優秀的數學家可以成為***的數據科學家，但光是會在筆記本上寫公式可不行，他們還必須熟練地運用計算機來處理數據。

如果他們的所有經驗都來自學術機構，當他們面對現實問題時，可能會束手無策。尋找有實踐經驗的人，不要在這方面妥協。

對數據科學的熱情以及掌握一定的技能，這是成功的關鍵。如果你只是假裝有興趣，或者并不具備重要的技能，總有一天，你會原形畢露。

[[166196]]

如今，數據科學家已是炙手可熱，那些曾經對其毫無所知的企業，眼下也開始在全世界搜尋***的數據科學家。問題在于，優秀數據科學家的標準是什么?和其他東西一樣，數據科學家也是良莠不齊，招聘他們是一項重要的投資，如果選了個“次品”，你會付出沉重的代價。憑借一批出色的數據科學家，Facebook為自己的社交媒體平臺注入了富有創造力的新功能，令用戶為之興奮。

過去10年里，數據呈現爆炸式增長。大數據撲面而來，普通人很難弄懂它的含意，更別提加以利用了。但數據科學家能從中提取出有價值的信息。對一家公司來說，數據科學家的雇用成本很高，由于這方面的人才供不應求，他們的薪水會迅速上漲。

在當今這個時代，解雇員工同樣代價不菲，錯誤的招聘會使你的公司倒退幾個月。所以，在尋找優秀的數據科學家時，你也應該警惕蹩腳數據科學家的跡象。如果發現以下10個跡象中的任何一個，你都應該迅速遠離。

1. 糟糕的數學背景

許多計算機專家和程序員都會把自己說成是數據科學家，但實際上，真正出色的數據科學家通常擁有數學背景。優秀的數學家可以成為***的數據科學家，但數學不好的程序員不行。蹩腳的數學家無法有效地分析數據，而這恰恰是數據科學家的首要任務。

2. 計算機知識貧乏

沒錯，優秀的數學家可以成為***的數據科學家，但光是會在筆記本上寫公式可不行，他們還必須熟練地運用計算機來處理數據，要熟悉Spark和其他系統。如果你的數據科學家堅持要求配一名助手，因為他用不來電腦，那么你應該繼續尋找，去雇用其他人。

3. 沒有全能型人才

一個人集統計學家、開發員、數學家和其他身份于一身，并不意味著他能成為一名數據科學家。幾乎可以肯定的是，他擁有跨領域知識，能夠根據不同的職位需求來推銷自己。他也許什么都會，但可能什么都不精。

4. 純粹的學術派

你需要有實踐經驗的人。如果他們的所有經驗都來自學術機構，當他們面對現實問題時，可能會束手無策。尋找有實踐經驗的人，不要在這方面妥協。

5. 缺乏團隊精神

數據科學家將和其他人共事，所以你不會想要一個不合群的人，即便他再怎么聰穎過人。數據科學家應該真正地融入團隊，了解整體情況，做出全面改進。而如果他們不能和其他人融洽相處，就做不到這一點。

6. 缺乏商業知識

數據科學家不能只會運用理論。他們還要重視經過驗證的技巧，運用可靠的傳統方法。這些都來自于實踐經驗。

數據科學家需要參加商務會議，通過演示向高級管理層闡述分析結果。因此，在雇用一名數據科學家之前，要確保他擁有一定的商業知識，這一點非常重要。

7. 不熟悉工具

你面前的那個人擁有豐富的技術知識，但他們能否運用這些知識?如果他們沒有實際運用過SAS、R、Scala、Python或其他計算機語言，他們可能只會像一個“繡花枕頭”，中看不中用。

他們必須能夠利用工具來闡釋和轉化信息流。

8. SAS成癮者

有些SAS開發人員會把自己包裝成數據科學家，但他們不是。數據科學家應該掌握多項技能，對于某個具體的問題，他們可以運用多種不同的系統。而蹩腳的數據科學家在遇到任何問題時，都只會采用同一種技能，他們希望用一種語言就能解決所有問題，這是不切實際的。

9. 沒有理科學位

這是個不好的跡象，因為數據科學屬于理科范疇。你也可能自學成才，但如果有人能秉持科學原則，并且掌握了分析學的一般性應用，還畢業于名牌大學，此人更有可能給企業帶來價值。***能擁有碩士學位。如果在其他領域還擁有一技之長，此人將是一只潛力股。

10. 不會用通俗語言來解釋

數據科學家應該能用通俗易懂的日常用語來解釋最復雜的問題，不能與現實世界脫節，這會導致你的解決方案無法被人理解，而且你需要花費一定的時間和精力來克服語言障礙。

雖然有很多重要的數據科學技能可以后天習得，但有些卻是天生的。那些妨礙你進入數據科學領域的因素常常無法改變或糾正。對數據科學的熱情以及掌握一定的技能，這是成功的關鍵。如果你只是假裝有興趣，或者并不具備重要的技能，總有一天，你會原形畢露。