科學(xué)家替你做的工作。在還沒開始聘任過程前，只要先問一下這個關(guān)鍵問題，公司就能不隨波逐流，而能真正針對自己的需要、尋得最符合的數(shù)據(jù)科學(xué)家。