数据科学的实践需要三个一般领域的技能：商业洞察、计算机技术/编程和统计学/数学。与询问对象有关，具体的重要技能集合总是在变化。Dave Holts描述了得到数据科学家工作所需要的技能，Ferris Jumah通过检查带有“数据科学家”称号的LinkedIn个人资料识别10项技能，BurtchWorks提供了他们的在数据科学领域中获得成功至关 重要的技能列表，RJMetrics也使用LinkedIn数据找出了20个重要的数据科学技能。这些列表、重要技能反映了数据专业人员在他们社交媒体资 料上列出的频率，或者只是简单地代表了作者认为最好的技能集合。
数据科学技能和熟练程度
在正在进行的数据科学家研究中，我们要求数据专业人员指出他们在25项不同数据科学技能上的熟练程度。上表中列出了这25项技能，反映了通常与数据科学家相关的技能集合。事实上，这些技能是前述研究中所包含的。
我用“中等”熟练水平作为数据专业人员拥有该技能的标准。“中等”说明一个数据专业人员能够按照要求完成任务，并且通常不需要他人的帮助。
重要数据科学技能
我以拥有该技能的数据专业人员百分比对这25项技能排序。
该列表在上图显示。图中前十项技能（从左到右）是所有数据专业人员中最常见的。数据科学十大技能是：
- 统计 – 沟通（87%）
- 技术 – 处理结构化数据（75%）
- 数学&建模 – 数学（71%）
- 商业 – 项目管理（71%）
- 统计 – 数据挖掘和可视化工具（71%）
- 统计 – 科学/科学方法（65%）
- 统计 – 数据管理（65%）
- 商业 – 产品设计和开发（59%）
- 统计 – 统计学和统计建模（59%）
- 商业 – 商业开发（53%）
许多重要的数据科学技能属于统计领域：所有的五项统计相关技能出现在前10名中，包括沟通、数据挖掘和可视化工具、科学/科学方法、以及统计学和统计建模。另外，商业洞察力相关的三项技能出现在前10，包括项目管理、产品设计以及开发。没有编程技能出现在前10中。
因职业角色而异的十大数据科学技能
下面，我们按不同的职业角色看看他们的十大技能。这种描述也出现在上一部分的图2中（后面的表呈现了细节）。对于每个职业角色，我指出了该角色的数 据专业人士拥有每项技能的频率。可以看到在图2中，一些重要数据科学技能在不同角色中是通用的。这包括沟通、管理结构化数据、数学、项目管理、数据挖掘和 可视化工具、数据管理、以及产品设计和开发。然而，除了这些相似之处还有相当大的差异，让我们看看每个职业角色。
商业经理：那些认为自己是商业经理（尤其是领导者、商务人士和企业家）的数据专业人士中的十大数据科学技能：
- 统计 – 沟通（91%）
- 商业 – 项目管理（86%）
- 商业 – 商业开发（77%）
- 技术 – 处理结构化数据（74%）
- 商业 – 预算（71%）
- 商业 – 产品设计和开发（70%）
- 数学&建模 – 数学（65%）
- 统计 – 数据管理（64%）
- 统计- -数据挖掘和可视化工具（64%）
- 商业 – 管理和兼容性（61%）
只与商业经理相关的重要技能毫无疑问的是商业领域的。这些技能包括商业开发、预算、以及管理和兼容性。
开发工作者：那些认为自己是开发工作者（尤其是开发者和工程师）的数据专业人士中的十大数据科学技能：
- 技术 – 管理结构化数据（91%）
- 统计 – 沟通（85%）
- 统计 – 数据挖掘和可视化工具（76%）
- 商业 – 产品设计（75%）
- 数学&建模 – 数学（75%）
- 统计 – 数据管理（75%）
- 商业 – 项目管理（74%）
- 编程 – 数据库管理（73%）
- 编程 – 后端编程（70%）
- 编程 – 系统管理（65%）
只与开发者相关的技能是技术和编程的那些。这些重要的技能包括后端编程、系统管理以及数据库管理。虽然这些数据数据专业人员具备这些技能，但是他们 中只有少数人拥有那些在大数据世界中很重要的，更加技术化、更加依赖编程的技能。例如，少于一半人掌握云管理（42%），大数据和分布式数据（48%）和 NLP以及文本挖掘（42%）。这些结果都与RJ Metrics的数据科学研究一致。我怀疑这些百分比会随着更多数据科学项目的毕业生开始就业而上升。
创意工作者：那些认为自己是创意工作者（尤其是万事通、艺术家和黑客）的数据专业人士中的十大数据科学技能：
- 统计 – 沟通（87%）
- 技术 – 处理结构化数据（79%）
- 商业 – 项目管理（77%）
- 统计 – 数据挖掘和可视化工具（77%）
- 数学&建模 – 数学（75%）
- 商业 – 产品设计和开发（68%）
- 统计 – 科学/科学方法（68%）
- 统计 – 数据管理（67%）
- 统计 – 统计学和统计建模（63%）
- 商业 – 商业开发（58%）
创意工作者并没有只对他们重要的技能。事实上，他们的重要数据科学技能列表与那些研究者紧密匹配，十项中有八项一致。
研究工作者：那些认为自己是研究工作者（尤其是研究员、科学家和统计学家）的数据专业人士中的十大数据科学技能：
- 统计 – 沟通（90%）
- 统计 – 数据挖掘和可视化工具（81%）
- 数学&建模 – 数学（80%）
- 统计 – 科学/科学方法（78%）
- 统计 – 统计学和统计建模（75%）
- 技术 – 处理结构化数据（73%）
- 统计 – 数据管理（69%）
- 商业 – 项目管理（68%）
- 技术 – 机器学习（58%）
- 数学 – 最优化（56%）
研究工作者的重要数据科学技能主要在统计领域。另外，只在研究工作者上体现的重要数据科学技能是高度定量性质，包括机器学习和最优化。
总结和结论
按职业角色的重要数据科学技能
重要数据科学技能列表取决于你正在考虑成为的数据科学家类型。虽然一些技能看起来在不同专业人士间通用（尤其是沟通，处理结构化数据，数学，项目管 理，数据挖掘和可视化工具，数据管理，以及产品设计和开发），但是其他数据科学技能对特定领域也有独特之处。开发工作者的重要技能包含编程技能；研究工作 者则包含数学相关的技能，当然商业经理的重要技能包含商业相关的节能。
这些结果对数据专业人员感兴趣的领域和他们的招聘者及组织都有影响。数据专业人员可以使用结果来了解不同类型工作需要具备的技能种类。如果你有较强的统计能力，你可能会寻找一个有较强研究成分的工作。了解你的技能并找那些对应的工作。
招聘人员需要了解不同类型的数据科学角色，以更好的招募与空缺职位的角色需求最匹配的专业人员。避免关注应聘者的职位，而是确定他们的技能符合要求。组织可以确保数据科学团队包含不同类型的数据科学家，让每个人解决最合适的问题，以此来优化他们的数据科学团队。
