数据科学是一个复杂的专业。你的雇主依靠你来整理大量的通常是混乱的数据集，以找到可能“拯救”或“摧毁”公司的先见。你必须了解最新的工具、编程语言和技能。

而工具只能带你走这么远——在某一点上，你必须对面前的数据进行逻辑上的猜测。

话虽如此，对于那些拥有良好技能和丰沛经验的人来说，数据科学确实是一个有利可图的职业。根据 Lightcast 收集并分析的来自全国各地的数百万份招聘信息的数据显示，数据科学家的中位工资目前为112359美元。如果有了专业技能（如机器学习和人工智能），这位数据科学家的工资还可以攀升得更高。

但是，哪些数据科学家技能很重要？除了工具、平台和语言之外，你还需要知道什么？不如让我们深入了解一番：

成为数据科学家需要具备哪些技能？

数据科学家的项目和目标可能因组织和任务而异。然而，数据科学基于各行各业通用的技术技能基础，其中包括：

• 统计（即统计分析）
• 数据处理
• 数据可视化
• 数据存储
• 编程语言（Python、R 等）
• 机器学习
• 人工智能

数据科学专业的核心是分析海量数据集以获得先见。有效地做到这一点取决于数据科学家的直觉和分析技能，而这与他们的所受教育和经验有关。在数据科学家职位的面试中，你可能会面临关于如何根据不完整或混乱的数据集做出决定或预测的问题；即使你不知道答案，你的面试官也会希望你有良好逻辑的情况下，提出能彰显你受过教育的猜测，以及（除非你刚刚开始）以前的经验。

鉴于数据科学的流行，许多专家正在转型为数据科学家的角色。例如，许多经济学家，数学家，研究科学家和统计学家决定从事数据科学；在这种情况下，他们现有的分析技能很容易转移到他们的新工作中。

数据科学家需要商务技能吗？

如果你只是在公司中分析数据（并传达结果），商务技能确实不会那么重要，但对特定行业的详细了解还是必须的。

“假设我在一家航空公司的 D&A 工作，而我是人工智能工具的向导，可以创建关于人们乘坐多少次航班、实际购买机票前的平均搜索次数、平均机票支出、平均每人每年的航班等信息——根据系统提供的基本数据，“IT 研究和咨询公司 ISG 的首席数据和分析官KathyRudy在 2021 年告诉 Dice，“这些都是很好的信息，但企业需要知道什么？也许它是特定航线上的平均空座位数或每个航班等候名单上的人数，以确定他们是否需要将航班添加到航线？仅仅知道如何使用 Xbox 并不意味着你知道如何玩游戏。”

了解企业的需求通常需要与整个组织的业务利益相关者（如经理和高管）进行频繁的沟通。其他数据科学家可以选择追求正规的教育机会（如果不是追求完整的学位，如 MBA）然后去争取课程会计，数字营销，或其他任何你的组织关注的位置。

数据科学家还需要沟通和同理心等“软技能“，因为他们需要以其他利益相关者方可以理解的方式将他们的计划和分析结果传达给他们。

数据科学家、数据分析师和数据工程师有区别吗？

这个问题的答案很明确：有区别。尽管数据分析师和数据科学家有一些相似之处（如专注于分析数据集等），这三个角色肯定是不可互换的。以下是角色的分解方式，特别是关于技能：

• 数据科学家：正如我们所讨论的，数据科学家将统计数据，大数据处理，分析工具，机器学习相结合，将海量数据集转化为组织可以用来生存和发展的关键见解。这是一个非常具有战略意义的角色，需要许多技能，包括批判性思维和数据分析。
• 数据分析师：与数据科学家一样，数据分析师的任务是分析数据以获得先见——但他们通常在更“战术“的小范围里进行。“典型的“分析师可能会与最终用户合作，找出他们需要的数据，然后分析数据集并传达结果。关键的数据分析师技能和工具包括 Apache Hadoop、数据可视化套件（如 Datawrapper 和 Tableau）。
• 数据工程师：数据工程师构建和维护（通常是大规模）数据存储库，例如大公司使用的客户信息数据库。他们还通过这些系统监控数据的移动和状态，并可以帮助数据科学家和数据分析师定位和清理所需的数据集。关键技能和工具包括 Hadoop、Docker、Scala 和 Kubernetes。

数据科学家需要哪些认证？

数据科学行业有很多认证，以下是三个超受欢迎的认证：

• Certified Analytics Professional (CAP)
• Senior Data Scientist (SDS)
• SAS Certified Data Scientist

请记住，许多数据科学认证是针对更高级的数据科学家（即那些在该行业工作多年的人）。还有一些认证可以验证你对特定工具和平台的熟练程度，如 SAS，Azure，Google 的 TensorFlow 等。

哪些数据科学家技能会提高你的薪水？

了解机器学习和人工智能（AI）等“前沿“技能将使你对潜在雇主更有价值。但是，如果你想真正展示你的价值，请尝试掌握尽可能多的数据科学工作。

这是为什么呢？根据SlashData分析，大多数数据科学家和机器学习专家只了解整个数据科学/机器学习（DS/ML）工作流程的一小部分，而参与数据探索和分析的比例最高，相比之下，他们参与模型部署、项目管理、模型健康和生命周期管理的比例要少得多。他们确实非常擅长他们的工作——但学习更多的工作流程（以及每个工作流程中涉及的数据科学家技能）可以为他们打开整个世界的机会。

作者：Nick Kolakowski