企業最誘人的新職缺資料科學家！

近年來同「雲端」一樣熱的關鍵字，就屬「Big Data」（巨量資料）了。巨量資料的出現，讓企業可以透過大量資料對業務更加了解，再轉化為更優質的決策及更出色的績效。

亞馬遜（Amazon）不僅能追蹤顧客買什麼書，還能知道他們如何受促銷訊息與商品評論影響，甚至能預測顧客還想看哪些書，因而淘汰了許多實體書店。

服飾品牌ZARA 最短只需7 天即可推出新款服飾，推翻一般服飾業從設計到成衣擺上櫃台出售約需120 天的鐵律，創造「快速時尚」的潮流。他們贏的關鍵，正是巨量資訊分析。

麻省理工數位業務中心科學家麥克菲（Andrew McAfee）及史隆管理學院教授布林約爾松（Erik Brynjolfsson）研究發現，奉行以資料為原動力的公司，生產力平均比競爭對手高5％，獲利能力平均高6％，證明了巨量資料的力量。

企業爭相利用巨量資料的潛力，因而有個新角色迅速崛起：資料科學家。強納森．葛曼（Jonathan Goldman）到商業社群網站LinkedIn 上班時，公司的使用者帳號不到800 萬個，社群人數雖迅速增長，不過，使用者之間建立關係的速度，並不如高階主管預期得那麼快。

他擁有史丹福大學物理學博士學位，親眼目睹公司網站上人際關係的發展，對這一點和使用者個人資料的豐富很感興趣。他看到一堆雜亂無章的資料，公司只用笨拙的方法做一些分析，但他開始探索人與人之間的關係後，卻發現其中有無限可能。

於是，他找出資料當中的一些模式，可以根據某人個人資料，預測他會進入誰的人脈網絡。但工程團隊興趣缺缺，同事也質疑使用者哪裡需要LinkedIn 為他們設想該加入什麼人脈網路？幸好，當時的執行長里德．霍夫曼（Reid Homan）給予葛曼很大的自主權。

葛曼因此開始測試一件事：提供使用者一些人名，那些人是使用者尚未建立關係，但似乎可能認識的人。他根據使用者在LinkedIn 輸入個人資料顯示的背景，量身製作一則廣告，刊出和每位使用者配對程度最好的3 個人名。幾天內，奇妙的事情發生了，那些廣告的點擊率，是該公司有史以來最高的。

這個功能後來被LinkedIn 納為標準功能，也讓LinkedIn 的成長扶搖直上。

一群新人類

葛曼代表企業組織中一群重要的新人物：資料科學家。這些專業人士受過相關訓練，並且充滿好奇心，想在巨量資料的世界中發現一些東西。

他們突然在企業舞台上現身，反映了企業正在積極處理的資訊，是以前所未見的樣貌和數量進入組織。如果你的組織必須儲存好幾個petabyte 的資料（1 個petabyte 等於1000 兆位元組），如果攸關公司業務的資訊，出現的形式不只是行列式數字，或是如果你在解答公司的最大問題時，需要「混搭」好幾種分析方法，那麼，你就有處理巨量資料的機會。

如果雇用資料科學家，才能利用巨量資料，那麼經理人面對的挑戰，是學習如何找到那種人才。第一步是了解他們在企業中做什麼事，然後再問：他們必須具備什麼技能？在哪些領域最能找到這種人才？

他們是什麼樣的人？

資料科學家最重要的工作，是悠游資料大海中，而有所發現。他們喜歡用這種方法，航行於周遭的世界中。他們身於數位世界之中，感到很自在，能為缺乏形式的大量資料建立結構，並展開分析。

【7月空中沙龍】會員免費參加>>半導體產業如何成為護國群山?

他們會去尋找豐富的資料來源，將它們與其他可能不完整的資料來源結合起來，然後清理因此產生的資料集（DataSet）。在競爭激烈的環境中，資料流動永不停歇，但資料科學家能協助決策者，捨棄只為某個特定目

的而進行分析，改為與資料不斷對話。

資料科學家曉得，技術限制並不能阻礙尋找嶄新的解決方案。他們會將知道的事情與人溝通，並從中找出相關涵義，提供他人作為新業務方向參考。他們經常發揮創意，用視覺工具呈現資訊，向高階主管和產品經理說明資料對產品、流程和決策的涵義。

不妨把資料科學家想成集資料駭客、分析師、溝通者、受信賴的顧問於一身的人。他們最普遍應有的基本技能，是寫程式的能力。他們還必須以所有利害關係人都了解的語言與之溝通，並且運用口語或視覺工具，或者最理想的是兩者並用，來展現用資料講故事的特殊技能。

資料科學家最重要的特質，應該是強烈的好奇心，他們渴望進入問題的表層底下，直搗問題的核心，然後提出非常清楚的假說，並能加以檢驗。這通常需要他們運用關聯性思考法，而這是任何領域中最有創意的科學家的特徵。

懂科學，更懂人心

「科學家」一詞適合這個新興的角色。一些公司在尋找能處理複雜資料的人才時，將目標對準擁有物理學、或是社會學等教育與工作背景的人才，可能容易找到理想的人才。但要小心「資料」一詞很可能使企業往錯誤的方向去找人才。計量分析師可能擅長分析資料，卻無法處理大量的非結構性資料，並將它們轉化為可分析的形式。資料管理專家也許擅長以結構化的形式產生資料，並加以組織整理，卻不懂得如何將非結構性資料轉化成結構性資料，也不懂得如何真正進行資料分析。不具備強大社交技能的人，雖然也許能在傳統的資料專業上表現傑出，但資料科學家卻必須擁有社會面的能力，才能發揮效果。