今日份知识你摄入了么？
数据科学（Data Science）一直在不断发展。过去十年，在运营以客户为中心的服务和业务领域中，数据科学已经逐渐从“加分项”转变为“必备技能”。
与其他领域一样，数据科学的适用领域正在不断扩大，技能得到不断重塑，有关“数据科学家”的概念也不断受到挑战。 毫不疑问，企业们已开始进行内部重组，以充分利用这一变革型资产。
与此同时，新的职位出现了——应用数据科学家 （Applied Data Scientist）。 但是这个职位真的是刚出现的吗？可以说，这个职位本身已经存在了一段时间，经历过一些列命名的变化，依然要求行业中最有影响力和最必需的技能。
过去，我们常见的职位有“ 数据分析师（Data Analysts）”，现在有“ 数据科学家（Data Scientists） ”，而某些公司中，出现了“ 应用数据科学家（Applied Data
简单地说，应用数据科学家是研究数据 （即数据科学）的人，其目标是通过将理论概念框架和算法应用于基础数据，为业务问题提供可行的解决方案。
应用数据科学家处理、分析、建模和解释各类数据，产生有意义的见解，并帮助解决业务问题 （很多时候，应用数据科学家可以发现更多的问题！）。
应用数据科学家利用基础数据，运用合适的技术或逻辑概念，为业务问题提供有用的解决方案。
擅长“应用数据科学”的人
想要成为优秀的应用数据科学家，首先需要成为一名优秀的数据科学家。当然，你还需要充分了解正在处理的数据。而且，这通常意味着：
- 你需要深入了解数据科学算法，包括简单的基本分析以及高级机器学习模型。深入了解这些工作原理是加分项，但并非必备技能的。与其他领域一样，帕累托原理 （Pareto’s Principle） 也适用于数据科学，20% 的算法或方法可用于解决 80% 的业务问题。
了解这些算法以及这些算法在行业内的应用非常重要。
- 牢牢掌握实现这些应用所需的平台 （或工具/软件） 。如果你不知道如何在基础数据中使用这些算法，那么理解数据科学算法就没有多大用处。你可以通过有机器学习/统计包的编程平台，以及可以帮助进行解释和分析的可视化工具来实现。
知道如何读取、处理、清理、操作、可视化和建模数据非常重要。
你需要掌握方法的技术知识，具备实施这些方法能力，这些都是必备技能。
你需要牢牢掌握专业知识
专业知识和行业知识是应用数据科学家的关键。在分析项目期间，经常会出现需要从另一角度进行分析的情况，这时，行业知识可以帮助你将业务背景/逻辑应用其中，从而进行分析。应用数据科学家需要充分了解自己领域内的知识。
在分析过程中，专业知识可以帮助你做出决策，有没有这些知识的区别还是很大的。
采取的措施中要带有自己的见解
如果要说应用数据科学家和其他职位有什么不同，那就是，在将数据科学技术应用于基础数据后，应用数据科学家能够针对业务问题提出可行建议。
在处理数据、在其基础上使用专业知识、并进行情境化后，应用数据科学家可以讲故事的方式，将分析投入现实。该故事的结尾，是基于对基础数据的见解所提出的建议，利益相关者可以根据这些建议采取措施。
例如，在零售业中创建客户细分，就需要复杂的数据科学工作。然而，为了让业务利益相关者了解这一点，正确描绘出这些细分市场代表的客户类型非常有用。你可以解决这些客户是什么样的人、主要属于什么人群、如何购物、买什么等问题，这些问题可以帮助企业了解客户、将客户可视化并将分析投入现实。
如果数据科学家可以掌握专业知识，描述企业可以实施的策略，激活客户群体，那么这些技能就可以成为加分项了。
是什么-为什么-怎么做框架通常用于将分析投入现实，并可以帮助你根据见解决定采取哪些关键措施。
此外，应用数据科学家与客户 （或业务利益相关者）的合作非常密切，这也是他们牢牢掌握专业知识并能够将业务原理应用于数据科学问题的原因之一。与业务 （或客户）合作伙伴建立牢固的关系，也意味着他们能够知道哪些分析结果可以采取措施，以及如何采取措施。
与客户合作伙伴发展和培养牢固的关系，是不断为客户创造巨大价值的重要因素。
让复杂的事情变得简单起来
对外行来说，有些数据科学算法非常复杂，其中涉及的数学知识难度也很大，如果这个人没有数据科学背景，难度也就会更大。
通常情况下，数据科学项目中的重要利益相关者是决策者，而这些人很可能没有数据科学背景。因此，数据科学家的工作难度也就会变得很大，因为，为了可以让分析指导决策过程，使其不仅仅停留在“值得学习的知识”，获得利益相关者的支持非常重要。
这需要用简单的外行术语，向重要利益相关者解释复杂数据科学的能力，让这些利益相关者相信你的分析，从而相信你的发现。这种对复杂数学数据框架/模型的“简单外行”描述可能会根据利益相关者对数据科学知识或理解这些知识的意向而有所不同。
将复杂数据科学项目简单化，才能确保广泛的应用范围。
必备知识 - 好的分析 vs. 更好的分析
应用数据科学家所进行的项目有短 （2-3 天）有长 （数周），并且需要经常处理不同周期的项目。 这种时间跨越意味着，利益相关者有时会临时进行询问或提出要求，而回答或处理时间就显得非常重要。
为了解决这些问题，应用数据科学家需要全面了解企业现有产品/定制的解决方案；并且能够依靠这些利益相关者根据不同情况快速提供解决方案。你需要定期与其他垂直领域 （如产品团队、数据工程团队、商业团队等）进行交互，并密切关注这些领域之技安工作的相互联系。
项目多半不会从零开始，而是要运用你的知识和技术去处理数据。
此外，要注重回答或处理时间的项目，就需要了解什么是好的分析，什么是更好的分析？知道何时使用最佳科学算法深入分析，vs.何时使用更简单的框架，并及时完成分析可以帮助应用数据科学家做出决策。
如果业务结果取决于分析时，长期以制定优秀解决方案为目标，同时及时交付优秀的解决方案是不错的想法。
这个职位也许不是刚刚才出现的，但却与之前不同。
在数据科学领域，该职位当然不是第一次出现。然而，该职位还是存在不同之处，与一般的数据科学家相比，应用数据科学家的定义更加精确，也更好区分。
应用数据科学家的优势：
- 最显而易见的就是学习——应用数据科学家可以学习数据科学、技术的应用、重要工具，并逐渐积累扎实的专业知识。
- 定义明确的职位——身处该职位的人更清楚公司想要的是什么，并且能够设定明确的目标，实现这些目标。
- 由于应用数据科学家与客户密切合作，他们经常可以看到在分析背后做出的决策，并且清楚地看到他们的工作带来的影响。
- 跨项目与多个利益相关者合作，这通常意味着应用数据科学家拥有跨多个垂直领域地强大网络。
- 应用数据科学家通常可以根据他们掌握的众多技能为自己开辟不同的职业道路 （他们强大地人脉显然非常有用）
应用数据科学家vs.研究型数据科学家
某些公司拥有唯一的“数据科学家”岗位，而有些公司有两个数据科学家岗——应用数据科学家和研究型数据科学家 （请注意，其中任何一个都可以被称为“数据科学家”）。
应用数据科学家和研究型数据科学家有区别吗？
这是非常重要的问题。在我看来，这两个职位所需的技能集之间没有太大区别，并且两者可以在需要时互换。然而，由于工作方式的本质或公司想要的结果不同，有时两者之间有时存在细微差别。
让我们看看这些细微区别，以便更好理解两者：
两个岗位中，所需的数据科学技能没有什么不同。公司希望研究数据科学家深入研究问题 （垂直深度重要），而应用科学家则希望全面了解更广泛的数据科学问题和解决方案 （即横向覆盖更重要）。
- 根据两者工作性质不同，应用数据科学家可能不太了解所有数据科学算法，而研究型数据科学家会或多或少了解一些。
- 应用数据科学家会更擅长广泛应用其中 20% 的概念，这可以帮助他们解决 80% 的数据科学问题。
- 两者都可以处理复杂的高级分析、机器学习、Python问题等；然而，应用数据科学家始终会考虑到实际的适用性，而研究型数据科学家更侧重深入研究问题。
同样，两者没有很大不同。这两个职位都需要详细了解业务问题，才能将其转化为数据科学问题，提供数据支持的解决方案。然而，由于工作性质不同，应用数据科学家将更接近利益相关者，因此将获得更广泛或更深入的商业目标，帮助他们从分析中获得可行结果。
在我看来，拥有两个独立的岗位更好，公司可以根据员工个人意愿，提供深入或广泛的选择。而公司的认知更清晰，对公司和员工都非常有帮助。
每当我想到当今世界的应用数据科学，这些词就会浮现在我的脑海中——有趣、动态和高回报。
应用数据科学 | （图片由作者提供）
应用数据科学家似乎在适用的技术专长和业务知识之间取得了完美的平衡，让自己的工作变得更有影响力。
感谢你的阅读！你听说过这个职位吗？有什么自己的看法？欢迎在文章下方留言！
机器学习VS深度学习：有什么区别？
DS vs DE：数据科学家与数据工程师的薪资对比
新兴报表工具FineReport——商业分析师需要知道的三种报表
数字营销是怎样通过数据分析赚钱的？
点「在看」的人都变好看了哦
