原文：
www.kdnuggets.com/2019/04/why-data-scientists-need-work-groups.html
评论
由 诺曼·阿尔维森 提供，EssayPro
有些人实际上更喜欢独自工作。trade-schools.net 上有一篇非常有趣的 文章，列出了许多适合孤独者和内向者的工作。如果你阅读这篇文章，你会发现数据科学家的职位并没有列出。本文将探讨数据科学家需要在团队中工作的原因。
1. 谷歌网络安全证书 - 快速进入网络安全职业的快车道。
2. 谷歌数据分析专业证书 - 提升你的数据分析技能
3. 谷歌 IT 支持专业证书 - 在 IT 方面支持你的组织
外向型人格在与他人相处时最为快乐。外向型人格的职业典型例子包括政治、教学和销售。内向型人格则与外向型人格相反，倾向于独处或只与小群体的人在一起。将数据科学家简单归为外向型或内向型将会失败。数据科学家包括这两类人。SAS 组织制作的一个非常好的 报告 探讨了这一点。
在这篇文章结束前，我将谈论数据科学家实际执行的任务。作为一个领域新手，即便拥有良好的大学学位，你也需要帮助来启动你的第一份工作。
在数据科学领域的专业工作与参加数据科学竞赛或在大学及其他学习机构做项目有所不同。以下是一些例子。
-
你的工作必须与组织的实践保持一致。你将需要指导，以确保其达到这种协调。
-
你会发现大多数真正的数据科学工作是团队合作完成的。你将需要指导来帮助你融入这个团队。
-
你做的许多工作必须是稳健的。有人必须告诉你你的工作输出必须对什么保持稳健。
最近在*Data Science Weekly*网站上的一篇文章列出了 30 种不同的工具，包括统计包、计算语言和网络工具，这些工具在数据科学领域中非常抢手。
排名前六的工具是：
-
R 计算语言
-
SQL[结构化查询语言]
-
Python 计算语言
-
Hadoop 网络套件
-
SAS [统计分析系统]
-
Java 计算语言
数据科学领域非常广泛，但幸运的是，为了找到一份工作，了解这些工具中的一小部分就足够了。
一个好的建议是掌握一两个工具，并对其他一些工具有一定的了解。文章建议学习 R、SQL 和 Hadoop。它还推荐了一些对了解其他工具有用的建议。
鉴于所需工具的数量，显然需要一个由不同专业知识的成员组成的团队共同协作。
数据科学被描述为需要比任何其他人类活动领域更多的团队合作。正如大量工具[如上所述]所暗示的那样，许多类型的技能和专业知识是必需的：
-
其中之一是可视化。这对数据科学至关重要。可视化涉及从大型数据集中挖掘重要信息，并将其转换为可以采取未来行动的形式。这种形式可以是柱状图、电子表格、热图或其他形式。这项活动非常计算机导向。
-
数据科学中的一个重要技能是建模。这不是走秀上的建模，而是数学建模，涉及线性代数、贝叶斯统计、马尔科夫链等内容。
-
数据科学的重要组成部分是数据工程。数据工程师的责任是确保可视化工具所需的数据以可用的形式存在。
除了这些职责，数据科学团队的其他成员可能还需要与客户和客户进行接口。有时候一个项目太大了，需要多个数据科学家参与。他们必须能够协作。负责项目的人必须了解项目以及所有成员如何在项目上协作。
如果你是数据科学小组或团队的成员，那么了解一个运作良好的数据科学团队的工作方式是非常有用的。一个了解数据科学重要性的组织是Twitch，它是亚马逊的视频流媒体部门。关于这一成功的描述有很多来源。使用任何搜索引擎，输入data science twitch。你会找到许多关于一群数据科学家在技术前沿工作的文章。
另一家非常依赖数据科学团队的大公司是福特汽车公司。它的团队有一个很炫的名字——福特汽车公司全球数据洞察与分析部门 [GDIA]。公司在 2015 年之前已经使用了数十年的数据分析，但以一种临时的方式进行，直到 2015 年，该部门在年初成立时只有一个员工。目前，福特的 GDIA 部门已经有超过 600 名成员。
不是只有大公司拥有数据科学团队。Carvana 是一家位于亚利桑那州凤凰城的在线汽车经销商。它只有五十名员工，其中五名是数据科学家。这五名数据科学家在定价和融资方面对 Carvana 提供了极大的帮助。数据科学家的使用对小型公司和大型公司都大有裨益。
一些人喜欢独自工作，但大多数人更喜欢与他人互动。无论他们在这方面的愿望如何，数据科学家必须与同行紧密合作，并与非数据科学家进行对接。数据科学家通常需要经验丰富的专业人员来帮助他们进入职位。数据科学需要许多技能。数据科学家不太可能掌握其中的所有技能。为了使组织充分发挥数据科学家的作用，需要组建和谐且具有互补技能的团队。
简介： 诺曼·阿维德森 是一位经验丰富的自由撰稿人和市场营销专家。他目前在 EssayPro 担任博客编辑。他的兴趣包括技术、商业写作和网页设计。你可以通过 Twitter 联系他。
相关内容：
-
在接受那个华丽的数据科学职位之前三思
-
如何识别优质数据科学家职位与劣质职位
-
破解数据科学家面试