数据科学工作中存在的7大问题与解决方案

注：在本文中，虽然我使用数据科学家一词，但是诸如机器学习工程师，数据分析师，数据工程师，BI分析师之类的热门职务也承担着类似的责任，可以在此处互换使用。

本文编译自Dan_Friedman的技术博客。

我对成为数据科学家的潜在影响寄予厚望。我觉得每个公司都应该是一个“数据公司”。

但我的期望没有达到现实。

我的期望从何而来？

我在2016年中参加了为期12周的数据科学训练营。在这12周的时间里，有11周的时间专注于机器学习（ML）和人工智能（AI）。彼时，ML和AI的新闻报道创下了历史新高。特斯拉为自动驾驶汽车铺平了道路，甚至像通用汽车（GM）这样的老庞然大物也向一家AI公司投资了超过10亿美元，以保持其在汽车技术领域的领先地位。在消费者端，出现了可以利用AI技术进行同声传译的耳机，也出现了可以击败世界上最好电竞团队的AI。

那时我觉得如果我努力钻研代码和数据，可以发现一些隐藏的范式，在工业上利用机器学习模型并能对其进行优化。高管可能会依靠我的基于数据的见解来确定产品路线图，此时我将在公司发挥巨大价值，走上人生巅峰。

但是，几乎没有任何事情发生。

在过去的几年中，我曾担任数据科学家，数据工程师和行业顾问。我还从数十位数据科学家和类似行业的故事中学到了东西，积极阅读有关数据科学的文章，并在Twitter上关注数据科学的领袖人物。

在这些实践当中，我发现了一些共性的问题。

以下是数据科学未能达到行业期望的七种共性问题。后面我会针对这些问题提出解决方案。

1. 人们不知道“数据科学”的作用。

2. 数据科学的领导力非常缺乏。

3. 数据科学不一定总是按照规范构建的。

4. 你可能是唯一的“数据人”。

5. 数据科学家的影响力很难衡量-数据并不总是可以转化为价值。

6. 数据和基础架构存在严重的质量问题。

7. 数据工作可能非常不道德。需要道德勇气。

1.人们不知道“数据科学”是