数据科学团队的自测题

数据科学家具备很多相邻领域的技能，至少是基本技能（比如工程、开发和运维、产品管理、数学、研究、写作、商业等等），团队最容易出问题的地方之一，就是他们无法专注于那些需要动用这一整套技能才能完成的工作 团队是否拥有足够的数据，以及相应的工具来高效地处理这些数据。如果处理数据时困难重重：因为和生产系统相冲突，没有被文档化，或者收集方式前后不一致，甚至根本就不存在……这个时候，数据科学团队要及时出业绩就很难了。 团队必须能自信地报告负面结果，否则正面结果也会失去大家的信任。数据科学团队需要能“抓关键”的决策者，而这些决策者必须实事求是地面对数据和证据。

原文翻译：

虽然数据科学风头正盛，但它依然是一个比较年轻的学科，还有很多基础性的问题有待解答。数据科学家究竟是做什么的？成为数据科学家应当接受怎样的教育培训？数据科学家的职业道路是什么样的？最近，我一直在思考一个相关的问题：一个高效的数据团队的标志是什么?

说起出色的数据科学工作，我们最先想到的最重要的标准往往是“有没有大量的数据？”而我主张采用一个涵盖面更广的清单，涉及团队采用的流程、为团队提供支持的基础设施，以及团队与公司其余部分之间的界限。如果这些事情安排妥当，让团队专注于他们自己的问题，并减少围绕这些问题产生的摩擦，那么，数据科学家就会拿出优异的表现。

这种方法借鉴自joelonsoftware.com的乔尔提出的软件工程团队测试方式。你应当能快速对每个问题作出肯定或否定的回答。肯定答案越多，情况就越乐观。

这是对团队基本状况的衡量，优秀的团队可能存在其他各个方面的差异。这些问题既是关于团队本身，也是关于团队所处的生态系统，但依照我的经验，数据科学团队由于深深植根于公司内部，它必须敏锐地关注周遭的环境。你还可以换一个角度思考：假如你想加入这个团队，你会问些什么问题？

问题

1.你们绝大部分时间都在做耗时一天以上的项目吗？

2.公司有专门的工程师负责数据基础设施吗？

3.公司其他人可以不经过数据科学家，直接访问基本数据吗？

4.你们可以在不影响生产系统表现的情况下访问数据吗？

5.你们做分析的时间多于等待数据的时间吗？

6.重大架构会文档化吗？

7.测量手段会被视为最小可发布产品的一部分吗？

8.对于在收集到的数据中发现并修复错误，你们有设专门的流程吗？

9.已经完成的研究工作会被文档化并存放在某个中心位置吗？

10.团队在将工作共享出去之前，有一个常规的审查流程吗？

11.你会通过做实验去检测决策带来的影响吗？

12.你能没有后顾之忧地报告负面结果吗？

13. CEO（或其他负责人）能说出团队在当季做出的至少一个贡献吗？

14.公司在进行产品和业务规划流程时，会来咨询数据科学家吗？

优秀的数据科学工作是建立在一组基本需求层次之上的：强大且受到良好维护的数据基础设施，免受杂事干扰的环境，高质量的数据，强大的团队研究流程，能“抓关键”的开明决策者。

第一组问题（1-3）的重点是考察数据科学团队是否免受一些周边问题的干扰，通过改善基础设施、改进工具或交由专门人员处理，这些周边问题就能得到更好的解决。因为数据科学是一个跨学科领域，数据科学家具备很多相邻领域的技能，至少是基本技能（比如工程、开发和运维、产品管理、数学、研究、写作、商业等等），团队最容易出问题的地方之一，就是他们无法专注于那些需要动用这一整套技能才能完成的工作。如果大部分时间都用来响应临时请求、为简单的数据访问提供支持，或是管理数据管线，那就会挤占真正的数据科学工作。正因为他们可以很好地胜任这些周边工作，公司才需要设置严格的规定，确保他们不必去做。

没有丰富的数据，数据团队的工作就是盲目的，而第4-8个问题就考察了团队是否拥有足够的数据，以及相应的工具来高效地处理这些数据。如果处理数据时困难重重：因为和生产系统相冲突，没有被文档化，或者收集方式前后不一致，甚至根本就不存在……这个时候，数据科学团队要及时出业绩就很难了。这些问题也衡量了团队在公司里得到的信任程度；如果产品团队不能从数据科学团队那里得到好处，对建立和维护数据收集系统的重视程度就会打折扣。

团队内部流程（第9-11个问题）保证团队所做的是高质量的研究工作，这些工作能建立并维护它在公司内部得到的信任。数据科学团队所服务的对象大多没有能力去验证团队的工作成果，所以，团队自身要负责记录自己的工作，使之接受严格的同行评议，并将结果传播出去。这一点不言而喻：受控实验是数据科学武器库中最重要的一项工具，一个团队若不经常使用它，那一定是有问题的。

如果数据科学团队被强制要求，即使相关证据显示产品有问题，也必须让产品显得完美，那就是公司领导层出了问题。团队必须能自信地报告负面结果，否则正面结果也会失去大家的信任。数据科学团队需要能“抓关键”的决策者，而这些决策者必须实事求是地面对数据和证据。具体怎么衡量呢？可以看公司内部是否需要数据科学团队的参与，领导者能否快速确定，数据科学如何帮助自己的团队取得成功。最后的第12-14题试图考察这些方面。

这份清单显然是不彻底的，也并不完全适合推而广之。数据科学的界限划分仍然是人们争论不休的话题。纯粹着眼于构建数据产品的团队应该会有非常不同的观点，那些刻意模糊数据科学和工程数据界限的人应该也有不同意见。所有数据团队之间究竟有没有共同点呢？请畅所欲言，提出新的问题，或告诉我们，上述哪几个问题并不广泛适用。