良好的数据科学家，糟糕的数据科学家

在他们的核心，数据科学家的存在以创建与数据的业务价值。生成价值的方式将在很大程度上与公司一起有所不同，甚至是团队的团队。对于在他们生命周期的早期的团队中，这将往往采取构建基本分析基础的形式。该团队可能对产品性能，用户行为或全部可寻址市场的方面视而不见。或许他们需要帮助识别和安排新的机会。这是你指导他们的工作。对于其他人来说，该产品可能更加成熟并且很好地理解，具有建立的数据基础。可以出现丰富数据驱动功能或通过实验优化产品经验的机会。您可以了解如何驾驶最大值。

有一个广泛的工作数据库（DS）可以参与其中。这篇文章旨在解决将使一个伟大的DS或糟糕的元素解决一个常见的元素，无论你正在努力的堆栈是什么。

还有一个核心技术杂志每一个DS必须具有：SQL，分析思维，流利的编程语言，如Python或R，了解统计数据＆amp;如果产品调用，则常见统计程序和机器学习方法。但这只是故事的一半。如果我们对拥有那些所需基线技能的人的条件，这篇文章就是将好坏的良好分开。

良好的DS沉迷于解决业务问题。他们无懈可击地搜索它们，然后在找到右侧的工具。糟糕的DS痴迷于应用特定技术或工具。他们将搜索他们正在寻求使用的工具周围的问题。

良好的DS对数据谱系和amp的深刻理解。采购，经常将自己建造这些管道。坏DS认为这是别人的工作。

良好的DS了解Stat背后的固有限制。他们认识到潜在的偏见并推荐应咨询的其他潜在非定量来源。坏DS将该统计数据视为应咨询或信任的唯一作品。

好DS从第一个原则思考。坏DS接受他们所听到的一切或被视为基础事实，或做某事的最佳方式。

良好的DS根据他们的观众调整他们的消息。他们了解何时提供上下文以及他们应该多么深刻。坏DS无论如何都提供相同的消息。

好DS很好奇​​。他们在域名的范围内冒险超越域名，以寻求更广泛的背景和理解。坏DS试图抽出他们已经熟悉的域名或数据的一切，并且在这样做经常错过更大的画面。

好DS了解努力的边际回报。他们知道，准确地增加1％的升力将有足够高的投资回报率，以证明花费几周试图实现它。或者是否更准确地制定统计数据，实际上会改变任何决策。坏DS继续工作，直到他们用完时间或有人告诉他们停止。

好DS开始简单，船只，然后迭代。坏DS从他们所知道的最先进的技术开始。

好DS不断学习＆amp;演变他们的工具箱。坏DS停滞不前并与他们所知道的东西粘在一起。

良好的DS是不同学科之间的有效桥梁，在信息交流中成为中央节点，将业务和技术组织联系在一起。坏DS是团队或组织中的侧节点，轻松无知。

好DS知道在哪里可以找到信息，并且在他们的第一次尝试失败时不会停止。一旦他们找不到他们正在寻找的东西，糟糕的DS就会被阻止。

好DS是一个通用主义者。他们可以从不同的技能绘制;工具基于手头问题。坏DS有一套狭窄的技能和工具，他们可以申请。

好DS产生许多不同的假设并测试它们。他们问一堆问题。坏DS只想到几个人，当他们变成错误时停止。

良好的DS了解Web技术的基础知识及其公司的底层技术堆栈。坏DS将此视为其域之外的黑匣子，因此不应该学习。

良好的DS对其公司提供的产品或服务有深刻的了解。他们了解公司业务模式以及他们的团队或团体如何为P＆amp贡献。坏DS不认为这是必要的。

好DS让他们的手脏了。他们积极使用他们的产品或服务。他们测试产品以识别疼痛点，或了解底层数据模型如何工作。他们倾听，甚至与客户交谈。坏DS没有看到这个价值或认为这是别人的工作。

好DS积极提出工作。他们认为超越了利益相关者可能会询问和生成数据如何增加价值的新想法。他们推动而不是拉扯。坏DS纯粹是一个问题＆amp;回答服务。