年薪超70万 为什么数据科学家们还都忙着找新工作？
策划编辑 | Vincent
作者 | Jonny Brooks-Bartlett
编译 | Debra
是的，我是一名数据科学家。没错，就是数据科学家这个名头。我们一定听到很多人说，数据科学家是 21 世纪最性感的工作，干这行有赚不完的钱（根据权威部门统计：入门级数据科学家的平均年薪约人民币744253元）、这行里有很多经验丰富的人才，他们聊着一些别人听不懂的技术解决方案的话题，似乎一切都表明这是一份理想的工作。
然而事实上，《金融时报》这篇文章没骗人，数据科学家们的确每周花 1-2 小时的时间找新工作。
这篇文章还说，“机器学习专家在急于找新工作的开发者中拔得头筹，占比 14.3%（此处指的是机器学习专家这一岗位中有 14.3% 的人正在寻找新工作，下同）”。数据科学家紧随其后排第二，为 13.2%。”这是 Stack Overflow 对 64000 名开发者调研得出的结论。而在 2018 年 Stack Overflow 的最新开发者调查中，数据科学家和机器学习专家共有 18% 的人正在急于寻找新工作。
&utm_medium=meta&utm_campaign=dev-survey-2018-promotion#work）
我也是其中一份子，最近在忙着找新工作。
为啥这么多数据科学家不想好好干了？
首先我声明，目前我仍是一名数据科学家，也没有想断了其他人成为数据科学家念头的意思，这份工作其实还是挺有意思的，报酬也不错。我写这篇文章的目的只是想发发牢骚，晒晒这份工作不好的一面。
在我看来，数据科学家不满他们的工作主要归咎于 4 个原因。
1. 理想太丰满，现实很骨感
大数据就像是青春期的性爱：每个人都谈论，但没人知道它的滋味，每个人都觉得别人干过这事，所以所有人都假装自己是老司机。”
——Dan Ariely
这句名言还真是贴切啊。很多初出茅庐的数据科学家（包括我自己）进入这个领域都是奔着数据科学能够用新型的机器学习算法解决复杂问题，对商业产生巨大影响这一点去的，这很酷不是吗？这让我们觉得我们从事的工作比以往做的所有事情都更有意义。然而，事实是残酷的。
在我看来，“理想很丰满，现实很骨感”是很多数据科学家离开这一领域的最终原因。具体的原因太多，我不能一一穷举，但是这篇文章中的几个问题是我切身经历的。
每家公司情况不一，因此我不能以偏概全，但是的确有很多公司在招聘数据科学家，却没有为他们在公司组织中安排一个合适的位置，以利用 AI 获取价值。这会导致 AI 的冷启动问题。加上在招聘那些初入这一领域的小年轻时公司并没有能够招到高级、经验丰富的数据科学家，这对于没有经验的他们来说会很迷茫，不知如何自处。
数据科学家们可能是抱着编写智能机器学习算法，来推动 AI 洞察力发展的目标来的，但他们却发现无法做到这一点，因为他们实际上几乎整天都忙于需要整理数据基础架构和 / 或创建分析报告。与他们的期待相悖，公司好像只需要一张可以在每天董事会会议上展示的图表。然后这家公司会感到沮丧，因为他们没有看到他们的工作迅速产生价值，随后导致数据科学家对他们扮演的角色不满。
Robert Chang 在他的博客文章中给出了非常有见地的想法，给初级数据科学家们提出了一些建议：
文章地址：@rchang/advice-for-new-and-junior-data-scientists-2ab02396cf5b
评估我们的抱负与我们所处的环境之间是否一致是非常重要的事。找一家最能与你志趣相投的项目、团队和公司。
这很明白地说明了雇主和数据科学家之间的双向关系。如果公司与数据科学家的目标不一致，那么数据科学家发现其他存在的问题只是时间问题。
Samson Hu 关于团队建设的一篇文章 Building The Analytics Team At Wish 也非常有见地。
文章地址：
数据科学家感到失望的另一个原因，与我为什么对学术界失望的原因相似： 我相信我能够对世界各地的人们产生巨大的影响，而不仅仅是在公司内部。 事实上，如果公司的核心业务不是机器学习（我以前的雇主是一家媒体出版公司），那么你所做的数据科学很可能只会带来很少的收益。这些成果积少成多，或者你可能很幸运地偶然发现一个金矿项目，都会让价值增加，但这种事情可遇不可求。
2. 政治至高无上
关于政治性的话题已经在一篇精彩的文章中有所诠释：数据科学最困难的问题：政治（The most difficult thing in data science ，推荐你读一下。这篇文章的前几句话几乎总结了我想说的：
当我早上 6 点醒来研究支持向量机时，我想：“这真的很难！但是，嘿，至少我会对我未来的雇主非常有价值！“如果我有一台 DeLorean 时光机，我会回到过去给自己打电话：“放 TM 屁！”
如果你觉得掌握很多机器学习算法会让你成为最有价值的数据科学家，那么你可能会失望，请参见第一点：理想很丰满，现实很骨感。
事实是，企业中最有影响力的人需要对你有一个好印象。这可能意味着你必须不断进行临时工作，比如从数据库中获取数字，并在正确的时间交给合适的人员，做一些简单的项目，为的就是给人留下好印象。在我以前工作的地方我必须做很多这样的事情。尽管觉得沮丧，但这是我工作的必要组成部分。
3. 数据出问题，大家都找你
尽管你竭尽所能取悦那些有影响力的人，但他们往往不明白“数据科学家”的含义。这意味着你不仅是分析专家和首席报告人员，不要忘记你还是数据库专家。
不仅只有非技术高管把你视作无所不能的大神，技术上的其他同事也觉得你了解所有和数据相关的东西， 你得知道 Spark，Hadoop，Hive，Pig，SQL，Neo4J，MySQL，Python，R，Scala，Tensorflow，A / B Testing，NLP，和所有机器学习相关的知识 （以及其他任何你可以想到的相关数据——如果你看到一份招聘信息包含所有这些，请清醒一点。这表明这家公司不知道他们的数据策略是什么，什么人他们都敢雇，因为他们认为随便雇一个做数据的就能帮修复所有的数据问题）。
还有更多。因为你知道所有这些东西，而且你可以访问所有的数据，所以你需要能够回答所有的问题...
告诉大家你真正知道并掌握哪些知识不是件容易的事。不是因为他们会看低你，而是因为作为一个没有行业经验的初级数据科学家，你会担心人们会看低你。这可很难熬啊！
4. 在一个孤立的团队中工作
一款成功的数据产品一般会有专业设计的用户界面，带有智能功能，最重要的是，它会产生有用的输出，至少可以解决用户的问题。现在，如果一个数据科学家把时间花在学习如何编写和运行机器学习算法，那么在产品成功产生价值的过程中，他们只能作为团队中的一小部分（尽管是必要的）。这意味着，在孤岛中工作的数据科学家团队必须拼命显示自己的价值！
尽管如此，许多公司仍然有数据科学团队可以自己发起项目，并尝试用代码来解决问题。在某些情况下，这可以满足要求。例如，如果公司需要的只是每季度生成一次静态电子表格，那么它能有一些价值。另一方面，如果目标是为网站产品提供智能优化建议，那么这将涉及许多不同的技能，这就不能指望绝大多数数据科学家具备所有技能（只有真正的数据科学大神才能做到）。因此，如果项目是由孤立的数据科学团队组成的，那么任务很可能会失败（或者需要很长时间，因为组织孤立的团队在大型企业中开展协作项目并不容易）。
因此，要成为行业内成功的数据科学家，仅仅在 Kaggle 比赛中完成一些在线课程是不够的。幸运的是（或不幸，取决于你看待它的方式），这些课程涉及一些阶级和政治如何在商业中发挥作用的内容。在寻找能够满足你需求的数据科学工作时，最关键的一点是要找到一家与你的规划相符的公司。但是，你仍然需要重新调整对数据科学家岗位的期望。
如果你有任何意见、问题或反对意见，请在留言区发表评论，因为有建设性的讨论对帮助有抱负的数据科学家对他们的职业道路做出明智的决定是非常必要的。
希望我没有让你失业。
原文链接：
本文来自AI前线，创业家系授权发布，略经编辑修改，版权归作者所有，内容仅代表作者独立观点。