資料科學家（Data scientists）是 2012 年《哈佛商業評論》宣布「21 世紀最性感的職業」，而若要在這個性感行業中脫穎而出，需要什麼技巧？
一名叫 Admond Lee 的資料科學家曾在 LinkedIn 上提出疑問：「一名優秀的資料科學家和一位超級資料科學家有什麼差別」？得到來自不同行業資料科學家的回應及討論，最後列出了 13 項能幫助人們在該項職業進步或者得到更多成就的辦法。
雖然一名資料科學家沒辦法具備所有「超級資料科學家」的技能，但這些小技巧也能對一個資料科學家的職業生涯有所幫助。來看看這 13 項有哪些吧！
1. 教育
要成就資料科學家所需的知識深度，幾乎都需要強力的教育背景。在資料科學家中，至少 88% 擁有碩士學位，46% 擁有博士學位。人們可以通過計算機科學、社會科學、物理科學或統計學的學士學位成為一名資料科學家，其中最常見的研究領域是數學和統計學（32%），其次是計算機科學（19%）以及工程學（16%）。在這些學位中能培養處理和分析大數據所需的技能。
但大多數的資料科學家不僅擁有碩、博士學位，他們還會繼續學習如何使用 Hadoop 等大數據查詢等技能，還可以透過架設應用程式、部落格或進行數據探勘來檢驗在課堂上所學習到的知識。在業界，能解決業務問題是首當其衝，能完成任務會比博士學位更加實用。
資料分析的程式語言相關技能
2. R 語言編程
R 語言通常是對資料分析工具深入了解的首選，它可以解決在資料科學中遇到的任何問題。43% 的資料科學家習慣用 R 語言來解決統計問題。雖然對於已經掌握了程式語言的人來說，學習 R 語言可能有些困難，但網路上有非常多關於 R 語言的教學管道，例如 Simplilearn 的資料科學訓練。想要自我提升的資料科學家千萬不要錯過。
3. Python 編寫
Python 最常見的資料科學的程式語言中最常見的，還有 Java、Perl 或C/C++。對於在 O’Reilly 對於資料科學的一項調查中，40% 的受訪者使用 Python 作為他們主要的程式語言。Python 可以用於各種格式的數據，也可以導入 SQL 資料表到程式中。可以建立資料組（Dataset）或在 Google 上找到所需類型的資料組。
TO《2022 雲端 AI 應用大調查》分析報告出爐了！
數據顯示，有近四成受訪企業苦於組織內缺乏資料科學、AI 以及數據工程人才，而 Low Code、No Code 成為企業主應對此難題的新工具。
點我下載報告，看更多台灣企業 AI 賽局最新進度！
4. Hadoop 平台
根據一項 Crowdflower 對 inkedIn 上 3490 個資料科學職缺的調查發現，有 49% 將 Apache Hadoop 列為第二大重要技能。
當數據量超過了系統容量，或者需要將數據發送到不同的伺服器，Hadoop 都是你的好幫手。Hadoop 可以快速地將數據傳輸到系統上的各個點上，也可以用於資料探索、資料過濾、數據取樣和彙總。
5. SQL 資料庫
雖然 NoSQL 和 Hadoop 已經成為資料科學的一個重要部分，資料科學家有時仍需要在 SQL 中編寫或查詢。SQL 能在數據庫中進行增加、刪減或摘錄程式語言，也可以協助分析或轉換資料庫結構。
6. Apache Spark
Apache Spark 正在成為世界最流行的大數據技術。它和 Hadoop 一樣是大數據運算框架，但是 Spark 的速度更快。當 Hadoop 要讀取資料寫入磁碟，Spark 允許使用者將資料載入至叢集記憶體，能更快地運行計算。它的優勢在於其速度和平台能使執行資料科學項目的執行更加容易，從資料採集到分散式運算的分析都可以在 Apache Sark 上執行。
機器學習等 AI 領域能使你脫穎而出
7. 機器學習與人工智慧
許多資料科學家並不熟悉機器學習領域，包括神經網路、強化學習、對抗性學習等。如果想在資料科學家中脫穎而出，可以從了解機器學習技術下手，如有監督式學習、決策樹、邏輯回歸等。這些技能將幫助您解決基於預測組織結果的不同資料科學問題。根據 Kaggle 平台的調查，只有一小部分資料專業人員能夠勝任進階機器學習技巧。
8. 數據視覺化
商業活動中會產生大量的數據，而這些數據需要轉換成容易理解的圖表。資料科學家能夠借助數據視覺化工具（如 ggplot、d3.js、matplotlib 和 tableau）實現數據視覺化。當對方不了解序列相關或 p 值，就能直觀地向他們展示這些術語代表的資料結果。透過數據視覺化，企業能夠加速掌握新商機並保持領先地位。
9. 非結構化數據
處理非結構化式資料的能力對資料科學家至關重要。影片、部落格文章、客戶評論、社群貼文、音檔等難以進行排序的資料，無法做成資料庫圖表，因為這些非結構化式資料的複雜性，大多數人將其稱為「暗箱分析」。資料科學家要能理解和操作來自不同平台的非結構化式資料，洞察出有助於決策的見解。
除了必備技能，還有這些軟實力
10. 好奇心
「我沒有特殊的才華，只有極強的好奇心。」— 愛因斯坦
好奇心代表對更多知識的渴望。資料科學家通常會花費 80% 的時間在發現和準備數據，因此要能夠提出關於數據的問題。資料科學是一個發展非常迅速的領域，必須更深、更廣地學習才能跟上步伐。
可以透過閱讀有關資料科學趨勢的書籍或文章更新知識，但不要被線上大量的數據淹沒，必須知道如何理解這些數據。好奇心是驅動資料科學家通過篩選數據找到答案的重要技能之一。
11. 商業敏銳度
資料科學家必須要對所從事的行業紮實了解，並知道任職的公司正試圖解決什麼類型的商業問題。必須了解所解決的問題會如何影響業務，才能將其資料分析的努力導向正確的方向。
12. 溝通技能
一個優秀的資料科學家要能清楚、流暢地將他們分析上的發現，傳達給其他如行銷、業務等非資料科學相關部門的人員。最好還要能以 storytelling 的方式將數據講解給公司其他人聽，讓包括老闆的所有人都能輕鬆聽懂。大多數人對資料科學家分析的內容不感興趣，他們只想知道這些數據能如何影響、提升他們的業務成果。因此良好的溝通技巧也至關重要。
13. 團隊合作
資料科學家在職場上不能當獨行俠，必須要和公司高層一起制定戰略；與產品經理和設計師一起創造更好的產品；與行銷人員一起提升策略，與客戶和伺服器軟體開發人員一起建立數據流程和改善工作流程。實際上，資料科學家必須與組織中的每個人合作。
以上就是 13 個成幫助你成為超級資料科學家的技巧，從本質上來說，資料科學家必須知道解決業務問題的目標和所需數據，並能用正確辦法分析，最後要能將結果翻譯成相關部門人員都能理解的語言，才能用資料成就業務上的成長。
參考資料：
1. 《Towards Data Science》：〈Top 13 Skills To Become a Rockstar Data Scientist〉
2. 《KDnuggets》：〈9 Must-have skills you need to become a Data Scientist, updated〉
（本文提供合作夥伴轉載。首圖來源：首圖來源：Pxhere CC Licensed）
