随着对效率和准确性的需求不断增长，对恒星数据科学家的需求不断增长。事实上，截至2015年3月，LinkedIn的数据科学家有超过60,000个职位，超过250,000人将数据科学列为他们的职业。

从杂草通过和分析相关数据，以预测未来的消费者行为，数据科学家通常预计将成为一切的专家。由于即将不可能，员工是任务的，发现平衡并使他们的才能尽可能高效，并且雇主受到寻找那些罕见的候选人。

那么是什么让一个伟大的数据科学家？

最佳数据科学家超越学位（博士或MS或BS）和趋势技术技能（在Hadoop上出生并养成）;他们拥抱一个真正的解决问题。教授某人的定性技能，例如传播和好奇心，比教授最新的算法或编程平台更难。伟大的数据科学家不断发展他们的技术和问题解决技巧，以期望下一个大数据泄露或在他们到消费者之前抓住黑客。

管理人员需要确保他们为工作雇用合适的人，无论是超出大学还是经验丰富的候选人。重要的是要查找可以接受数据和算法的人，但更重要的是要寻找那些喜欢解决数据和算法问题的人。

我最好的数据科学家之一在理论数学中获得了博士学位，严重集中在理论研究中，但他对数据进行了自然的好奇心，以及寻找新工具和平台的热情。他可能不是第一个招聘人员认为选择数据科学立场的人，但他有合适的技能组合，大多数重要的是成功的正确心态。

另一方面，羞辱远离的候选人是过度分析或过度技术的人。在追赶最近的卷数和各种数据的巨大增长方面，传统的分析方法是不够的。

通过大自然看数据需要分析思维方式。重要的是要找到可以汇总袖子以处理数据的人，无论格式或大小如何，也可以同时推过数据，识别问题并找到超出分析范围的创新解决方案。

以下了解伟大的数据科学家在寻找什么：

1.解决问题的热情。数据科学家需要超越识别和分析问题 - 他或她需要解决它。丰富的数据并不一定意味着丰富的良好数据。如果您只需通过代码块运行数据，则您将不会有成功的解决方案。我使用的成功数据科学家不仅仅处理最大的数据或实现最先进的算法，他们解决了问题。这是一个有天生的人，可以找到正确的问题的解决方案，这将是最成功的数据科学家。

常时良好的数据科学家将利用大数据来帮助解决现实世界问题。大数据已被用来帮助个性化我们的旅行经验，预测感冒和流感趋势，更好地保护我们的个人信息。

Laurie Skelly DataScope Analytics说道，“许多人被绘制的数据科学发现最诱人的机会工作在持续的新的和挑战性的谜题上。”

2.坚硬的技能和软技能。我喜欢将此描述为拥有开放的心态来接受数据和算法，并且也愿意灵活。

通常，当人们谈论数据科学家时，他们重点关注艰难的技能。在Paypal，我们看到恢复技术技能的背景下，但通常有一块缺失的作品：看到过去的数据。看到数字的人往往不会在数据科学中成功。数据科学家还需要一定程度的商业敏锐和开放的心态，以了解潜在问题是什么。

开放的心态超出了特定的编程技能 - 候选人并不一定需要成为Hadoop或Java专家。如果有人有一个开放的思想，他们很容易在不断变化的空间内接受新的编程趋势。将其与只知道Hadoop内外的人进行比较：当市场演变时，他们将被遗弃。

3.团队球员。正如我所说，近乎无法成为一切的专家。这就是为什么有必要依靠团队的综合实力更有效地解决问题。最好的数据科学家是一个团队，而不仅仅是一个人。

团队合作长期被吹捧为成功公司的必要部分，但指定角色和责任，以确保成功同样重要。最好的数据科学团队在与分析中强大的技术人员有平衡的某人均衡，与企业知识的人和众所周置的人提升，有人在学术界和工业中具有更广泛的最新研发的观点。这将使团队能够快速识别正确的问题，找到合适的数据和算法来解决问题，缩放结果，并快速将解决方案带来。

在PayPal，我们的数据科学团队由工程师组成，拥有强大的技术技能，专注于研究和创新。该团队的其余部分具有巨大的技术技能，但更喜欢磨练他们的分析技能和商业知识。

良好的数据科学家（或员工）不能留在自己的域名，或者他们不会成长。将他们的技术诀窍与业务有关，并愿意与来自不同观点的人合作是必须为未来的数据科学家们。

市场将继续发展。但是，一个具有且将保持坚定的观点是客户必须始终是头脑。数据科学家最终必须与我们的客户有帮助的东西进行调整。客户的重点将继续定义我们寻求解决的问题类型。

最终，客户可能不想知道他们在日常新闻网站或支付平台中进入其用户体验的准确科学，但最好的数据科学家们在无缝，安全的体验背后。

惠王是PayPal全球风险科学高级总监。