資料科學家技能比重分佈公開！資料工作者要學習不同面向的能力，還是專精於某項職能？ ｜專家論點【維元】

一個資料科學家的能力需要兼具「#工程開發」+「#數學統計」+「#領域知識」三種能力，DA / DS / DE 角色在於擅長的重點不同。擅長的重點不同不代表「只」專精於某一個領域，而是在全盤有一定的能力情況下可以彈性的調整以及互相補位。所以對於資料工作者的技能樹養成來說該選擇「#學得廣」還是要「#學得深」的確是一個蠻難的問題。

但想成為一個好的資料工作者，我認為「廣」+「深」並不是一個選擇題，而是要如何都要。所以自己會建議可以採取專案式的螺旋形學習，透過目標導向逐步優化迭代讓自己每次都多學一點。

作為一個資料工作者不要畫地自限，把「有能力完成整個資料專案」作為目標前進，再慢慢根據興趣收斂到特定的技能。

成為資料科學家的技能比重分佈

接下來想點出一個初學者在專案準備的過程中可能會存在的誤區，那就是「學生思維」與「職場思維」的關注點。

一般在學習階段的技能通常會以「技術」為主，比較專注在單一技能的養成，對於學習的程度上也會要求的更為深入。反之，轉職導向或是坊間的養成班多半會有時程上的壓力，在課程的安排上就會更強調目標導向，廣度可能比深度來得重要

但就如同我們前面所述，廣度與深度並不是一個選擇題，重要的是該如何展現「有能力完成整個資料專案」。以工作現場來說，我們看的是這些技術該怎麼使用，能否在正確的場景中使用適當的技術。

怎麼挑選適合的資料專案呢？

那該如何挑選適合的資料專案呢，才能夠有效地證明有「完成整個資料專案」的能力呢？資料科學是一門跨領域的學科，有許多不同背景的人想踏入資料的產業。但對於沒有相關經歷或是背景的自學者，很容易苦於不知如何累積實戰經驗的問題。

最快的方式就是直接實作 Side Project，持續累積的作品集與實戰案例。不過該如何準備作品集以及怎麼挑選適合的題目呢？在之前的「#數據職涯加值計畫 – 系列講座」中，建議有兩種方向是可以嘗試的起手式：

① 從日常的問題開始

以中長期而言，會建議直接 #從日常的問題開始 ，電商產業工作者能夠利用資料解讀商品的銷售、行銷人員也能夠導入分析方法衡量廣告的成效。

② 模仿經驗案例

如果是短期目的的話，不妨可以試著 #模仿經典案例。像是信用卡風險預測、電商商品推薦系統或鐵達尼號死亡預測題目，能夠藉由模仿的方式學習實作。

嗨，我是維元，目前是一名資料科學與網頁開發的雙棲工程師。近期也擔任科技島社群的駐站專家，持續分享發表對 #資料科學、 #網頁開發 或 #軟體職涯 相關的文章。如果對於內文有疑問都歡迎與我們進一步的交流，都可以追蹤資料科學家的工作日常 Facebook 粉專 或 Instagram 帳號，也會不定時的舉辦分享活動，一起來玩玩吧！

瀏覽 1,913 次