京公网安备 11010802034615号
经营许可证编号:京B2-20210330
网络安全顾问斯特凡·马拉杰。
作为数据科学家,我们有时会有点过于…科学地看待事物。虽然数据科学家的核心技能与以往基本相同--统计学、数学和逻辑学--但总有新的技能出现。有时,这些与计算机编程的新范式或新的统计技术有关。
在今天的商业环境中,对于数据科学家来说,这些新兴技能中最重要的是软技能。尽管老派程序员告诉你什么,但事实是,今天没有人,包括数据科学家,可以忽视这些技能。它们不仅使团队合作更加有效,而且还能促进你的职业生涯。
在本文中,我们将带您了解数据科学家的五种最重要的软技能,并向您展示如何开发它们。
首先,如果你仍然对发展这些技能的必要性持怀疑态度,让我们来看看数据。谷歌最近的一项研究对几家大公司的员工进行了调查,试图评估最有生产力、最有创新精神的员工所拥有的技能。
结果可能会令人惊讶。创新不是由拥有最高技术水平的员工推动的,而是那些参与跨学科小组的最具生产力和创造性的工作人员。在这些群体中,那些拥有高度发展的软技能的人能够推动变革,更有可能升到管理职位。
当然,你所需要的技能类型取决于你的工作方式和工作重点。尽管如此,有一些技能对几乎每一个数据科学角色都是至关重要的。它们在这里:
作为一名数据科学家,你很可能已经为自己有能力向普通观众传达复杂的想法和数据分析而自豪。然而,有一个理由可以在你的角色的技术要求之外分享你的技能和专业知识。积极主动地接触你的客户和经理,不仅可以改善这些关系,甚至可以促进你的职业生涯。
能够对一屋子的科学家整理、分析和反刍大量与主题相关的数据是一回事,但能够将其本质传达给那些可能帮助你实现向上发展的职业抱负的人是另一回事。
假设有一天你在午餐室碰见了公司的CEO。她开心地在手机上冲浪,谷歌这个,那个,还有其他一切。由于IT部门每天都在向你灌输网络安全的想法,你不经意间提到使用世界上最受欢迎的搜索引擎是一个糟糕的想法,除非你喜欢跟踪和存储你的每一次在线活动。谈话接踵而至。首席执行官对你的精明和帮助的意愿印象深刻。下一次,当她参加董事会会议时,高管团队正在审查该提升哪名员工,该将哪名员工调往西伯利亚时,你的名字在她的记忆中浮现为一个乐于助人的家伙。
你得到了很大的加薪和一个带窗户的角落办公室。这一切都是因为您能够超越硬数据科学技能的限制,并以人类的身份进行联系。
有效、清晰、及时的决策是一项至关重要的业务技能。然而,它经常被数据科学家忽视。这可能会给公司带来重大问题,因为数据科学家可能会发现自己处于高级职位(参见上面的午餐故事),而没有必要的技能和知识来做出管理或商业决策。
然而,这并不是一项很难获得的技能。定期回顾当前和即将到来的行业趋势对于提高你的管理水平是非常有价值的,并且(再次)表明你渴望更多的责任。
批判性思维比这份清单上的其他一些软技能更难定义--事实上,这就是为什么一些文科专业的学生花了几年时间在大学里磨练这种技能。作为科学家,我们工作的方法似乎很少给批判性和创造性留下空间。这与事实正好相反。
最终,批判性思维允许你做两件事。一个是有效地过滤我们现在被轰炸的信息海啸。在前八大平台上有超过90亿的社交媒体用户,谁能跟上呢?没错。没人。
快速扫描和过滤信息的能力可能是你职业生涯中与众不同的因素。与批判性思维相关的另一个关键软技能是能够在动态中重新构建和修改数据分析,以便识别和解决手头的真正问题。
尽管数据分析似乎是一项孤独的任务,但现实是团队工作对组织来说一直很重要。这在一定程度上是由于我上面提到的研究,它强调了多学科团队在推动创新方面的价值。
如果你不是一个善于与人相处的人,也不具备与可能不分享你的专业知识或世界观的同事一起工作所必需的软技能,那么在这些环境中工作可能会带来压力。与同事建立专业关系的能力至关重要。
最后但绝对不是最不重要的是研究技能。数据科学的世界和那些在其中工作的人的角色正在快速变化。正因为如此,一个最重要的技能培养是进一步你自己的教育。
技术专业继续教育的重要性正逐渐被雇主所认识。如果你能及时了解这个领域的新技术、新问题和新工具,你就会期待更多更好的工作机会。
我们刚才讨论的软技能不仅是高效和胜任工作的必要条件,而且也受到雇主的高度追捧。成功的软技能发展可能是在未来工作场所获得成功的关键。伴随着更多的协作工作而来的是新的挑战。确定哪些技能是你需要加强的,现在就开始制定一个改进计划。
生物:斯特凡·马拉杰几乎是一名会计师,但现在对网络安全的了解超过了收入确认原则。20年后,他是一名网络安全顾问,为黑客的大脑提供洞察力,以找出他们到底在实施什么样的计算机渎职行为以及如何阻止它。
数据分析咨询请扫描二维码
若不方便扫码,搜微信号:CDAshujufenxi
在大数据时代背景下,海量行业数据亟需通过专业化工具挖掘潜在价值,辅助企业业务决策、优化运营模式、规避经营风险。Python凭借 ...
2026-08-28SQL是数据分析领域最基础、最核心的工具,承担着取数、清洗、统计、分层、归因的全流程工作。不同于单纯的语法练习,实战化SQL数 ...
2026-08-28 很多企业团队并非缺乏指标,而是陷入“指标失控”:仪表盘上堆满实时跳动的数据,却无法回答“当前瓶颈在哪、下一步该做什么 ...
2026-08-28随着新零售模式的快速普及,零售行业从传统的“货品驱动”全面转向“用户驱动”。门店交易数据、线上消费记录、浏览轨迹、复购频 ...
2026-08-27在数据分析、爬虫采集、接口开发、数据归档等场景中,JSON与CSV是两种使用率最高的数据存储格式。JSON为键值对结构化格式,适配 ...
2026-08-27 很多数据分析师每天都在计算指标、制作报表,但当被问到“什么叫指标数据元”“指标数据标准包含哪些核心维度”“指标数据质 ...
2026-08-27在数据分析工作中,时间序列是最常见的数据类型之一,订单时间、日志时间、交易时段、统计周期等数据均离不开时间处理。原始数据 ...
2026-08-26在数据分析与数据预处理工作中,原始数据普遍存在录入错误、系统故障、偶然极值等问题,极易产生异常数据。异常数据会严重干扰数 ...
2026-08-26 很多数据分析师能熟练写SQL、做透视表,但当被问到“数据是从哪里来的?经过哪些加工才进入数据仓库?ETL具体做了什么?”时 ...
2026-08-26在数理统计与数据分析领域,多因素方差分析与线性回归模型是研究变量关系、因素影响、数据差异规律的两大核心工具。二者均属于经 ...
2026-08-25数据分析的核心价值不在于数据计算与图表制作,而在于清晰、精准、有逻辑地输出结论、支撑业务决策。日常数据分析报告普遍存在结 ...
2026-08-25 很多数据分析师能熟练地写SQL、做透视表、算描述性统计,但当被问到“如何预测用户流失概率”“如何归因销量下滑的关键因素 ...
2026-08-25平均数是数据分析、数理统计与日常运算中最基础、最常用的统计量,核心作用是浓缩一组数据的整体水平、刻画数据集中趋势。在众多 ...
2026-08-24在MySQL数据库中,InnoDB存储引擎作为主流事务型引擎,默认事务隔离级别为可重复读(Repeatable Read,RR),这与SQL Server、Or ...
2026-08-24 很多数据分析师拿到数据就开始清洗、建模,但当被问到“这批数据属于什么类型——结构化还是非结构化?分类变量还是数值变量 ...
2026-08-24 很多数据分析师画过趋势图、做过业绩预测,但当被问到“这个月销售额增长20%,到底是长期趋势自然增长,还是促销活动的短期 ...
2026-08-21在数据分析与数据可视化工作中,直方图是展示数据分布特征、离散程度、集中区间的核心图表,能够直观呈现数值数据的频次分布规律 ...
2026-08-20在数据分析领域有一句核心准则:垃圾数据进,垃圾数据出。数据清洗是数据分析、数据建模、数据可视化之前的必经前置工序,也是保 ...
2026-08-20 很多数据分析师做过按月份的销售额趋势图,画过按天的流量折线图,但当被问到“时间序列和普通数据有什么本质区别”“季节性 ...
2026-08-20在Python数据分析与数据清洗工作中,Pandas是最核心的数据处理库,DataFrame是结构化数据的标准存储格式。在实时数据采集、循环 ...
2026-08-19