根据某数据科学团队主管的观点，锤炼团队的过程比给直接聘用数据科学家硬填充进来更重要。这么说是有道理的，因为对“数据科学家”这一概念的定义仍在不断扩充，甚至已经到没有任何一个人可以胜任的地步了。

　　在对数据科学家岗位描述的各种观点中，已经包括有R程序员、Scala开发者、Hadoop高手、数据质量专家、特殊领域专家、算法建模专家等等。按照Dan Mallinger的观点，真正需要的是关注于整个数据科学流程，而不只是预期一个人承担整个角色。Dan Mallinger是美国Think Big分析公司的数据科学团队领导人。

　　Mallinger在最近的BigData TechCon大会上表示，数据科学家可能是记忆中最近几年定义最糟糕的工作职位。虽然不好界定，但也并没有阻碍数据科学家待遇持续走高的行情。数据科学家的价值可能隐藏在大数据工作中。

　　他说：“像Hadoop一样，从计算机的角度来看是廉价的，但是从人力资源的角度来看，它是很昂贵的。我们需要比较广泛的人员和技能做新式的大数据量分析。”

　　在他的实践中，Mallinger已经找到了如何从独立的明星数据科学家到让他服务于团队的方法。

　　Mallinger表示，他曾经见过最好的数据科学团队之一是“一个跨职能群体”，包括业务分析师和数据质量工程师，还有产品经理，他们合作的目的是把分析转化为业务价值。

　　那么这个团队的成员都有何共同点呢？Mallinger说：“他们都对R语言感兴趣。”这是一种流行的统计编程语言。在许多情况下，由于数据分析需求的改变，包括数据量和数据种类的不断变化，也在推动数据科学团队不断填充新的技能。

　　Mallinger说：“大数据正在从概念转化为商业案例，这些案例与传统是完全不同的，包括许多种工作。人们之前并没有考虑到。”

　　轻博客鼻祖Tumblr的数据科学家Adam Laiacano着重强调了大数据的多样性，他把大数据描述为“以前从来没有过的数据，而且极具价值”。

　　他把这类数据称为“废气”，表示它是一种业务运营的副产品。例如，这些数据是非结构化的和半结构化的，由用户的web活动生成。Laiacano把数据科学家的工作比喻为涡轮增压器，可以使用“废气”提高进入活塞的空气量，进而增加马力。

　　Laiacano说数据科学专业人士应该努力确保大数据得到使用，而不只是收集。如果没有人能真正使用大数据就说明大数据项目已经走错了路。而大数据的第一个用户应该是数据分析团队成员。

　　他说：“你就是第一位用户。如果你自己都不用，那这项目也该结束了。对于大数据项目，人们应该首先找到对他们自己有用的数据进行研究，然后再看是否对组织内的业务用户也有用。”