我认识一个非常厉害的程序员。他为了职业转换而学习了Python，然后很快又学习了JavaScript、Go、SQL等其他技术，只是为了好玩。而且他真的很厉害，不仅仅是那种没有实际数据科学技能但在简历上列出各种语言的人。

但他找工作遇到了一些困难。几周前我去喝咖啡时和他聊天，我们的对话启发了我写这篇文章。尽量不要伤害他太多，我提到了他上一次面试的情况。他有点迟到，面试后没有发感谢邮件，虽然他在编程问题上表现出色，但他对白板问题的回答只停留在给出正确答案的程度上，并没有深入讨论。

“Kev，”我对他说，“你的编程能力真的非常棒。任何一家公司都会很幸运地拥有你作为数据科学家。但你需要提升你的软技能。”

以下是我推荐给每个数据科学家的四个关键软技能，无论你是想进入这个领域、晋升职位还是做得更好。

 

 

1. 沟通能力

 

很多人认为这是指懂得说话。其实相反，良好的沟通能力在数据科学中更多地意味着懂得如何倾听。

想象一下这样的场景：一个利益相关者，可能是市场副总裁，向你提出一个关于她想要推出的营销活动的问题。她对此充满激情，并在脑海中构想着一个愿景，但她不确定如何衡量活动的影响或需要哪些数据。在你立即深入讨论如何提取数据或使用什么模型之前，你先倾听。你让她解释她的目标、她的关切以及她希望通过这个活动实现什么。

通过积极倾听，你可以理解她提出要求的更广泛背景。也许她不仅仅是想要简单的分析，而是希望了解客户行为或以一种她未曾考虑过的方式对受众进行细分。通过先倾听，你可以提供一个根据她实际需求量身定制的解决方案，而不仅仅是完成最初的任务。

沟通在数据科学中至关重要。你不会整天在黑暗的地下室里敲击键盘编写代码；你会收到各种请求并需要做报告和与人交流。就像在数据分析师技能中一样，你必须懂得如何进行沟通才能取得成功。

 

2. 适应能力

 

StackOverflow 2023开发者调查实际上是适应能力的一个很好的例子。作者们首次引入了人工智能部分，展示了对不断变化的开发领域的Remarkable适应能力。

人工智能只是一个例子。数据科学正是那句老话的绝佳说明：唯一不变的是变化。要成为一名成功的数据科学家，你需要做好适应各种变化的准备。

这可能意味着很多不同的事情。最明显的应用是能够轻松学习新技术。云技术是新的，人工智能是新的，FastAPI是新的，你需要保持与所有这些技术的接轨。

另一个应用是跟上就业场景的变化。最近的趋势不仅仅是成为传统意义上的数据科学家；许多雇主希望你充当多种角色。你还必须是一名数据工程师、机器学习工程师，有时甚至是一个领域专家。这些角色之间的界限正在模糊，现代数据科学家常常发现自己要同时处理曾经被分离为不同角色的任务。

适应能力还意味着理解并融入反馈。作为数据科学家，我们经常基于某些假设或数据集构建模型或解决方案。但它们并不总是按预期起作用。适应能力意味着能够从反馈中吸取经验，根据真实世界的结果改进模型。

可能最糟糕但也非常重要的应用是适应性地应对被解雇或裁员的情况。2021年和2022年对于劳动力来说是奇怪的一年，许多大公司没有提前警告地裁员大批员工。提前预见这种可能的结果并为之做好准备是个好主意。

 

3. 团队合作与协作

 

 

还记得我之前如何强调沟通的重要性吗？团队合作与协作也属于同一范畴。作为一名数据科学家，你不仅与其他数据科学家合作。人人都喜欢有数据支持的任何事情，所以你将接收到大量有关制作 PowerPoint演示文稿、报告和图表的请求。

要成功完成这些任务，你需要与他人良好合作。数据科学项目通常涉及与跨职能团队的合作，包括业务分析师、工程师和产品经理。有效合作确保数据科学解决方案与业务目标一致。

例如，在我之前的一份工作中，产品团队希望在我们的应用程序中引入一个新功能。显然，需要用数据来支持他们的决策。他们向我和其他数据科学团队成员寻求有关类似功能的用户行为洞见。

与此同时，营销团队想知道这个新功能对用户参与度和用户保留的影响如何。同时，工程团队需要了解技术需求以及数据管道会受到怎样的影响。

我们的团队成为了这一切的核心。我们必须从产品团队那里收集需求，向营销团队提供洞见，并与工程团队合作确保数据流畅。这需要不仅有技术知识，还要能够理解每个团队的需求，有效沟通 – 有时还要在利益冲突之间进行斡旋。

 

4. 好奇心

 

我选择不提到问题解决能力作为终极软技能，因为我认为这个词被过度使用。但老实说，好奇心其实就是同一个意思。

作为一名数据科学家，我可能不需要告诉你会遇到很多问题。但在本质上，每个问题实际上都是一个疑问。

“我们的用户没有转化”，变成了“我们如何使这个产品更具吸引力？”

“我的模型不能给出准确的预测”，变成了“我可以改变什么来使我的模型更加真实？”

“上个季度我们的销售额下降了”，变成了“是什么因素导致了这一下降，我们该如何解决？”

当以好奇心的心态来面对这些问题时，每个问题都变成了寻求理解和改进的问题。好奇心驱使你深入挖掘，不只是表面接受事物，并持续寻求更好的解决方案。

我的介绍中的Kevin总体上是一个好奇心很重的人。但不知为何，当涉及数据科学时，他变得有迷恋。每个问题都变成了用代码锤子来解决的钉子。现实情况是，并不能用这种方式完成很多数据科学工作。

他举了一个最近面试时问到他的例子：“客户支持团队一直收到关于网站结账流程的投诉。你会如何解决这个问题？”

Kevin详细解释了他将如何修复技术故障。但他的面试官希望听到的是一个类似的问题，比如：“为什么用户认为结账流程麻烦？”

实际世界中，数据科学家需要提出这个问题来解决问题。也许来自特定地区的用户由于本地支付网关的集成问题而面临困扰。或者也许移动版网站不够用户友好，导致购物车被遗弃。

通过将问题构建成一个问题，数据科学家不仅仅停留在确定问题上；他们深入探究背后的原因。这种方法不仅可以得出更有效的解决方案，还可以揭示驱动战略决策的更深洞察。

 

最后的思考

 

还有很多我没有在这里提到的软技能，比如同理心、适应力、时间管理和批判性思维等等。但如果你仔细思考一下，它们都属于同一范畴。

与人沟通。学会改变。能够与他人合作。并以好奇心对待问题。具备这四种软技能，你将能够解决任何问题、通过任何面试或解决任何错误。

****[Nate Rosidi](https://twitter.com/StrataScratch)**** 是一名数据科学家，从事产品战略。他还是一名教授分析的兼职教师，并是StrataScratch的创始人，该平台帮助数据科学家准备来自顶级公司的真实面试问题。在Twitter: StrataScratch或LinkedIn上与他联系。