预约成功
我最喜欢这个问题，网上的答案也五花八门。 有推荐一大堆技术的，有一大堆统计名词的。 Monica Rogati的答案值得回味：她在《一个好的分析师由哪些条件组成?》里提出四点：
1、优秀数据科学家具备特点——务实
技术和模型是否最优，远不如所带来的影响更重要。 几个星期的工作，是否能为公司带来相应收益，结论能带来多大的改变? 务实，意味着在开始之前搞清楚：1)可能的，和最有可能的结果;2)所需的时间、人力和资源。
花几个星期研究一个新算法，甚至学一个新技术，很能带来成就感。但对公司来讲，是不是真的比一个基于简单的启发法(Heuristics)的结论有用得多? 不考虑机会成本，就可能纠结于一个最多能带来2%提升的难题，而忽略了能带来20%提升的课题。
所以，当产品经理跟你讲：“能不能帮忙把xxx产品今年的数据帮我汇总一下”，一定要问问用途，比如“为啥需要啊?”，“想看哪方面?”，对方也许关心渠道增长，或者想进行捆绑营销。不清楚目的，而一头扎进各种报表，不仅费时费力，而且结论的针对性和深度有限。
2、优秀数据科学家具备特点——好奇
数据分析有点像侦探工作。 重大发现都是从蛛丝马迹开始，看似无关的线索可能有深藏其后的关联。追，可能能获得重要的洞察，不追……也没人怪你。线索=数据，多种来源、不同规范程度的数据。80%的精力都会耗费在提取、清理和规范数据上，所以，缺乏好奇心，就很难坚持追下去，而最终真相的价值可能超过最新最酷的机器学习算法。
3、优秀数据科学家具备特点——技术和解决问题的能力
技术、能力和业务知识，缺一不可。
技术意味着对统计、算法和软件工具的熟悉。 并不非要有统计学的硕士学位，但起码得明白最小二乘法之类的基本统计方法和如何解读结果。
能力意味着能解决实际问题，能坚持不懈地用各种技术进行探索，灵活地编程，使用命令行，对不同数据源进行清洗、转换， 应用不同的算法和模型。 计算机学位也不是必须的，实际上很多技术侠连正式的计算机课程都没修过。
业务知识是指和具体领域、公司或部门相关的背景知识。比如分析医疗设备数据时，如果了解哪些耗材配套哪些设备? 哪些医院科室常做哪些检测?就可以更明智地使用数据。
没人能对所有这些都熟悉。好在信息时代让学习变得更加简单。最快的途径是边做边学，比如自己做些小项目，并跟着有经验的数据科学家学习。不同的公司所看重的技术、工具、业务知识也不同。 很多公司非常看重统计学基础，比如提供网络游戏和社区的Twitch的数据科学家Brad Schumitsch谈到：
“在Twitch, 我们的数据科学团队由三部分组成：统计、编程和产品知识。 我们从来不招统计学不强的人。你可以是个很强的程序员，但如果不懂贝叶斯定理， 我只能建议你去我们工程部。”
所以，不同企业或不同阶段，对技术、能力和业务知识这三方面的侧重不同。 Google的数据科学家可能有博士学位，对计算机和数学很有研究。电商领域的同样岗位可能对电商非常熟悉，却不一定经过正式的数学或计算机培训。
4、优秀数据科学家具备特点——沟通能力
能不能把复杂的概念阐述得言简意赅，而不用专业术语? 能不能几秒钟之内就做一个简明扼要的图? 能不能忍住不把所有前提、场景、局限性都一股脑倒出来，来保证结论的绝对正确?是不是觉得可视化和简洁的结论只是给不懂技术的人，或者不如你聪明的人看的?
我的大数据老师老丁曾是惠普全球运营报表部门的老大，当时我负责此平台开源后的市场工作。宣传资料做了两版之后，老丁扔过来一句话“太技术”，等到第三版，老丁急了，扔过来一本乳品生产企业的宣传册，说“按这办”。“乳品”vs“数据库”，我有点懵......老丁是80年代放弃成为第二批计算机学科院士的机会，毅然投入美帝数据库一线工作几十年的老IT了，那全局观，那思路，不可能错啊。
N个月之后，我明白了。 宣传也好，数据科学家也好，有一点是相同的：我们的结论不应只追求正确，更重要的是简洁。让别人彻底明白，才有可能及时促成行动。
这个过程责任重大，所涉及到的前提、场景和局限性都很重要，但应先等一等，不能一股脑抛给你的听众。它们终究会被简化掉，由数据科学家主动去简化，不比被以后的人随意简化强吗?
以上就是有关于优秀数据科学家具备特点的相关内容，以及相应的解析，不论你是已经入职数据分析师岗位的新人，还是打算进入数据分析岗位的小白，以上的内容都或多或少会对大家有所帮助，环球网校的小编在这里祝大家的数据分析师职业道路顺利。
