评论
作者：Polly Mitchell-Guthrie，Kinaxis 副总裁，行业拓展与思想领导。
1. Google 网络安全证书 - 快速进入网络安全职业生涯。
2. Google 数据分析专业证书 - 提升你的数据分析技能
3. Google IT 支持专业证书 - 支持你的组织的 IT 需求
如果一位数据科学主管拥有超过 10 年的分析团队领导经验，她的团队获得了奖项，积极参与会议演讲，并且拥有顶级项目的工业工程博士学位，你会聘用她吗？当然！但如果她没有深度学习、Kubernetes 和 Tensorflow 等工具/技术的实际操作经验，这会让你犹豫吗？不应该，但这个职位要求在许多高级数据科学领导职位的招聘广告中依然存在，所以让我来解释一下谁适合领导团队，以及为什么对最新工具的经验不应成为首要条件。
几个月前，我与我刚刚描述的那位专业同事交谈，因为她在为一家在分析和数据科学方面竞争激烈的财富 100 公司领导团队多年后正在市场上寻求新机会。她感叹说，许多职位描述要求对最新工具有“实践”经验。我一直看到所需的技能与许多职位招聘广告要求之间的差距，因此我在 LinkedIn 上写了关于这件事的文章。这篇文章引发了广泛的讨论，所以我决定对其进行扩展评论。
我将再次向人力资源部门和招聘数据科学领导者的公司提出请求：如果你希望最大化数据科学团队的成果，请聘用那些擅长领导团队并在数据科学中取得成果的人。停止坚持要求对最新工具和技术有多年的实践经验，这些人在被聘用后可能不会亲自使用这些工具。相反，重视他们实际需要的技能，这些技能对团队的成功比对 GPT-3 的熟练程度更为关键。
虽然你不希望有人脱离实际，但你确实希望有人知道如何构建业务问题，帮助数据科学家将业务问题抽象成他们可以建模的技术结构，指导他们向业务领导解释结果，考虑可用性和部署，并发展职业生涯。我把数据科学所需的技能视为凳子的腿。编程经验、定量严谨性、商业头脑和人际交往技能都是必不可少的，但凳子需要一段时间才能平衡。初级数据科学家是团队的一部分，所以你可以容忍他的凳子有些摇晃，因为其他人可以弥补他较弱的领域。你的领导者的凳子需要平衡，但这种平衡是技能随着时间的发展而形成的稳定性结果。
这种平衡通过我多年前与另一位前同事安妮·特杰普的交流得到了很好的说明。她将数据科学家的发展与冻酸奶相提并论。她认为，人们从一组优势开始，就像最初添加到杯子中的冻酸奶旋涡一样。对于大多数初级数据科学家来说，首先发展的是编程和定量严谨性，这些他们在大学或通过在线课程和实践中学习。尽管研究显示对沟通和人际交往技能的兴趣在数据科学家的广告中占据主导地位，但学术项目仍然在这些领域的课程设置上有所不足。
随着时间的推移，安妮可能会增加“…创造力（我称之为自信），这提升了建模，然后是业务，这进一步改善了建模和创造力，然后是沟通，这进一步改善了建模、创造力、业务和编程，但最终选择专注于沟通、业务、编程和/或建模——没有哪个维度可以在没有其他维度的情况下在分析中被可信地完成。除了当他们什么都不知道或对每个领域都略知一二时，各维度的强项在任何特定时间点上都不会平衡——这两种情况都不是很有效——谁会想要一层冻酸奶？人们的发展是不均衡的，所有技能的培养需要时间，即便你发展了这些技能，你也可能选择不主动保留所有的技能。” 就像数据科学家通过经验不断丰富她的技能集一样，额外的冻酸奶风味也被添加进去。
当数据科学家在职业生涯中进入更高级的领导角色时，她需要发展她的支柱，专注于商业洞察力和人际交往技能。当她达到总监级别或更高时，她可能已经多年没有亲自编写代码了，也不应该编写。她将忙于领导，这意味着她深入了解公司的业务，吸引、留住和培养人才，识别数据科学能带来最大价值的领域，确保数据科学从实验室成功转向生产，并将这一价值转化给非技术领导者。即使她错过了亲手编程，她也没有时间跟上最新的工具，因为她有太多其他的事务要处理。
然而，这里有一个最近的高级副总裁数据科学的职位描述：“精通 R、SQL 和 Python，包括 Tensorflow、Keras 和 XGBoost 库。” 此人还被期望领导一个“由数据科学家组成的大团队”，以“提升公司的盈利能力，改善客户体验，提升衡量和管理风险的能力……提取有价值的商业洞察，将这些洞察转化为实际的好处，并向执行团队传达结果……与各部门的业务领域专家合作，以理解问题和目标。”
斜体部分是我的补充，因为我的观点是，这些斜体的动词是我期望高级领导者做的事情，而不是编写代码。领导者需要理解 Tensorflow、Keras 和 XGBoost 的商业价值、技术优势和局限性，但她不需要亲自获得这些知识。在高级领导层，她至少在这些工具出现后的过去 5-6 年中不断晋升，已经不再是亲自编写代码的那一类人了。
聘用大学应届生的价值在于，他们确实具备这些经验，特别是在深度学习等最新算法的量化严谨性和编程工具（如 GPT-3）方面。然而，虽然工具会不断变化，但近期毕业生不会深入掌握的内容是那种持久的商业洞察力和人际交往技能，这些是执行诸如翻译、沟通、协作和理解等能力所必需的。
这些技能是通过学习经验、听取业务用户关于他们问题的抱怨以及将这些症状转化为恰当框架的商业问题而获得的。初级数据科学家可能会直接着手解决问题的初步版本，并使用他们所知道的最复杂的数学方法来寻找解决方案。随着时间的推移，他们将改善正确抽象问题和选择正确方法（不总是最新的方法）来解决问题的能力，但如果由已经学习过这些经验的人引导，他们会更快达到目标。经验让我学到了很多，比如终于成功向认为 OR 意味着手术室的医疗领导解释运筹学，或者因为我们在规划部署时没有及时涉及 IT 部门而导致团队模型停滞不前。
数据科学计划失败是由于领导力，而不是因为领导者在过去一年中没有向他们的 GitHub 仓库添加内容。咨询公司 麦肯锡的 10 个失败原因列表 都涉及我强调的那些动词——缺乏明确愿景、对商业价值的理解不足、翻译差距、角色模糊、团队隔离等。太多的数据科学项目失败了，所以让我们通过聘用适合领导数据科学团队的领导者来设定成功的条件，而不是为他们编程。
简介： Polly Mitchell-Guthrie (@PollyMGuthrie) 是 Kinaxis 的行业推广和思想领导力副总裁，该公司致力于帮助人们做出自信的供应链决策。她曾担任北卡罗来纳大学医疗系统分析咨询服务主任，并在 SAS 担任多个职务。她非常参与 INFORMS，这是分析和运筹学领域的领先专业组织。
相关：