這篇文章是以「工程師」為「企業職場」主題的最後一回討論，而這邊因為是以個人的觀察為主體，因此絕大多數是以媒體業為主的網站為範圍

這篇文章是以「工程師」為「企業職場」主題的最後一回討論，而這邊因為是以個人的觀察為主體，因此絕大多數是以媒體業為主的網站為範圍，但事實上，工程師不見得在「網路」上，更多是在實體，只是這些是超過個人經驗，因此也寫不出真正的「田野觀察」，所以若不是在網路媒體業的工程師或是程式設計師的話可以略過。

這邊先做一個系列總結：

1. 當你覺得主管讓你三條線時，他也是這樣看你的：講的是從上到下與從下到上觀點的謬誤，主要 Quote「我在上面你在下面，你無法知道我們為甚麼要做這樣的事；我在下面你在上面，你無法知道我們是在做甚麼樣的事 」。
2. 工程師其實被分為這三種「階層」，而非「類型」：雖然標題是這樣下，但事實上內文講的是「Track 與分類」，本文並沒有階層觀念，主要 Quote「底層實作派：遇到問題，想辦法去找出方法來解決；工具操作派：遇到問題，會想辦法去找工具解決；指揮管理派：遇到問題，會想辦法找人來負責與解決」。
3. 什麼是「全端工程師／開發者」：一個團隊若是至少有一個人了解所有環結且都有底層經驗，會將是很好的協調者，主要 Quote「先要能夠『合作』，再求『分工』」。
4. 工程師可以斜槓嗎？：這邊更延伸上面的全端思維，而用「 | 」專家；「—」全端；「T」T 型人才；「/ \」斜槓；「π」Pi 型人才，主要 Quote「擁有兩項專長並能夠建立將之串接起水平的「全端／全觀」環節，這種人不只能做事，也能做可行性分析，更有較為寬廣的視野」。
5. 研發能力是這 3 種相乘，而非相加？：定義研發能力是「研發＝程式設計＊系統網路＊執行創意」，主要 Quote「一個人若能夠了解系統、規劃、實作、檢驗，甚至是自己使用，這樣才能算是完整的了解一個系統」。
6. 「資料工程師／科學家」一定要懂的三種必要領域：在資料科學家的定義是三種必要的範疇為「數學知識、程式能力、領域經驗」，主要 Quote「當產品不再只是單純的產品，而是要整合成『服務』時，不可能脫離資料科學」。

看完上面這六篇，應該會有很大的感觸，這邊只好繼續搬出我最喜歡引用的海耶克的名言：

只是一個工程師的工程師，絕對不是一個好的工程師

（原：只是一個經濟學家的經濟學家，絕對不是一個好的經濟學家）

但更重要的，工程師也不只是一種類型，有些甚至是可以延伸發展，但也可以有不同的路徑，就像是更專業的可以成為資深工程師或是往管理層方向邁進。不過無法否認的是，在台灣資深工程師這塊較不受到重視，而這也是我為什麼要寫這一系列文章的原因

應該有人也注意到在這些文章當中有很多地方出現「三分法」的痕跡，雖然原本不是這樣設計的，但其實我們可以這樣討論：

• 內：所需要的知識，尤其是以專業為主的核心，這邊主要指的是底層知識的深度
• 中：個人的執行能力，包含所須要的技術、方法論，但更重要的是做產品的方式與技巧
• 外：對於外在環境，或是產品／使用者的認知，以及產業環境跟目標，也包含人際溝通

而這邊對應在前面幾篇也可以變成下方的模式：

• 內：網路系統 vs 數學統計 vs 實作開發 vs 由下而上
• 中：程式設計 vs 程式設計 vs 工具應用 vs 中間介接
• 外：執行創意 vs 領域知識 vs 指揮管理 vs 由上而下

當然最重要的是每一個環節都要有基礎程度，無論是前端／後端／資料端，無論是使用者體驗／行銷／經營，每一個環節事實上都有很多的 Know-How，而身為一個好的工程師／實作者要想辦法把這些給串接起來，才是真正的「工程師」。

在結論之前，可以請大家思考下面幾個可能性：

• 在找人做出來之前，先要有能力先做出個雛型（技術）
• 在想如何賺錢之前，先要有能力做出產品（實作）
• 在成為一個工程師之前，先要成為一個人（產業）

上面所說的產品也包含服務，因為現在的產品已經很難獨立存在而沒有任何社群或生態，但更重要的是，這也是「工程師／實作者」參與社會的方式，因為每一個產品服務都有機會讓他人或讓這個社會變得「更好」，即使這個更好是有價值判斷的，但只要具有「交換價值／有人買單」，通常代表這個產品與服務是有意義的。

科技始終於人性，而除了人因為本性要使用甚麼科技外，科技也在塑造著人，而在因為科技技術成為專家或工程師之前，真正的思考是「要成為甚麼樣的人」，這也是比任何路徑更重要的一件事。

這篇文章 切割工程師的各種面相｜專家論點【黑貘】 最早出現於 科技島-掌握科技新聞、科技職場最新資訊。

2012 年開始， CRM 與 Data Mining 逐漸沒落，取而代之的 Big Data 與 A.I. 如朝陽般緩緩興起，於是「資料工程師／資料科學家」這兩個新名詞，在職場上開始被廣泛的討論。

2012 年開始， CRM 與 Data Mining 逐漸沒落，取而代之的 Big Data 與 A.I. 如朝陽般緩緩興起，於是「資料工程師／資料科學家」這兩個新名詞，在職場上開始被廣泛的討論。因為只要牽涉到有人在使用的「產品」，就會有跟人的行為相關的分析、或者只是資料之間的關係。儘管該領域需要的「技能點」跟程式設計師或工程師有一定的類似，實務上還是存在著很大的差異。

通常在職場中的工程師或是程式設計師，往往會被認定是在程式寫作或是網路操作有一定專長的人就可以做好的職業，只不過這是在「產品」單純只是個產品的傳統觀念下，是可以運作的。但慢慢的當產品不再只是單純的產品，而是要整合成「服務」、或是一個生態鏈、又或者變成一種社群時，如何「經營」已經是這類產品必備的加值服務。倘若這個服務躍升成該產品的「核心」時，單單只靠一個程式設計師或網路工程師，已經無法面對這種挑戰與轉變。

無論是「資料探勘」或是「大數據」，光是如何處理資料並讓資料變得有意義這一件事，就不是一般程式設計師或網路工程師的技能點能夠處裡；除了必要的電腦與程式設計技能，還需具備數學與統計的相關能力，並且無論是應用範圍或是操作、開發，都要對資料的本質、領域有一定概念的認知。

最早期的概念大概是像這樣：

上圖中的實際經驗，說的是是否具備該領域的知識，因為無論是要用甚麼樣的分析方式，或是要怎樣搜集資料、整理資料，這些都需要對其資料源有一定的理解，不然做出來的內容可能會離實際狀況很遠。

不過還是有一種傳統研究，指的是沒有 Hacking Skill 大量資料搜集與分析的實作能力，也就是沒有系統開發的概念時，就得像傳統研究那樣，需要仰賴分析者的實際經驗了。事實上，當沒有對資料搜集清理有足夠脈絡時，就會發生類似上圖「危險領域」的狀況，因此資料科學家／工程師真的需要具備「這三方面」的能力。

另一個角度是比較偏商業思維，當然這是以商業產品為導向時，而強調的跨領域性。儘管有時更需要的是更貼貼近這項商品的背景知識，包含設計或更切近人類行為的消費說不定更好一些，但也是要看用在什麼領域。

當用不同的定義來看所謂的實作與 Hacking Skill 時，我認為利用工具或透過操作就足以應付「資料」，只不過當碰到大量資料流時容易出現「誤區」，尤其是當有人為介入或主觀因素時，更容易造成資料偏差；上面這張圖就是以商業邏輯角度來切入。

但無論文中那張圖，我要強調的是，若想成為一個好的資料科學家，不只是要多領域、跨領域、混領域，甚至是要「超領域」，畢竟現在市場上的任何產品、服務都跟社會、使用者越來越緊密，甚至有些產品的本身就是「使用者/社群/社會」，所以如果不去了解這個社會，是很難做出好的產品。而一個好的工程師就要具備這樣的能力。

而我在 2014 年也在鐵人賽寫了一系列的文章，來講資料工程師所須要的 28 門課，現在看起來只會更多不會更少。

• 食夢黑貘 (genehong)

這篇文章 「資料工程師／科學家」一定要懂的三種必要領域｜專家論點【黑貘】 最早出現於 科技島-掌握科技新聞、科技職場最新資訊。

資料科學家是一個非常複合型技能的一種職務角色，主要是整合商業、資訊科技、統計三個領域的經驗與技術知識的角色。

文／Adam

這篇想跟大家分享的是一個我自己在早期也困惑很久的問題。

『很多公司都有資料科學家 / 商業分析師 ...的職務，到底這些職務有什麼差異？』

這個問題不論是在我還沒踏入這個領域時、剛踏入這個領域時、踏入這個領域一段時間時，都一直很困惑的問題。

一直到在這個領域工作更長一段時間後，隨著接觸到同領域的人越來越多之後，才慢慢地稍微搞懂了這個問題。

資料科學家是一個非常複合型技能的一種職務角色，主要是整合商業、資訊科技、統計三個領域的經驗與技術知識的角色。

根據不同產業 / 企業發展 / 組織文化...等需求，對這個角色的定位與發展方向十分不一樣，根據我自己的經驗，會把資料科學家大致上分成四種類型：商業型、輔助型、工程型、研發型。

1) 這四個類型會依照企業期待與技能需求有所不同

分成這四個類型的原因主要依據兩個因素：

• 這個角色在企業內屬於哪個單位？企業對這個單位的期待是什麼？
• 企業對資料科學家不同的期待，有不同的技能需求

這裡先談談第一個因素，企業的組織規劃與角色期待。

在不同的企業裡面，企業會對各個單位有不一樣的發展定位，這是什麼意思呢？

比方說資訊單位裡面，要為公司做的服務內容，就是提供資訊系統的服務；

如果是在行銷分析單位裡面，需要的是提供公司行銷的洞見與策略；

如果是在公司的策略單位裡面，負責的內容就是提供公司，在企業發展上的建議與規劃；

如果你是在研發單位，你承擔的角色就是所有技術上的創新與挑戰；

如果你是在營運單位，你可能需要幫公司改善目前營運的流程、降低成本、解決未被處理的營運痛點...

隨著你在公司內的不同單位，企業對相同職務的預期產出，是截然不同的。

再來聊聊第二個因素：技能需求。

因為在公司所屬的單位不一樣，需要交付的產出物不一樣，你會需要的技能截然不同。

舉個例子來說，如果你今天是在營運單位裡面擔任資料科學家，你每天面對的問題都可能是公司企業營運相關的內容。

比方像是你怎麼處理倉庫的庫存量？
目前銷售的方式對應企業的獲利與資金周轉狀況如何？
目前公司產品的策略是否有市場競爭力或潛在的風險？
目前現行的作業流程是否有可以改善的地方？...等等

需要針對各式各樣企業內部的日常運作與成長方面的問題，進行需求訪談、問題研究、資料搜集、數據分析、提供改善策略等等。

這些問題會涉及到的技能可能是：人際溝通、專案管理、統計分析、對特定產業的業務理解...等等。

如果今天的角色是定位在資訊單位呢？每天可能處理的都是系統方面的問題。

例如說每天都是面對格式不一樣的資料，要把他轉成相同的資料，像是性別有人就寫男、女、Ｆ、Ｍ、male、female、可能還有錯字...，每天寫程式將它轉成正確的格式。

又或者是每天在維護資料的排程作業、資料庫維護、模型開發、大量數據的存放與管理、配合業務單位進行儀表板的開發等等。

這類型問題涉及到的是對資料處理的理解、數據分析的技能、資訊系統的知識...等等。

同樣是資料科學家，若在不同企業內的不同單位，需要的技能完全不一樣！

2) 商業型、輔助型、工程型、研發型的資料科學家

實務上不一樣類型的資料科學家，在不同領域的技能需求與工作內容都或多或少有部分重疊，但其需要的技能深度，與實際在不同工作裡面的時間佔比截然不同。

這裡跟大家聊聊這四種類型的一些日常工作內容、技能需求、與面對的挑戰：

商業型

作為側重商業邏輯的商業型資料科學家，每天需要處理的議題會更佳側重在解釋公司目前的現有數據，從數據中發現問題與機會。

這類型的資料科學家會需要對產業經驗與知識有深度的理解，你的時間通常都會花費在分析各式各樣的產業資訊，分析什麼內容跟現有業務有關，這些資訊又會對業務產生什麼影響？我們該如何面對這樣的資訊，並規劃相對應的策略和行動。

在技能方面，這類型的分析人員會更加著重在對於特定產業專業知識的理解，同時對統計與程式有些基本的概念，以商業的角度去發展公司內部各式各樣的專案。

輔助型

這類型的資料科學家，對業務內容有一定程度的理解，同時也對分析技巧、工程技術有一定程度的熟悉，站在一個業務端與資訊單位中間者的角色，協助企業內的業務單位進行數據分析，同時與其他工程師們協作，開發出數據分析相關的功能或產品。

輔助型的資料科學家，在業務邏輯方面可能沒有第一線的人員熟悉，在工程面或許也會略輸專業的軟體工程師，但卻很適合在這兩者之間擔任協調者的角色，平衡這兩個面向的需求與限制。

在技能方面，需要對商業知識、統計分析、程式開發等面向都有些基礎的理解，通常對於統計分析的知識和技巧會更熟悉，以多元化的角度提供不同單位分析數據的建議。

工程型

工程型資料科學家，顧名思義就是在技能與日常工作方面，都以資訊科技與工程方面為主，但除了工程方面，亦對統計分析有基本的認識。

這類型的資料科學家通常扮演著模型開發、部署、大數據處理、資料庫管理、分析系統架構設計等等的角色。

日常工作上所面臨的挑戰會更加著重在如何開發穩定的系統或模型，提升各項分析系統的效能等等，在分析方面協助公司落地相關的分析功能，與對相關資訊系統進行維運和管理。

研發型

最後這一類的資料科學家，需要對各種統計理論有高度的認識，同時要有透過程式去實踐這些統計理論的能力。

這類型的工程師承擔著公司技術發展的重責大任，通常具有碩士或博士的學歷，熟捻做研究的方式，幫助公司透過各種理論知識，協助公司設計或改良模型相關的演算法。

3) 依照你的興趣，選擇相對應類型的公司與工作

或許你會說，這麼多類型的資料科學家，到底哪個類型的角色會比較適合我？

如果你有這樣的問題，我會建議你從自身的興趣出發。

你喜歡寫程式多餘看數字、解釋數字多一點嗎？那你可能偏向工程型多一點。

如果你喜歡探索各種數字與商業之間的關係，那商業型的分析人員可能更佳適合你。

倘若你是喜歡做理論研究，推導各項數學式子，研發型的角色或許才是你的天命。

若你喜歡擔任工程與商業整合者的角色，輔助型的資料科學家應該很適合你。

你可能會想說，難道就不能成為全能型的嗎？

當然可以！只是要熟悉各式各樣的技術與知識，是要比別人花上更多的心力，在做各項領域的投入與研究。

實務上更多的是覆蓋到四種類型中的兩種，同時面對多種不同類型的挑戰，但在各類事務上的投入時間佔比與技能深度會有所區別。

透過瞭解公司把資料科學家放在哪一個內部單位上，你可能就可以清楚地知道，公司今天對這份職務的期待是什麼？並進一步的知道這間公司的這個職務，是否會很適合你。

最後

會有這篇文章其實是因為自己也困惑了這個問題一段時間，希望可以透過這篇文章的分享與描述，讓更多想加入這個領域的朋友們，能對這個角色有更深一層的認識，並進而成為自己更有興趣的分析人員類型。

這篇文章 淺談資料科學家的 4 種類型與在企業中所扮演的角色 最早出現於 科技島-掌握科技新聞、科技職場最新資訊。

數據分析師/資料分析師是個職能定義上算滿抽象的一個角色，這部影片中由Facebook與抖音資深的數據分析師，針對兩個主要議題進行討論

文／Adam

某天早上看到這篇在討論數據分析職涯的影片（影片連結附在文末），覺得滿有意思的，也學習到了一些啟發，想說摘要起來跟大家分享，有興趣的朋友們，也可以看完整的影片版。

數據分析師/資料分析師是個職能定義上算滿抽象的一個角色，這部影片中由Facebook與抖音資深的數據分析師，針對兩個主要議題進行討論：

1) Junior 與 Senior可能的差異點有哪些？

2) 資深的數據團隊主管在評估Candidates時可能會考量那些內容？

影片中討論的內容除了從事數據分析相關的領域外，有些內容我覺得跨到其他職能上也是一個可以參考的方向。

Junior 與 Senior的差異會體現在5大面向 (或是能力)

在評估Junior與Senior會考量的面向主要(可能)有5個：

1) 對於產業知識的理解深入與否。

2) 是否有能力將抽象的問題轉化為實際可解決的問題與建立可執行、可評估的計劃。

3) 是否有能力去推動專案的前進，並發揮影響力讓他人與你一同達到目標。

4) 管理/激勵/建立團隊的能力。

5) 在某個分析領域上特別專精。

這5個面向會用於評量一個數據分析師/資料科學家是否由Junior慢慢轉變為Senior的狀態，同時越Senior的人員也越有獨立推動業務的能力。

其次影片也談到說幾個隨著從業時間增加，但可能還不足以成為Senior的幾個原因：

1) 平時處理的業務內容比較簡單，也比較不複雜

2) 平時比較少思考問題跟其他業務/單位之間的上下游關係，較少做全方面的思考。

3) 對於現有業務缺少好奇心，比較少去探究背後的成因與背景

至於如何累積Senior的能力呢？多讓自己實際去做各式各樣的業務，並帶著好奇心去探究業務問題背後的成因，可以慢慢累積對產業深入理解的能力。

此外影片中有談到一個這個領域中也不斷討論的問題：長期來看做Modeling or Analytics的從業人員是否在發展上會有所差異？

抖音的資深分析師鄒老師也回饋，以長期發展而言，這兩個領域的職能重疊性會越來越高，差距會慢慢變小，在發展上更多的會去加深對行業、產品、以及現有業務的理解；

不過也不一定要每個人都需要去帶團隊，這部分可以考量到個人對這件事是否有熱情，在組織內能做好Individual Contributor也是很棒的事情。

評估Candidates時，考量的面向遠遠不只有Hard Skills

在尋找團隊成員的時候，除了硬實力(專業知識以外)，也會很綜合的考量到企業文化、做事風格、對產品的理解、以及產品開發週期對這個人的風格是否Match。

實際在談Candidates的時候，有些人會習慣將一些現有的分析Framework套到問題上，有時候卻並沒有辦法很好的符合業務情境的需求；

除此之外也會考量是否有將過去的經驗轉化到解決新場景問題的能力，這部分有時候並不特別在意是否能提出一個解決方案，更多的是考量對這些解決問題的原則是否有深入的理解。

總結起來在訪談一位Candidates時會嘗試提出一些業務問題，看看他是否有能力提供解決方案，並評估看看他解決問題的方式是否符合企業文化或團隊文化；此外有經驗的Interviewer之間也會彼此做Cross check，檢視自己是否在這個過程中有誤判的狀況。

對於一個有潛力的Junior Candidates，可能會更多的在意4個點：

1) 這個人對事情是否充滿好奇心

2) 是否會願意投入時間去對業務有更多的理解

3) 是否有尋求建議、接納建議、自主做研究的能力

4) 這個Candidates是否是一個可靠的人

在影片最後鄒老師也分享了成功的面談案例經驗：

1) 這個人業務做的方向跟企業/團隊方向是吻合的，很多團隊遇到的問題這個人之前都有遇過，可以提供簡單的解決方案，知道解決思路可能是什麼，並提前去發現這些解決方案可能有哪些潛在的問題。

2) 分析問題時非常貼近具體的業務場景。

3) 溝通上是很直接的，跟團隊溝通上是對頻的，未來合作上可能會很開心，不需要花太多時間去解釋太多事情。

在文章最後附上完整的影片連結，推薦給正在從事相關領域及有興趣的朋友們可以參考看看。

這篇文章 關於資料科學家的長期職涯思考 最早出現於 科技島-掌握科技新聞、科技職場最新資訊。

從資料專案的工作流程、資料團隊的角色分工以及資料團隊會如何配置，三個面向解析資料團隊的的配置。但有了資料團隊的下一步是什麼？資料團隊要怎麼樣才能發揮更大的效益呢？這些都是有了團隊之後需要煩惱的議題。

文／張維元

資料科學的浪潮更將資料科學工作者推到第一線，許多產業都能看到「資料」的影子與可能性。但是對資料科學職涯有興趣的人，該怎麼知道「哪裡有適合自己的位置」並「據以規劃自己的資料科學職涯」呢？由於資料科學需求時常是個很龐大的任務，實際上會需要一個團隊來實現。本篇文章就從資料團隊出發，解析其中的任務內容、工作流程、需求配置與和協作方式，一步步地洞察與貼近資料科學工作者的可能性，一窺資料團隊的樣貌。

• 資料專案的工作內容與流程
• 資料團隊中角色的技能與任務
• 逐步成長的資料團隊配置

資料專案的工作內容與流程

一個資料專案會經過「取得資料」、「資料前處理」、「訓練模型」、「模型評估」、「決策應用」五個流程。

首先的步驟是「取得資料」與「資料前處理」，這是整個流程中最花時間的部分。特別在資料量較大或較多元時，資料清理工作總是很費功夫。接下來，我們要從資料中學習、並找到規則，這便是「模型」或「演算法」的階段。而模型的概念有點像個神祕的黑盒子，對同樣的資料、能夠問不同問題，最後希望能獲得我們想要知道的關係或答案。最後，將模型的結果提供決策應用產生最終的效益。換句話說，資料科學的本質是利用模型去解讀不同的資料與其意涵，而資料科學的快速發展正在改變知識或決策的產生方式。如果可以利用機器的優勢來轉換知識，降低對經驗的依賴，那人們就得以更加專注於「決策」。

資料團隊中角色的技能與任務

講到資料科學團隊，很多人會想到的可能是「資料科學家（Data Scientist）」。但是實際上，資料科學家其實是比較資料/進階的職種，通常組織會從「資料專案」的實現來設計團隊，透過不同的專長組合成一個完整的團隊，而非配置很多個資料科學家。

三種技能的簡單分工

一般來說，可以先依照技能與工作簡單分成「資料分析師」、「資料工程師」和「資料科學家」三種角色。

資料分析師擅長分析應用，要找資料、問問題，主要任務是找到對的資料並從中發現想要知道的關係。其關鍵能力，是找到適合的資料來解決問題。故資料分析師需要有一定程度的資料理解力、與定義問題的敏銳度。資料工程師擅長程式實作，要提供好用的資料，能夠把資料變成可以用的樣子、或提供好用的資料。相關任務包括自動化蒐集資料、自動化分析資料等。若本身已經是軟體工程師，有較好的程式掌握能力，可考慮從資料工程師開啟資料科學職涯。資料科學家會對資料問出更深、更多的問題，並進而找出更複雜的關係。這個角色適合本身有數理背景、對模型的掌握度較高的人。而相較於資料分析師，資料科學家是比較資深/進階的角色。

相對於與工程或數理背景連結性較強的「資料工程師」與「資料科學家」，資料分析師是個能與更多元技能結合的角色，如產品、行銷等。故本身有既有專精領域的人，可考慮從資料分析師，開始瞭解與規劃資料科學職涯。

更加彈性的團隊角色

不過我在之前的文章 真．資料團隊與分工 也有提到實際上的分工與職能其實會更加複雜一點，原本的分工太細的狀況下可能會造成角色存在 GAP 與互踢皮球的狀況。因此常見有以下幾種替代的技能職種：

機器學習工程師這是一個延伸自分析師與工程師的角色，過去我們可能會拆成兩個團隊利用模組的方式來分工。但如果分析團隊與工程團隊交接的過程中遇到問題怎麼辦？很容易就會陷入兩方都難以解決的困境。因此在資料科學家與資料工程師間衍伸出「ML 機器學習工程師」這樣的職種，略種一點模型也略懂一點工程的它能夠作為兩者間的橋樑。另一個常見的情境是，最終將模型交由工程師部署上線之後。可能會遇到重要的錯誤出現或需要週期性的更新時，往往都會需要整個流程重新跑一次。在傳統的開發模式當中，會有維運的工程師負責從開發到上線自動化的融合成一系列的工作線。這樣的想法轉移到資料科學的情境當中，被稱為是 MLOPs 機器學習維運工程師，主要概念是將模型的訓練與部署更加緊緊的自動化。

資料分析師的也有兩種不同面向的下一步：「資料分析工程師」和「商業分析師」。資料分析工程師（Analytics Engineers）是介於資料工程與資料分析的角色，比起傳統的資料工程師更多了一點分析的概念。從職能來解讀「資料分析工程師」的話，更專注在產出可用的資料提供分析（更多細節可以參考 資料分析工程手札粉專）。商業分析師是處理商業問題的資料分析師，擁有濃厚的跨領域色彩，也負責轉譯的任務。從資料技能的角度來看會有一部分內容跟資料科學家重疊，但從使用場景來看可以明顯看出差異。
資料分析師比較強調的是「如何找到適合資料可以解決的問題」，對資料理解與定義問題的敏銳度。就我所知，資料分析師在資料探索及資料視覺化的要求會高一點。而資料科學家則更重視模型與理論，需要比較完整的資料知識體系，例如統計，最佳化及資料模型這方便的了解。

除此之外，因應不同的團隊場影也有不同的職種，例如：

• 實現資料收集的自動化的「爬蟲工程師」
• 綜合工程師與數理模型的「機器學習工程師」
• 應用於不同領域的「生醫統計學家」、「金融/計量分析師」
• 研究於特定模型的「電腦視覺工程師」或「自然語言工程師」

逐步成長的資料團隊配置

資料團隊可以根據資料科學的技能，拆成四個主要的任務：資料探索、資料工程、分析模型與理論研究。但實務上，則會依據團隊的規模與發展階段加入不同的角色，很難在初期導入就有完整的配置。最後一段想聊聊，過去看到的幾種團隊配置方式以及如何打造逐步成長的資料團隊。

剛起步的一人資料團隊

當團隊只有一人時，速度時常會比完整度還要重要。而在此階段，會視是否有模型需求，來決定要不要找資料分析師或工程師。如果公司已經有資料、資料庫系統時，需要對現有資料進行探索或分析的話，可以一個配置資料分析師或商業分析師。有商業與分析觀念的分析師，能夠搭配工具對資料進行分析，快速滿足「產出有效的洞察」。

而如果公司是沒有資料庫或尚未整合外部資料來源時，通常是非資料背景的同事有一套搭配工具的第三方工具處理工作日常。這個時候可能會需要從「資料管線」的基礎面開始建置時，「工程」的需求就顯得更為重要，因此首選就會是資料工程師或的機器學習工程師。

從探索到自動化的兩人團隊

隨著「資料」的效益提升時，可能開始需要資料團隊的組成。通常只是「有資料」且「有需求」兩個條件都成立的情況下。這個時候其中一個角色會是資料分析師，專注在資料探索；而另一個角色則是工程師，專注在如何用自動化產生結果。

兩人數據團隊通常目標在於能夠自動化收集資料且產出資料，最常見的應用可能是內部的資料看板（Dashboard）或週期性的報表。這個階段對於模型還在比較嘗試或是觀望的階段，例如直接使用套件產出結果，但能完整資料驅動的效益上不明確。

導入分析模型的團隊

最終當團隊想導入更複雜的模型，就會需要資料科學家或機器學習工程師的角色。這個時候除了必須要有「資料面」、「分析面」的技能之外，有需要有對外之可能性探索的空間，也就是能夠從資料中問出有意義有價值的問題，進而使用合適的模型進行分析。

「資料科學家」與「機器學習工程師」在這裡的差別主要是研究程度的多寡，不然在工作任務上其實不會差太多。

資料團隊已就位，然後呢？

從資料專案的工作流程、資料團隊的角色分工以及資料團隊會如何配置，三個面向解析資料團隊的的配置。但有了資料團隊的下一步是什麼？資料團隊要怎麼樣才能發揮更大的效益呢？這些都是有了團隊之後需要煩惱的議題。所以建立資料團隊只是公司對於資料文化的第一步，真正的挑戰才正要開始。

這篇文章 資料科學團隊的角色與配置 最早出現於 科技島-掌握科技新聞、科技職場最新資訊。