数据科学团队中的每个角色都很重要。你需要了解这些角色以及正确发挥他们的作用，以从对数据科学家的巨额投资中获得价值，而不是为表现不佳的团队支付过多费用。

Deloitte AI Institute执行董事Beena Ammanath说：“我们不应该说‘让我们来聘请数据科学家，以及让我们来建立数据团队’，而是应该关联业务挑战，例如流程优化、成本节省、新产品线或竞争对手的业务。”

谁在数据科学团队中？

显然，数据科学家是数据科学团队的重要组成部分。很多数据科学家通常具有数据或统计学方面的高学位，并具有R或Python的编码技能，但他们还必须了解企业想要实现的目标。他们的工作往往具有探索性和迭代性。

俄罗斯数据科学咨询公司BroutonLab的首席技术官兼创始人Michael Yurushkin表示，企业想要实现的目标将确定其聘用的数据科学家的类型。

Yurushkin说：“如果你的目标是改善内容发现、广告定位、收入优化和搜索结果，则应雇用机器学习专家。如果你的目标是测试你的产品设计–使用带有最小偏差的受控实验，那么你需要专门从事实验设计和因果推断的统计人员小组。”

广告植入和许可公司Branded Entertainment Network的AI主管Tyler Folkman说，他是全栈数据科学的忠实拥护者，其中数据科学家收集自己的数据、对其进行清理、对其进行处理、建立模型、将这些模型投入生产，并确保它们为最终用户提供价值。

但是，数据科学家需要可靠的数据。这正是数据工程师的用武之地。他们建立数据管道并管理数据。

Folkman说：“数据工程师构建工具，使数据科学家能够轻松有效地全栈工作。我还没有找到开箱立即提供所需一切功能的供应商，因此让数据工程师构建自己的平台非常有价值，这个平台应整合内部工具、开源工具甚至企业工具。”

大多数专家表示，数据分析师通常是在数据分析师团队或业务部门工作，而不是数据科学团队。不管他们属于哪个部门，他们的技术水平都不及数据科学家和数据工程师，而且他们专注于数据科学的后期阶段，即分析和共享见解。

Folkman认为数据分析师和研究科学家应作为数据科学团队结构的一部分。分析师拥有数据，有助于确保数据健康，并为整个公司提供见解。研究科学家们不断提高技术水平，并投资基础研究。

BroutonLab的Yurushkin还认为需要数据战略家，他作为业务与数据科学团队之间的桥梁。他还认为那些计划建立大型数据科学团队的企业要有数据架构师。

大数据研究所董事总经理Jesse Anderson推荐三种数据团队：数据科学、数据工程和运营。他也是即将出版的《Data Teams: A Unified Management Model for Successful Data-Focused Teams》的作者。

Anderson说：“运营工程师具有专门的能力来监视和管理这些大数据系统。”

但是，当没有数据工程团队时，没有人会注意架构或代码质量问题，这会造成多年的技术负担。Anderson说，而当缺少运营团队时，企业可能会采用在生产中无法正常运行的模型和代码。

公民数据科学家的作用以及他们使用的工具

公民数据科学家是业务领域的超级用户。与真正的数据科学家不同，他们往往缺乏深厚的统计知识，不会使用R或Python进行编程，也不了解机器学习的工作原理。

增强型分析工具供应商表示，他们正在使数据科学民主化，这意味着他们将提供简单、功能强大的工具，让公民数据科学家可以用来解决相对简单的问题，例如了解为什么某个地区或某个季度销售额下降。增强分析工具使用AI和机器学习来简化数据准备和分析等任务。相比之下，数据科学家使用专家级工具来帮助解决复杂问题。

Anderson说：“公民数据科学将能够访问企业用于决策的相同数据，而无需等待支持。”

目前有两种方法可以应对公民数据科学。首先是让数据科学团队为大家建立或提供自助服务工具。另一种方法是让业务部门获取自己的工具。前一种方法可最大程度地减少工具蔓延。还可以最大程度降低风险–通过确保对数据和数据使用进行管理和保护。

Ammanath说：“如果你在此过程中处于非常领先的地位，那么在整个企业中拥有公民数据科学是至关重要的，因为你希望他们能够进行自己的数据探索。但是，如果你还处于早期阶段，那么让每个人都可使用数据可能是没有意义，因为你需要了解数据的质量和背景信息。”

数据科学家向谁报告？

数据科学团队可以向首席执行官、首席运营官、首席财务官、首席信息官、首席技术官，首席行政官、首席数据官或其他高级管理人员或副总裁报告。该团队向谁报告将影响该团队所做的工作。根据Anderson的说法，首席营销官可能过于关注产品，首席财务官可能专注于规避风险，而首席技术官或工程副总裁可能不了解数据科学与软件工程的区别。

Ammanath说，数据科学团队应该向CAO或CDO报告，因为拥有集中的数据科学职能非常重要。否则，该举措会变得狭窄而迷失。

该团队向谁报告通常取决于其组织方式。有些企业创建集中的数据科学团队。在其他公司中，业务部门雇用自己的数据科学家。对于更成熟的组织，第三个选择是将这两种结构组合成中心辐射型模型，该模型具有卓越中心，由具有特定业务领域专业知识的数据科学家或数据科学团队支持。

你需要CAO还是CDO？

CAO和CDO的角色经常被混淆。企业可能会混淆使用这两个职位头衔，而没有考虑它们之间的差异。大公司可能同时兼有这两个职位。

Anderson说：“首席分析官通常具有很高的分析背景，而首席数据官则可能具有数据工程背景，也许是数据仓库甚至是DBA（数据库管理员）背景。”

你是否应该雇用CAO还是CDO？答案是肯定的，如果你的企业足够成熟，你可以适当地支持这些职位，而且你会意识到需要这种级别的责任。大公司往往会创建该职位，他们会发现对该职位的需求很明显。