全文共字，预计学习时长11分钟图源：Unsplash首先，不用怀疑！数据科学家的行情好得不得了。如今步入年，没有几个职业能与搏斗妖魔鬼怪、获得至高荣耀以及数据科学家的指令相提并论。小芯曾目睹非数据科学家，或者非技术专家，把数据科学家视作有超能力的人。这是由多个因素导致的，媒体炒作是原因之一。但毋庸置疑，最关键的一点是，数据科学家的工作受到了社会的高度重视。下面是Gartner发布的人工智能成熟度曲线：为支持这个观点，这里附上Linkedin年最有保障的工作汇总，你肯定能猜到名列榜首的职业：这些数字令人咂舌。全世界各种公司，从《财富》世界强企业到零售店，都希望能够建立顶尖的数据科学人才团队。针对数据科学和人工智能的投资，在年达到新高。尽管势头向好，但仍有暗流涌动。数据科学家们正迫不及待地辞职，或者改换工作。为什么会这样？这其中有什么不为人知的原因吗？下文将分析5个主要原因，探讨为什么数据科学家离开他们曾梦寐以求的工作。1.将数据科学家映射到商业目标这是一个（不）流行的期望值问题。主要是因为近年来，围绕数据科学和人工智能的炒作。高管、CxO（电商企业首席惊喜官）、C-Suitefolks（全球高管）、投资方，所有在企业高层的人都想展示，他们的公司或项目处于最新技术进步的前沿。这就是问题所在——无数高管都觉得人工智能是解决他们商业问题的灵丹妙药。只要他们投资了人工智能和对的专家，他们就能快速解决问题。图源：Unsplash可惜事与愿违。数据科学项目通常涉及大量的实验、试验、误差方法以及相同过程的迭代，然后才能得到最终的结果。这意味着通常需要数月才能达到预期的结果。数据仓库和人工智能基础设施需要很多投资，这主要取决于公司的规模，但想在这项工作中有所发现需要时间，因为从大量数据里总结可操作的见解很耗时。因此数据科学家需要灵活的方法，让他们有时间和空间处理数据。很多商界领袖才不想这样。当数据科学家最终对他们的领导、以及他们不切实际的期望感到沮丧时，就导致了项目的流产。数据科学家和商界领袖如何才能有效合作：·加强数据科学家和商务团队之间的沟通。他们必须团结协作。·利用商界领袖的商业直觉和知识，这可以为数据科学家创造奇迹。·共同开发可衡量的业务绩效矩阵，来衡量数据科学家的业绩进程。·机敏对于数据科学家很重要。2.不同平台上不同数据科学项目大曝光两种选择里，你更希望：·选择1：朝九晚五的工作，必须调整自己的技能和成果，以实现公司的目标，或者·选择2：高度灵活的工作生活，可以在任何地方工作，并实现高度的自我成长。大多数人可能会倾向选择2。谁不喜欢弹性工作、自由选择自己想做的事情呢？图源：Unsplash如今，数据科学家有太多的选择可做：·他们可以在Kaggle、AnalyticsVidhya等平台上碰运气，在社区中赢得令人兴奋的奖金和巨大的声誉·如今的公司有激动人心的短期项目提供，对自由职业者的需求量很大·自由职业数据科学家则通过Spark,Hadoop,Hive,Pig,SQL,Neo4J,MySQL,Python,R,Scala,TensorFlow,NLP,计算机视觉，或者其它机器学习的方法来获得工作，因为他们会参与这个问题，并发现如何解决问题。·本季许多数据科学家热衷于选择写博客和个人板块。就像格兰特·桑德森GrantSanderson–，他是我的最爱！由于明显的后勤和项目相关的原因，公司不能向常驻数据科学专业人员提供上述的大部分。实话实说，这是任何项目不可避免的成本。3.理想与现实——巨大的鸿沟！这是数据科学领域普遍存在的问题。数据科学家预想的工作，和他们实际上干的活儿之间存在越来越大的差距。这是由多方因素导致的，它因不同数据科学家而异。经验水平也是这种期望差值中的一部分。以业余数据科学家为例。他们通常是自学成才，从书籍和在线资源里获取知识。他们并没有怎么接触真正的项目或者数据集。我遇到过很多这样的数据科学家，他们不知道：·机器学习工作流是怎么运行的？·编写软件工程在数据科学家技能集中的地位？·将模型投入生产或者部署模型意味着什么？等等·数据清理的重要性是什么？它凭什么占用大部分的时间？就像上文介绍中提到的，有机会使用流行的机器学习工具和最先进的框架，这对于新手们来说实在是太有吸引力了。坦白说，这对其他任何人也都很诱人。然而现实是——这个行业根本不是这样的。想要数据科学项目接近线上数据科学竞赛，这里面有太多的因素起作用。如何收集、存储数据；如何正确执行版本控制；如何部署模型进入生产——这些都是公司期待科学家掌握的关键方面。这种预期不匹配，是导致数据科学家辞职的主要矛盾。建议新手和业余数据科学家多与前辈、公司校友交流，弥合理想与现实之间的鸿沟。4.数据科学专业人士缺乏技能提升谁不喜欢挑战呢？数据科学领域面临这些挑战的时机已经成熟，因为进步的速度很快。以自然语言处理（NLP）域为例，过去两年开发项目的数量令人难以置信。几乎每个数据科学家都愿意研究这些新的技术和框架。毕竟，谁愿意多年在同一个Logistic模型上构建和迭代呢？数据科学家并不能对停滞因素免疫。过了某个时间点，会碰到一堵墙，想要迎接新挑战的感觉总是近在咫尺。图源：Unsplash此外，还有两个管理期望相关的因素，在上文中提到过。现实总是一团糟，对吧？任何一个员工都会在某个时间点后缺乏动力，这是无法避免的。死板的大公司更是如此。如果你们在任何一家蓝筹股公司工作过，很大几率会经历过这种情况。初创企业和中型企业在这方面做的较好，但是它们也带来了不同的挑战。下面是导致员工流失的三个关键原因：·缺乏基础设施：大多数企业都是如此，他们缺乏计算系统、工具可访问性等基础设施，无法起到支持数据科学家的作用。·业务范围：业务的经营能力可能是有限的。对于数据科学家来说，要从数据中推断出更多的见解可能会有困难。·缺乏相关研发：数据科学家会喜欢探索超出工作范围的领域。例如，如果是计算机视觉专家，想了解NLP，那么研发区是最好的地方。然而大多数公司都没有这样做，这也是员工流失的原因。5.薪酬发放没有明确标准图源：Unsplash眼前一亮？薪水是人们想要进入数据科学领域，并担任全职工作的主要原因之一。麦肯锡、Glassdoor等公司的报告显示，数据科学家平均工资过高。大多数人都会被这些报道中引用的数字吓到。数据科学家薪水的基准高到起飞。顶尖的数据科学家被谷歌和苹果这样的公司挖走时，你肯定已经读过今年的新闻了，关于伊恩·古德菲勒的事情。这种情况经常发生。在各自领域从事杰出工作的数据科学家通常会被《财富》强企业高薪挖走，这些公司提供的工资高得离谱，而中型和小型公司通常却不能提供这么多。在薪水方面需要有基准。即使在中等收入的公司里，技术水平较高的新手的薪水，也要和经验丰富的数据科学家有明确界限。·即使是很有潜力的员工，工作中也有令人不满意的地方·这是员工在办公室相互影响，考虑其他工作机会的重要原因这方面与其他工作没有太大的不同，不是吗？公司如何留住他们的明星数据科学家？图源：Unsplash下述是经过尝试的方法，使得企业能够保留最有才华的数据科学家：·创造高能的学习环境：这对于一个人的个人和职业成长不可或缺。在这个领域，每天都有新的东西需要探索，追上这样的发展速度，为数据科学家提供一个循序渐进的进步学习环境是至关重要的。·建立强大的研发团队：创建研发团队可以在该领域开展高质量的研究。使得员工能够对深层次的主题进行研究，这是追求卓越的秘诀。·设定薪水标准：设立薪水标准会加强信任感，给数据科学家带来保证，他们是按照最好的行业标准支付。这可以理解，但是很难做到。结语图源：Unsplash数据科学领域的一切都是超动态的。我们仍在慢慢理解很多事情，所以对于企业来说，仅仅停留在某个方面、过程或者结构是很困难的。随着时间的推移，未来会有完善的系统和流程，数据科学家将拥有令人满意的工作环境。无论是从商业角度还是从数据科学家的角度，大家都需要努力。如果你也曾面临同样的情境，或者想要分享你的亲身经历和其它事情，欢迎在文末评论区留言！留言点赞
