盡管近些年人工智能進入了大眾視野，也做了相當程度的宣傳，但沒有多少人能夠將人機互動達到最佳平衡。Dataiku最新的白皮書強調的是數據科學項目中的協作，它使整個數據團隊能夠更有效的探索、原型化、構建并交付他們自己的數據產品，同時有助于找出數據團隊可能存在的問題。想要獲得成功的企業，至少要在2018年余下的半年時間去解決這些問題。

數據項目&數據科學項目

與數據科學項目不同的是，數據項目僅僅是目標為建立更具分析深度的項目。打個比方，一個營銷歸因模型，它的目的是為了觀察分析營銷策略；一個運輸行業中的預測性維護項目，嘗試預測在不同地點更換零件的需求。

不過這些項目通常可以利用相對簡單的統計模型結合行業經驗解決。數據項目之所以能成為數據科學項目，需要利用更先進的機器學習方法，分析結合系統中添加潛在的、非存量的附加數據（如使用數據、點擊數據、傳感器數據、社會數據等等）。

在數據科學項目中，數據科學家和數據分析師之間就相互依存，前者關注的是潛在的新數據源和新的預測模型，數據科學家的模型和數據被數據分析師打包分析，統籌處理。

應該聘請什么樣的數據科學家？

不同的數據科學家有不同的優勢，就像文學家，不是豪放派的就比婉約派的高級，選擇不同的數據科學家完全取決于一家企業正在攻關的課題或項目。

擁有博士學位的數據科學家并不好招（跟別提薪資要求高），因為其中80%的人都被谷歌挖走了，從另一個角度說，他們也許也不適配于你的企業需求。

Dataiku的白皮書將數據科學家分為七類：傳說型、全能型、統計專家、二把刀型、ML工程師、垂直領域專家、明星級數據經理。縱然他們都有相同的職稱抬頭，但是必須理解和承認各種數據科學家都是有其作用，在不久的將來，不同專業類型的數據科學家會有不同的抬頭，也許就在明年有望成為一個新的趨勢。

為什么很多數據科學家會辭職？

美國Glassdoor公司（美國的一家企業點評與職位搜索的職場社區平臺）提名數據科學家為2018年美國最佳工作，Linkedln（全球知名職場社交平臺）則將數據科學家列入最佳工作的top10。但是與此同時，英國《金融時報》將數據科學家放在“尋找新工作”榜單榜首的位置。

其實仔細想想就能明白個中三味。

企業對數據科學家的需求很強烈，數據科學家們很容易就能夠找到待遇更好的公司，一定程度上意味著他們很難長期在一個地方。這也涉及到他們工作幸福感的問題，大多數人都不會傾向于頻繁更換工作，但是由于這個職位相對較新，很多公司不知道該怎么做去留住這些最重要且最前沿的角色。

一個數據經理想離職有很多原因。作為企業的管理者，需要確保數據團隊不被其他團隊孤立，開放的工作環境，保證溝通無礙；通過想其他團隊展示數據團隊的豐富內容，讓他們了解數據團隊在一個項目中的意義，能夠做什么來幫助改進流程或產品從而推動項目進程。

除了技術之外，溝通技巧也是重要一環，你肯定也不希望數據科學家通過Excel去推銷業務，數據科學家要會通過數據講故事，多角度縱橫分析。企業主招聘時要考量數據科學家的PPT能力。

每個行業都是成王敗寇，知道讓企業員工凝合聚力做到利益最大化，自然能封王拜相。不過這不僅僅是企業需要做的，數據科學家們的工作同樣不可或缺，發揮自己的特長幫助企業完成好項目，能夠與時俱進持續成長不故步自封，不斷提高工作幸福感。

非協作不成功

自2017年《福布斯》表示數據科學世界必須通力協作以來，這個觀點至今風靡。數據團隊協作模型的支持者提出各種論據來證明其效率及有效性，但是協作背景下，同時也意味著存在著很多誤解和矛盾。以下是關于數據科學協作的常見觀念：

-協作意味著數據科學家之間可以進行工作劃分；

-協作意味著工作可以依著更多初級和更高級的資源進行劃分；

-協作意味著工作可以仰賴團隊中不同的角色進行劃分；

這是迄今為止最有效率的數據科學項目協作辦法。

因為數據科學項目中的某些部分更適合數據分析師去做：數據挖掘和整理。一旦他們完成這部分的工作，處理預測或負責機器學習的工作才能繼續。

這意味著數據分析師和數據科學家能夠更大的發揮作用，因為他們不需要對整個項目負責，可以同時多線操作，服務于多個不同的項目。

在一些組織當中，同時承接的數據科學項目很多，在這種情形下，一個組織中的數據科學家數量可能成為一個限制因素——不可能每個項目都配備一個數據科學家。

基于以上，為了持續獲得收益，數據科學家和數據分析師之間的協作自然也變得尤為普遍。

我的公司是否能部署+管理多個預測模型？

-首先對標已經完成的組織，尤其是那些同一行業或者同類型的數據科學項目的組織。

-再問問自己，部署這些預測模型對你的企業意味著什么？（例如，是否意味著內部儀表板暴露給企業內的其他團隊，是否將推薦引擎暴露給了客戶？）明確答案后再確定后面的問題。