对数据科学人才的需求日益增加，随之而来的是对更多数据科学家的需求。但数据科学的应用是独立的领域，并不属于一个行业或业务线。数据科学家可以在任何组织的任何地方产生影响。
如果您是一名迅速成长的数据科学家或者正沿着这条道路前进，那么您就知道教育是第一步。然而，在技术课程之外，还有一些超越学科的数据科学技能。随着这一领域的发展，练习和巩固这些技能将有助于您从求职者和科学家的人群中脱颖而出。
这些技能不需要过多的技术培训或正式认证，但它们是将数据科学严谨地应用于业务问题的基础。如今，即使是技术十分熟练的数据科学家，他们也需要具备以下软技能才能在当下做到无往不利。
-
客观地分析问题、假设和结果
-
了解哪些资源对解决问题至关重要
-
从不同的观点和角度看待问题
批判性思维是一种有价值的技能，可轻松应用到任何职业。它对于数据科学家而言甚至更为重要，因为除了查找见解，您需要能够恰当地表述问题、理解这些结果与业务的关系以及它们如何推动后续步骤。
在您形成观点之前，处理数据解释时客观地分析问题也非常重要。数据科学领域的批判性思维意味着您能从各个角度看待问题，考虑数据源，并始终保持好奇心。
-
使用业务相关术语，解释数据驱动型见解的含义
-
以突出强调行为价值的方式交流信息
-
传达可以推导结论的研究过程和假设
有效沟通是几乎任何地方都在寻求的另一种技能。无论您担任初级职位还是首席执行官，与他人沟通都是一种有用的特质，可帮助您快速轻松地完成工作。
在商业领域，数据科学家需要精通数据分析，然后必须清晰流畅地向技术和非技术受众解释他们的发现结果。这一关键要素有助于提高整个组织的数据素养，并增强数据科学家产生影响的能力。当数据为各种问题提供解决方案或回答业务问题时，组织将依赖数据科学家来解决问题和进行有益的沟通，以便其他人了解如何采取行动。
-
发现机遇并解释问题和解决方案
-
了解如何通过确定现有的假设和资源来解决问题
-
利用您的专业技能，找出用于获取正确答案的高效方法
如果没有解决问题的技能或想法，就不可能成为数据科学家。这正是数据科学的全部意义所在。然而，成为一名高效的问题解决者既需要挖掘问题的根源，也需要知道如何解决问题。问题解决者可轻松发现有时隐藏的棘手问题，然后他们会快速思考如何解决问题，以及哪些方法可以提供最佳答案。
-
推动搜索答案的过程
-
深入研究，而非止步于表面结果和初始假设
-
创造性地思考，渴望探索更多
-
持续提问“为什么”，因为一个回答通常远远不够
数据科学家必须有求知欲，渴望发现和回答数据提出的问题，同时也要回答从未提出过的问题。数据科学的意义是发掘潜在的真理，成功的科学家永远不会满足于“刚刚好”，而是会继续寻找答案。
-
了解业务及其特殊需求
-
知道需要解决什么组织问题以及原因
-
将数据转换为对组织有用的成果
数据科学家履行双重职责：他们不仅必须了解自己所在的领域以及如何导览数据，还必须了解他们工作涉及的业务和领域。了解数据是一回事，但数据科学家应该深入了解业务，达到足以解决当前的问题的程度，并考虑数据如何为将来的增长和成功提供支持。
“数据科学不仅仅是数字运算：它的职能是应用各种技能，解决一个行业的特定问题”，印孚瑟斯 (Infosys) 首席全球数据科学家 N. R. Srinivasa Raghavan 博士解释道。
在数据科学家的职位描述中，您通常看到排在前列的必须技能多半便是这些。
其中的许多技能可以在教育课程或正式业务培训中培养和发展。随着分析和数据人员的持续进步，许多组织越来越强调这些技能。
-
寻找数据来源、收集、整理、处理数据并对数据建模
-
分析大量结构化和非结构化数据
-
以最佳形式准备和呈现数据，以便做出决策并解决问题
数据准备是分析之前准备数据的过程，包括数据发现、数据转换和数据清理任务。对于分析师和数据科学家等群体而言，它是分析工作流的关键部分。无论使用何种工具，数据科学家都需要了解数据准备任务，以及它们与数据科学工作流的关系。Tableau Prep Builder 之类的数据准备工具对所有技能级别的用户都非常友好。
复制下方链接至浏览器，了解更多关于
数据准备的最佳做法
的信息。
https://www.tableau.com/zh-cn/learn/whitepapers/data-prep-best-practices
-
了解使用数据可视化的优势和挑战
-
了解市场解决方案的基础知识
-
创建分析时了解并应用最佳做法和技巧
-
通过自助式仪表板或应用程序共享结果的能力
这项技能属于非技术技能，因为它与批判性思维和沟通有关。自助式分析平台可以帮助您展示数据科学过程的结果并探索数据，还可以帮助您与技术水平较低的人共享这些结果。在自助式平台中创建仪表板时，最终用户可以调整参数以提出自己的问题，并在仪表板更新时实时评估它们对分析产生的影响。
-
直接处理分析、处理和可视化数据的程序
-
创建程序和算法来分析数据
-
通过 API 收集和准备数据
这项技能几乎是与生俱来的。这是因为数据科学家对设计用于分析和处理数据的系统十分了解，他们还必须了解系统的内部工作原理。数据科学中使用了许多不同的语言。学习和应用与您的角色、行业和业务挑战最相关的语言。
与编码类似，数学和统计学在数据科学中扮演着重要的角色。数据科学家需要处理数学和统计模型，并且必须能够应用和拓展它们。数据科学家拥有丰富的统计知识，能够批判性地思考各种数据的价值，以及它能够或不能回答的问题类型。有时，问题需要设计新颖的解决方案，这些方案可以合并或修改现成的分析技巧和工具。理解基本的假设和算法对于使用这些应用程序来说至关重要。
-
了解机器学习和 AI 适用于业务的方式及场景
-
训练和部署模型以实现高效的 AI 解决方案
-
以对业务有用的方式解释模型和预测
在大多数组织中，机器学习或 AI 都不会替代您的角色。然而，使用它们能够提高您作为数据科学家所传递的价值，并帮助您更好、更快地工作。一位
首席数据官最近分享道
：“为了实现 AI 机器学习的前景，您将需要一些典型的人类技能。”正如他所说，您在人工智能领域面临的最大挑战是弄清楚您是否有正确的数据、“正确的数据”何时显示错误的内容，并在决定使用一个非常有用、训练有素的 AI 模型之前，为 AI 找到“足够好的”数据。
复制链接至浏览器，即可免费试用 Tableau 最新版本。
https://www.tableau.com/zh-cn/products/desktop/download?
utm_campaign=Prospecting-GART-ALL-ALL-ALL-ALL&utm_medium=Social&utmsource=WeChat+&utm_campaign_id=2019168&utm_language=CN&utm_country=GrCHINA-CN
如果小伙伴们对于
Tableau 产品有其他问题或需求，欢迎给我们留言~~
Tableau 中国官方微信定期为您推送最新行业趋势、热点资讯、精彩活动等信息。立即订阅，官方信息一手掌控，更多精彩，更多新鲜，敬请期待！
