資料科學家 vs. 資料科學團隊
21世紀最性感的職業，面對現實、考量即戰力，團隊作戰比起單打獨鬥是更務實的做法。
2012年，資料科學家被哈佛商業評論點名為「21世紀最性感的職業」
2017年，我也曾經立志要追求這份性感的工作，當個資料科學家！
回顧過去半年多的實務操作、摸索，我認真覺得建立一個 「 資料科學團隊」是一個更務實、更可行的辦法。
首先，我們先來探究 「 資料科學的本質到底是什麼？ 」
- 資料科學是一門跨領域學科，結合程式設計、數學與統計和產業應用。
- 資料科學是一種專業能力，從零散資料中，找到規則、意義和價值。
- 資料科學具有高度需求，在資訊爆炸時代，要能抽絲剝繭、找出競爭力與商業價值。
「 所謂的跨領域學科，不同學科的重點是什麼？ 」
- 程式設計 — 抓取、判斷資料，運用技術從中分析、挖掘出有幫助的資訊。
- 數學與統計 — 選擇實用的數學方法，去診斷問題、開發並改善統計方式。
- 商業應用 — 根據不同領域的使用情境，去釐清待解決問題、設定目標、了解限制。
用白話文的說法，一個資料科學家，須具備有資工、資管系寫程式的能力; 還要有數學、統計系的背景，找到適合的統計方法 ; 除此之外，還要有企管、國企系相關的商學院背景，能夠切入市場的需求並提出全盤性的策略。
資工跨數學、數學跨商管、資工跨商管，只要有心，雙修不難。
但三者兼具，不只略懂還要能融會貫通就不是一件容易的事！
真正的資料科學家不好找，而要培養一位資料科學家，也不是一蹴可幾。
如果短時間要達到即戰力，除了花大錢找到稱職的資料科學家，另一個更務實的選項，就是建立一個資料科學團隊。
資料科學家可大致分為兩種取向：策略型與技術型。
- 策略型資料科學家 ：對於商業敏感度高、具有商業思維，擅長商業活動的規劃與執行，善用數據分析作為輔助工具，提出問題假設和挖掘企業內部問題。
- 技術型資料科學家：工程師或統計學背景，擅長活用軟體工具和程式語言，往往扮演找問題答案、提出解決方案的角色。
簡單的說，對於文組背景的人而言，成長曲線主要從左上到右下 ; 而理工背景的人，成長曲線比較是從右下到左上。
根據不同的背景和學科，資料科學家可再細分為以下類型：
- 商業智能 (Business Intelligence Analysis):著重於投資報酬率、獲利率、商業決策分析、動態報表以幫助企業決策，並轉化為企業的競爭優勢。
- 資料視覺化 (Data Visualisation)：數據的呈現方式考量認知心理學和視覺設計。
- 統計 (Statistic)：專精於建立模型、預測方法、假設驗證、實驗設計、取樣和品質保證。
- 機器學習(Machine Learning)：擅長學習演算法、資料蒐集和驗證、精準指標、培訓技法。
- 資料工程師 (Data Engineering)：建立資料流程圖和架構、數據倉庫設計、ETL增量數據資料擷取/CDC異動資料擷取、針對不同資料規模評估合適的處理技術。
- 軟體工程師 (Programming)：擅長不同的程式語言並活用於企業營運系統設計。
對於個人而言，這樣的分類光譜，可以幫助了解自己所擅長的領域並規劃自己未來的成長曲線，培養自己成為一位資料科學家。
對於公司而樣，透過這樣的分類方式，有助於思考資料科學團隊建立時所需要的夥伴特質和屬性，只有找到互補、互助的組合，才能發揮團隊效益、創造奇蹟。
最後，如果要成立一個資料科學團隊最大的挑戰是什麼？
「 溝通 」、「 溝通 」、「 再溝通 」「 說對方聽得懂的話」「 精確表達你的意思」「 正確理解夥伴的想法」
不同學科背景的人有不同的思考模式，資工的人看問題已經在想這要怎麼寫程式、統計的人看問題是在想有什麼統計方法可以做數學計算、學商的人反而是思考這問題我要推出什麼樣的產品或服務才能讓客戶願意掏錢，大家各懷鬼胎 👻 👻 👻
如何做到有效率的溝通、甚至能夠聚焦在核心問題上，反而是團隊合作中很重要的一環，也是需要時間建立所謂的團隊默契。
關於溝通這點，是我在資料科學團隊中，覺得最有挑戰、也最有趣的部份。
有時候你會氣到覺得怎麼都講不通、為什麼就是聽不懂我要說的、煩死了！
但有時候有會驚豔到，喔～～～原來可以這樣子看事情呀！在夥伴身上也看到不同的世界，一直到現在，我還是常常驚喜不斷，或者是說崩潰不斷 😆
印象最深刻的一件事，是夥伴們幫大客戶取的代號：MFCG
才疏學淺的我只知道 TSMC (台積電)，MFCG是什麼鬼呀？
請看下圖：
餵公子吃餅 XDDDD (好吧！我服了！畢竟在現實世界，有錢是大爺！)
看完之後，如果喜歡我的文章，請給我1~9個拍手！
看懂MFCG笑點，歡迎給我10個拍手，讓我知道有多少人懂！
看完會想轉發、分享的請給我15個拍手～
讓我可以同步感受這篇文章對大家有沒有幫助喔～～～
