创企独角兽之路：重要一点是打造精良数据科学

【猎云网（狼蚁网络推广号：ilieyun）】4月13日报道（编译：堆堆）

编者注：本文由Instacart负责数据科学的副总裁Jeremy Stanley以及技术顾问兼linkedIn前数据主管Daniel Tunkelang合作完成。

很难想象，“数据科学家” 直到2008年才成为了一个真正意义上的职位头衔。为了迎合市场对分析、工程学和产品这种跨学科技能人才的需求，Facebook的Jeff Hammerbacher和linkedIn的DJ Patil创造了“数据科学”这个概念。如今，市场上企业对于数据科学家的需求不断增加，还有越来越多的公司想要更好地了解打造数据科学团队的方式。

在数据科学领域，我们见到过不同行业里处于不同发展阶段的公司失败或成功的案例。我们意识到，想要成功打造科学团队，不仅仅在于要招募到顶尖的数据科学家，还要充分利用这样的人才优势并在竞争日益激烈的大环境下留住人才。

在本文中，我们将为创始人们总结一些建立数学科学团队的建议。我们会向大家解释为什么数学科学对于许多初创公司而言至关重要？公司该何时开始投资这一领域？又该将数字科学团队置于何种位置？如何打造能让数据科学不断发展的企业文化？

首先，打造数据科学团队，你想要达成什么目的？

数据科学有两个重要却分工明确的功能：改善用户使用的产品以及完善企业决策。

数据产品利用数据科学和工程学来改善产品性能，通常是为企业提供更好的搜索结果、建议或自动化决策。

决策科学是利用数据来分析企业指标——比如说成长率、用户融合度、盈利增长点以及用户反馈——从而制定策略并且提供关键业务的决策。

这两者之间的区别非常明显，在打造数学科学团队的过程中，创始人们必须牢记这一区别。接下来，就让我们具体了解一下这两个领域。

利用数字科学来开发更好的产品

数据产品利用数据科学来改善产品性能。他们依靠的是这样一个良性循环：收集用户使用数据，并将这些数据作为算法素材，再相应地为用户提供更好的使用体验。

那么收集数据之前是怎么样的？产品的第一个版本需要解决数据科学中一个叫做“冷启动”的问题——它需要提供一个“足够好”的使用体验，并以此启动“数据搜集到数据驱动产品改善”这个良性循环，而如何制定这个足够好的解决方案，则取决于产品经理和工程师。

为了提升产品性能，数据科学家必须与工程师保持密切合作。你还要明确的是，数据科学家是需要自己完成还是需要与工程师一起完成产品改进任务。你可以采取任意一种方法，但正式确定任务负责人并在企业内部达成共识这一点非常重要，否则那些才华横溢的数据科学家会因为感到一事无成或是被轻视了而选择离开你的公司。

利用数据科学来做出更好的决策

决策科学利用数据分析和可视化来为业务和产品决策提供支持。决策者可以是企业内任何的一个人。他/她可以是决定产品蓝图优先级的产品经理，也可以是决定公司战略计划的管理团队。

决策科学问题的涉及范围很广，但它们往往有一些共性。它们是公司之前从未需要解决过的新问题。它们的主观性极强，通常需要数据科学家来解决未知变量和背景缺失的问题。它们非常复杂，许多内容都缺少明确的因果关系。与此同时，决策科学的问题却非常显著且具有影响力，因而决策带来的结果对于企业而言非常重要。

在linkedIn，管理团队就曾利用决策科学做出了一个关键的企业决策，该决策关乎到搜索结果中会员资料的可视性。之前是只有付费用户才可以在他们的三度网络里看到完整的资料内容。可视性的规则非常复杂，而linkedIn则想要简化这些规则，当然，绝对不会是以牺牲自己收入的方式。此举带来的风险是巨大的。

后来他们提出了一种可视性模型：限制非付费用户每月查看资料的数量，公司将根据使用率来设定限制标准。linkedIn的数据科学家利用历史行为来预测此次变动对于收入和用户融合度的影响。分析会根据一个模型上推断出过去的行为，并在另一个截然不同的模型上预测行为。最终分析结果证明，此举是明智的。

linkedIn的规则变动不但对企业有利，还使得数百万用户免去了产品开发过程中规则复杂带来的烦恼。多亏了决策科学带来的分析和预测，此次项目大获成功。

然而，并非所有的决策都需要决策科学。利用决策科学来为小决策服务纯属浪费钱，至于一些比较重要的决策，企业也许缺乏相关数据来完成分析。这种情况下，企业需要依靠自己的直觉和实验。优秀的决策科学家都清楚地知道哪些问题上是自己力所不能及的，哪些问题上是纯属浪费精力的。

尽管决策科学和数据产品需要的是同样的技巧，但鲜有数据科学家两者都精通。决策科学依靠的是业务和产品判断力、系统思考以及出色的沟通能力；数据开发则需要的是机器学习知识以及产品级别的工程学技能。如果你的数据科学团队较小，那么你需要找到那些精通两者的精英。但当你扩大队伍规模的时候，你将因为招募到精通其中一种领域的专业化人才而受益。

你应该投资数据科学吗？

数据科学不一定适合所有人。如果它对你企业的成功至关重要，你才会想要进行投资。否则，那就是浪费时间和精力。

在你决定投资打造一支数据科学团队之前，你应该先问自己以下四个问题：

1.你是致力于利用数据科学来为战略决策或产品开发服务的吗？

如果不是，那就不用雇佣数据科学家了。雇佣合适的人需要花时间，而让数据科学家了解你的业务和数据同样需要花时间。

数据产品可以优化功能、提高产品的实用性，从而为企业创造价值并且满足用户的需求。如果上述功能出现在你的产品蓝图上，那么你应该在早期就开始招募数据科学家，这将为你以后的成功做好铺垫。数据科学家可以做出关于产品设计、数据收集、系统架构方面的决策，而这些决策对于开发出色的产品来说必不可少。

2.你能够收集你需要的数据然后依照数据做出改变吗？

创始人工程师可以根据较少的产品和设计指导创造出最小可行性产品，而数据科学需要大量测试而得的数据。推荐系统靠的是测试产品来追踪用户行为，而优化业务决策则取决于关键活动和输出的细致测量。

但光是收集数据还是不够的。只有当数据驱使企业做出行动时，数据科学的作用才会体现出来。数据需要促进产品的更新换代，还要推动企业的关键绩效指标上升，否则数据就是一堆没用的数字而已。