Hire the Top 3% of 自由数据科学家

对数据科学的需求在许多行业中名列前茅

In 2012, Harvard Business Review 将数据科学家的角色定义为“21世纪最性感的工作，而对数据科学家的需求只有 grown since then. 预计就业增长率为 36% 在接下来的十年里(与5%的平均增长率相比是最高的), 数据科学还有很长的路要走 91.9% 从2021年开始，超过一半的领先企业已经认识到这一事实，并加大了对大数据和人工智能的投资.

然而，数据科学并不是一个简单的领域，因为它需要许多熟练的技能. A data scientist shortage 存在于就业市场, 这导致了一场寻找能够仔细分析数据的经过审查的数据科学家的竞赛, 建立无偏算法, 并提出令人信服的见解.

At a minimum, 数据科学家需要广泛的统计和编程背景, 对生产数据集和模型有丰富的经验. 本指南指定了职位描述技巧, interview questions, 以及项目特定的技能要求，告知如何雇用数据科学家并最大限度地提高公司的数据洞察力.

是什么属性将优秀的数据科学家与其他人区分开来?

顶尖的数据科学家 应该具备统计、编程和业务技能以及相应的经验. 至少，经验丰富的数据科学家将精通四个关键能力领域:

• 务实、统计和数据驱动的心态 -处理数据需要统计学基础和对潜在缺陷和偏差的理解. 数据科学家必须了解潜在的技术风险, such as selection bias, survivorship bias, or Simpson’s paradox.
• 良好的沟通和业务理解能力 -数据科学是高度跨学科的. 数据科学家应该能够将业务需求转化为实际的解决方案, 展示获得的见解, 用外行的话解释答案.
• 有编程语言和数据库的经验 – To handle, analyze, and present data, 数据科学家必须精通一门编程语言(通常是Python)，并具有查询数据库(通常是SQL数据库)的经验, 不过根据你的项目，可能需要NoSQL数据库技能).
• 有生产数据集和模型的经验 -高质量的候选人将具有生产数据集和模型的实际经验，而不是只使用测试数据集，如在Kaggle (i)上找到的数据集.e.、数据大赛经验). 数据竞赛并不能教会学生处理真实世界数据所需的所有技能.

你是否还在想“数据科学家是做什么的??“没有简单的答案. 数据科学家是多才多艺的, 能够以多种方式从原始数据中创造价值的创造性思考者——他们必须掌握许多不同的概念.

对数据科学的熟练程度和结果有一个高层次的概述, 让我们进一步细分成功所需的有形数据科学技能:

• Python -数据科学家和机器学习开发人员普遍使用的语言.
• SQL – The language typically used by data scientists to communicate with databases; most candidates should at least have rudimentary SQL experience.
• Statistics -数据科学的核心数学基础，对数据科学家减少偏见至关重要, verify conclusions, 然后决定使用哪个模型.
• Data wrangling – The ability to transform raw data into a usable form; data scientists use this skill to clean and organize data during the 提取、转换和加载 (ETL) process.
• Data visualization – The visual presentation of data insights used to communicate key findings and verify results; data scientists should understand how to visualize and interpret data specific to your problem to ensure relevancy and avoid harm.
• Machine learning – The ability to train models on past data to perform on unseen data; at a minimum, 数据科学家应该了解简单的机器学习模型.
• Cloud computing – A key component of modern data-driven businesses; data scientists should be prepared to use cloud tools alongside models in cases requiring training, heavy computing power, 或者生产部署.

最后，一般的开发人员技能，如调试和使用版本控制工具.g., Git (最常用于版本控制)也是数据科学家必须使用的代码.

如何确定理想的数据科学家?

在寻找符合您的项目需求的数据科学家时，需要考虑多个因素. 当处理复杂的数据或更多的技术工作时, 包括研究和自动化, 你应该把重点放在有专长的候选人身上.

对于所有类型的项目, 以确保你有一个合适的, explain your problems, your business goals, and the data available, 然后让应聘者描述一下他们的相关经历.

Complex data—text, images, audio, video, 与时间相关的数据应该谨慎对待, 因为它的处理方式与表格数据非常不同，需要特殊的训练和方法. In this case, 候选人应该提供他们之前参与过的类似项目的详细概述，以及他们将如何将他们的技能应用到您的项目中.

如果您正在处理更简单的数据(例如.g.(结构化的、干净的数据)，您可以用较少的技术来满足您的需求 data analyst. 你应该在什么时候招聘数据科学人才，而不是数据分析师? 这是一个长期争论的问题，没有一个普遍的答案. 然而，有些差异是普遍同意的:

Skill	Data Scientist	Data Analyst
Programming	有丰富的编程经验(通常是Python)	可能不具备编程语言的知识
Working with data types	能处理原始的、非结构化的数据吗	通常只处理结构化的干净数据
技术专门化	构建处理管道和高级模型(例如.g.、预测、分类和自动化)	创建针对非技术受众的报告、可视化和见解
Collaboration	主要与技术团队成员一起工作	主要与业务团队成员合作

如果您的项目包含高级技术目标—执行任务自动化, 解决开放式研究问题, 或者实现全球业务改进(例如.g., 研究人工智能模型如何改善业务需求)——那么你的需求就会超越简单的数据分析, 你应该专注于招聘数据科学家.

当与数据科学家合作时, 您将从确定项目所需的数据科学保护伞下的精确专业化中受益:

• Data mining specialists 从大型数据集中提取信息.
• 数据工程专家 格式化和结构化数据以供分析.
• 数据库管理专家 在公司范围内组织数据.
• 数据可视化专家 准备数据的交互式可视化表示.
• 机器学习专家 创建高级模型来解决复杂问题.

Commonly, 不同专业领域的多名数据科学专家将共同努力实现团队目标.

如何为你的项目编写数据科学职位描述

当您确定了高质量数据科学家所需的技能和您的项目特定需求时, 下一步是写你的职位描述. 你的职位描述应该包括:

• 手头的数据、问题陈述和项目目标.g.、分析、可视化、预测模型创建、数据清理等.).
• 技术栈和可用资源, 包括项目的软件语言和框架, cloud providers required, and database type.
• 数据科学家处理问题的灵活性, 他们可以使用哪些模型, and what the data processing pipeline might look like; good candidates will be able to suggest different approaches tailored to your problem.

You may reference a 数据科学家职位描述 template 作为一个起点，并根据您的需要进行调整，以确定最适合这项工作的数据科学家.

数据科学是一个高度技术性的角色, 一旦你从招聘启事中确定了合适的申请人，通过多轮评估来核实候选人的背景是很重要的. 在面试前准备一个带有标准程序和理论问题的筛选测试可能会有所帮助. Also, 你可能想用一个与公司目标相关的可交付成果项目来审查高级数据科学家.

数据科学面试中最重要的问题是什么?

你选择的数据科学面试问题将主要由你的业务需求来决定. However, 有一些标准问题是所有数据科学家都应该正确回答的，然后再继续你的项目定制问题.

您可以从基本的数据科学概念开始作为热身. 不能回答这些问题的候选人可能没有足够的数据科学背景来继续前进:

什么是图形，为什么它很有用?

A graph (or network) 数据结构是否通常用于简化数据分析和可视化. 它用边连接的节点来表示信息:

• Nodes 表示实体，如人员、地址或电影列表.
• Edges connect nodes; they represent relationships between nodes.

让我们考虑一个简单的例子:一个图可能有一个用户节点连接到表示相关用户信息的其他节点(例如.g.，用户的居住国或用户感兴趣的几个话题). 企业可以将此图表及其所有信息用于应用程序，例如为每个用户提供量身定制的推荐.

SQL在数据科学中是如何使用的?

SQL是处理关系数据库时用于查询的标准语言. 它可以进行简单的查询(例如.g., 获取21岁以上的所有用户，以及汇总或计算统计值和其他计数的复杂查询. For example, 一个更复杂的查询可能会识别所有16岁以上的用户, 按他们的工作分类, 并返回排序后的计数, average credit score, and average salary.

---

在验证候选人的数据科学基础知识之后, 你应该评估他们对与处理大量数据相关的技能的理解——这些都是现代数据科学的必需品:

如何处理数据争论?

数据整理使数据集更容易分析和解释. 当起始数据没有很好地组织或缺乏标准结构时，这是必要的步骤. 它通常以标准方式格式化值，例如输入所有日期和时间 ISO 8601 format 或者用前缀组织所有的电话号码. 数据争用还可以帮助数据验证:例如, 它可以处理一个人的年龄为734岁或负值的情况.

的好处是什么 数据科学中的云计算?

简而言之，云计算降低了机器学习的成本. 机器学习模型在训练阶段通常是资源密集型的. 虽然他们可以使用任何机器.g., a laptop) for testing, 一旦模型被验证并准备好进行真正的训练, 它们需要更多的计算时间和能量, in many cases, specific hardware, 哪个买起来特别贵. 云计算允许数据科学家租用硬件(并从云端执行计算)。, 这使得训练一个模型更容易负担得起.

---

我们已经涵盖了适用于许多项目的基本数据科学问题，这些问题作为起点，并展示了应聘者的答案中所期望的详细程度. However, 每个数据科学家都应该熟练掌握各种编程语言和统计概念. 您应该根据您的要求从以下指南中挑选额外的问题:

• 11个基本的Python面试问题和答案
• 41个重要的SQL面试问题和答案
• 10个基本数据分析面试问题和答案
• 10个基本的机器学习面试问题和答案

Data scientists serve many different roles depending on a company’s needs; for such a broad role, 没有一个适用于所有项目的面试问题列表.

为什么公司要雇佣数据科学家?

现代公司每天都要收集和处理大量的数据, 无论是从他们的内部过程, their customers, 或者其他外部资源. 经过治疗后 data is stored and often left unused. 如果你销售任何产品，你可能会有多年的订单历史记录. 通过正确的数据科学家，过去的数据可以产生未来的价值.

“我什么时候应该雇佣一名数据科学家??” is “Almost always,特别是当你处理大型或复杂的数据集，并希望做出数据驱动的业务决策时. In smaller businesses, 数据科学家可以建立数据管道，并根据公司未来的努力提供收集数据的指导方针. 对于收集大量数据的公司, 数据科学家可以提供见解, 建议数据驱动的决策, 训练预测模型.

由于数据是高度特定于公司的，业务关注点可能会有很大差异, 很难对数据科学家的工作做出概括. 但是，我们可以检查几个示例场景:

• 数据科学家可以创建一个系统，为过去和未来的客户提供量身定制的建议.
• 数据科学家可以预测所需的维护，减少意外的维修成本.
• 数据科学家可以将当前手工完成的任务自动化，每年节省无数小时的工作时间.

仍然不确定数据科学如何帮助您的业务? 你可以检查额外的实践 数据科学和人工智能的应用 与日常业务需求相关.

数据科学正日益成为商业决策的一个重要方面, automation, and analysis. 在你的公司中加入数据科学家以提供更好的客户体验是明智的, increase sales, and drive innovation. 不能最大限度地发挥数据潜力的企业将被甩在后面, 聘请最好的数据科学家将使你的产品比竞争对手的产品产生更多的价值.

本文介绍的技术内容由 Amanbir Singh.