两年前，一项来自LinkedIn的调查结果显示，“统计分析和数据挖掘”是2014年***的求职法宝。在大数据技术飞速发展的今天，数据科学家成了炙手可热的大红人。

数据科学家是谁？干嘛的？他们好找工作吗？

度娘说，

666的样子啊。不过太严肃了，我都没听懂，and what about you?

还有一种听起来就像人话的多了，

嗯，“技能集”。技能集？！能吃吗？

是不是对当上数据科学家再不敢奢望，但如果我告诉你，有一些看上去站着说话不腰疼的人说了这样的话，

比如这位——在Basecamp(37signals公司旗下一款项目管理软件 )团队工作的Noah。很多时候他被人称为“数据科学家”，但在他自己看来，大部分情况下他只是做做算术，而且他也很喜欢。

这是Noah在过去几周里所做的一些工作，每一项都是为了应对Basecamp在实际业务中面临的问题：

• 分析来自不同国家用户的对话内容、试用完成度和平均帐单数量
• 确定人们当人们登录至一个现有帐户时偶然注册Basecamp的比例，以及长期以来这个现象的变化情况
• 分析和报告一些Basecamp产品的财务业绩
• 对帐户所有者进行调查并分析
• 对一项影响Basecamp用户行为特征的AB测试进行分析

在过去的两周里，Noah所做过的最“复杂”的数学是一些有力的分析和重要测试。他工作的大部分是写SQL queries 来获取数据，对数据进行基本的运算(计算差异，百分比等)，绘制结果，并写下注释或建议。

注意昂～可没有编码任何算法、构建推荐引擎昂～也没有部署深度学习系统，或是建立一个神经网络昂～

为什么没有?可能因为现在 Basecamp 还不需要那些东西吧。

在繁花似锦的“数据科学”下有个不怎么光彩的小秘密，那就是大多数人谈论的所谓的数据科学，并不是企业实际需要的东西。企业需要的是准确和可操作的信息，来帮助他们决定如何花费他们的时间和资源。通常一个通过机器学习解决业务中小问题的***解决方案，往往只需要高质量的数据，以及一个如何使用最简单的方法解决问题的理念。

也行有人会说，Noah描述的价值并不来自“数据科学”，而是“商业智能”或“数据分析”。我没有资格对数据妄下主观定义，但不管你叫它什么 - 它仍然是对那些花费时间从事数据工作的人，最有价值的方式。

在Noah他们那儿，相当多希望进入“数据科学”领域的朋友都给他发来邮件，希望得到一些建议。在这些邮件中不乏这样的问题：

Noah的建议非常简单：兄弟，都不用。你就学习最基础的数学就行了。然后你再知道如何编写基本的SQL查询，了解企业的经营方式，以及想要成功它需要什么。如果你想成为一名对企业有价值的贡献者，就利用你的周末时间真正进入一家小企业“体验生活”，实际工作一把，而不是参加什么数据挖掘竞赛。去与客户交谈，去注意哪些产品畅销，哪些没有。去试着想想推动业务的经济形式，以及你如何能帮助它更得更多的成功。

所以，知道问题是什么才是迈入精英数据科学家梯队的关键一步。但不要那么傻白甜，因为上面说的技能集，该攒还是得攒！

【本文部分内容译自原文：Data scientists mostly just do arithmetic and that’s a good thing】