招人難留人難？你可能犯了招聘數據科學家的這十宗罪
編譯：驚蟄、吳雙、Aileen
作為用人方，你會覺得招聘數據科學家有困難嗎?或者，雇用他們之后他們在公司里呆的時間并不長?實際上，這有可能是你絆著了自己的腳。
在機器學習、AI和大數據構成的數據科學領域中，招聘員工和留住員工兩件事常常會讓HR感到非常挫敗。造成這種現象的原因很容易被歸咎于候選人的浮躁，畢竟數據科學現在太熱門了，數據科學家供不應求。雖然一定程度上這是事實，不過還有一個更重要的原因：你無意識的一些行為破壞了自己招聘和留住數據人才的努力。
我見過不少在招聘上遇到問題的公司，并將其作為雇主的經歷和數據科學家們找工作時的抱怨做了個對比。在這個基礎上我找到了十個招聘中常見的問題，并分別給出了解決方案。
下面提到的建議，可供各位HR參考。
錯誤No.1：缺乏目標
數據科學現在正是媒體的寵兒。原因很直接：有效地收集和分析數據的公司往往可以找到新的利潤渠道，也可以改善公司的決策。
雖然這么說，但有些公司其實并沒搞清楚數據科學到底是什么，其又能給公司帶來多大收益的時候就匆匆加入了這個大部隊。我把這種現象叫做上繳“數據科學虛榮稅”，他們使用數據科學只是為了說自己在使用數據科學。
如何知道自己公司在數據科學方面的努力是會有所成效的呢?你可以向自己和其他決策層同事們提幾個問題，比如投資預期回報率(ROI)是多少，或者數據科學的使用可以對公司帶來什么樣的好處。模糊的、不切實際的，或者無法實現的答案—比如“我們可以用機器學習解決這個棘手的特別復雜的問題!”—都不是好兆頭。
解決方案: 想清楚公司“要做什么”以及“為什么要做”。
忽略媒體炒作和營銷代理商的宣傳手段，請關注你的商業模式和公司理念。問一問自己為什么對數據科學感興趣，并弄清楚它可以帶來什么收益。最重要的是，弄清楚“數據科學”和“機器學習”到底是什么，這樣可以方便確定如何在公司的業務中使用它們。
錯誤No.2：缺乏計劃
你的目標在很大程度上決定了你想做什么。這是愿景，但愿景只是第一步。數據科學在戰略和戰術層面對你到底意味著什么?你又有沒有整理出如何執行這個宏偉愿景的計劃呢?
如果你沒有一個詳細的計劃，就仿佛無頭蒼蠅一樣，其結果只是浪費時間、精力、士氣和金錢，但什么都收獲不到。沒有計劃比沒有目標更糟糕，因為即使你有做事的潛力，但實際上最終并沒有真正做成什么。
解決方案：制定數據策略路線圖。
請把“想做什么”和“怎么做”聯系起來。其要點是：把想要解決的問題列成表，相應創立幾個數據相關的項目，找到完成這些項目所需的數據集和技能。關鍵是要夠具體。紙上談兵或者過于簡化問題只會徒增失望。
另一篇關于開發數據策略的文章：http://qethanm.cc/2016/02/17/what-is-a-data-strategy/
錯誤No.3：初始階段嘗試太復雜的數據分析
媒體和營銷代理商經常單獨談到數據科學，這導致人們誤以為他們可以直接上手先進的數據科學項目，比如最近流行的深度學習。
事實上，一個成功的數據科學項目是有很多層基礎的，即使在第一階段的數據處理之前，還必須要清洗數據和擁有一個穩健的基礎技術設施。
解決方案：從基本的工作開始，然后慢慢深入。
開發收集所需數據的機制，并部署存儲系統以保證數據的保存和檢索。然后，檢查已有數據，確保它們可以進行分析。如果你發現“我們不知道有什么或者需要什么數據”，那說明你跳過了開發數據策略的步驟，參見上一條建議。
如果你已經有了這些數據和基礎設施，為了讓之后的處理更方便，你可以先嘗試一些商業智能(BI，即business intelligent)技術，如計數，摘要和匯總。 商業智能技術不僅對公司整體有益(比如大家都希望得到的按地區劃分的銷售額數據)，它還可以快速而廉價地測試數據。
通過摘要和匯總，我們可以快速找到數據中的不一致或者有問題的地方。如果商業智能的測試失敗了，那么更高端的數據科學處理也無法進行。
錯誤No.4： 讓招聘人員毫無準備地開始接觸候選人
你希望求職者做好萬全準備，對嗎?其實你自己也應該這樣做。從有經驗的數據科學家那里，我聽到的最常見的抱怨就是在接到一個冷冰冰的電話或者一封郵件之后，發現電話或郵件另一邊那個吹噓某知名公司開了個很好的崗位的那個人，并沒有提供這個崗位的詳細信息。
當然，你應該告訴這些求職者休假政策和辦公環境是怎么樣的。 你還應該詳細講解他們在加入公司之后將要做的事情。有經驗的從業者(甚至一些聰明的的職場新人)都會想要知道公司使用了哪些工具，他們可能會參與什么樣的項目，以及他們的工作對公司有什么用。
有些招聘人員在這里會用一些模糊的回答敷衍了事，比如說“團隊用Python寫代碼”或“在聘用你之后,我們會告訴你具體負責的工作”。這么做很容易讓求職者失去興趣。如果這么做了，不要指望他們之后會接聽你的電話。
解決方案：找個經理，招人的接洽工作自己來做。
在正式的面試之外，其實有很多可以找到不錯潛在雇員的機會。擁有招聘權的你，有能力—也有責任—走出辦公室，自己找人才。 你可以參加小型聚會或行業會議，甚至自己在公司里舉辦一個和數據相關的會談。這樣就可以在輕松的環境中，積極主動地面對潛在的職位候選人。
在參加活動的時候，不要一見面就說“我們在招人”然后把他們直接送到HR。相反，你可以和他們討論幾個目標職位，問一問他們想做什么樣的項目。評估一下他們的興趣、技術水平，看一看他們和自己的團隊合不合的來，最后再找到HR，正式確定這次招聘。
錯誤No.5：要求提的太高
你遇到過數據科學的崗位開放幾個月之后還是沒招到人的情況嗎?甚至都沒人來投簡歷?如果這是你第一次招聘數據科學相關工作時遇到的事，就可要加倍注意了。
在這種情況下，有可能出問題的不是候選人而是工作描述和對求職者的預期。這個領域很多崗位描述要求的簡直是個全能王：不僅經驗豐富，用得慣各種工具，scikit-learn，TensorFlow，神經網絡，文本分析和流失預測(churn predictions)，還要有統計學博士學位 。
對了，他們是不是還需要把他們的模型整合到產品的網站上?或者還要管理數據庫?
我明白。我也相信這句老話：如果你不說，你就找不到符合要求的。但這里還有另一面：提出了要求，也并不意味著一定會被滿足 。
如果你一直在找符合每個要求的候選人，那多半會等待很長時間。而且，符合這些條件的少數幾個人在很久以前就很有可能已經被搶走了，這意味著這些人根本不在你的搜索范圍之內。
更糟糕的是，符合大部分要求的人將會從字里行間了解到，寫著這樣招聘信息的公司都不怎么樣，所以這種方式是找不到知識淵博并且很搶手的數據科學家的。
解決方案：把職位要求放現實一點。
這個問題經常會在還未建立數據策略時發生。如果缺乏這樣的策略，說明你并不清楚自己需要什么，所以以防萬一，你更傾向于向求職者要求所有可能會用到的技術。
這個時候，雖然符合條件的數據科學家可能會出現，但多半不太可能。你應該做的就是把這個崗位分成不同的角色，也可以把這些技能分成“必須有的”和“可以學的”兩類。符合要求的申請人會看到你有實際可行的期望，所以更有可能申請這個工作。
錯誤No.6：不切實際的面試方法或衡量標準
對數據科學的報道中經常提到薪水：年紀輕輕往往就享有高薪，不僅如此，公司還把薪水當作激勵腦力工作的手段。這樣的待遇誰不想要呢?然而，有些公司的面試流程卻讓人看不到錄取希望。其中有些流程的設置既不讓人開心，也不切實際，以至于公司自己趕走了他們本想聘用的候選人。
例如，假設你的公司使用scikit-learn之類現成的工具，但你卻仍然希望求職者可以在白板上寫出實施K均值聚類算法(K-means clustering)的代碼;或者，你向某候選人發了一個需要花好幾天才能完成的項目作業;又或者你不接受沒參加過Kaggle競賽的人，或者在GitHub上沒什么東西的人，又或者沒有特定學術背景的人。
與其說這些是對優秀人才的甄選，還不如說是招聘人才的障礙。這些條件的設置并沒有真正衡量出候選人的實際技能，更重要的是，這么做反而會趕走合格的申請者。這些人都知道自己很受歡迎，可以去其他地方找工作。
解決方案：更實際的面試。
最基本的，把面試中的技術性題目限制在公司真正會用的工具上，而且也請按照實際使用這些工具的方式來問問題。你可以在理論層面深入一些，詢問候選人在處理一些問題時如何使用(或者更簡單點，是否使用)某種技術。
面對經驗豐富的候選人時，可以問一些關于他們之前工作的開放性問題，并給他們足夠的發揮空間，從而了解這些人在過去是怎樣解決問題的。
如果你非常想在面試中保留類似demo或者在白板上寫程序的話(實話說，其實并不需要)，那么一定要確保這些環節和他們在工作中真正做的事情相關。
錯誤No.7：先聘用數據科學家
除非你的公司已經有了可靠的數據基礎架構和內部的商業智能(BI)實踐，否則你將需要找個數據工程師來構建數據管道(data pipeline)，或者給數據科學家們準備好可用的數據。很多公司因為并不覺得這是真正的數據科學而跳過了這一步，然而實際上他們犯了一個昂貴的錯誤。
如果你直接先聘請了數據科學家，那他們將會因為沒有數據可用而覺得無聊，最終離開公司。 或者，他們也許會承擔數據工程師的角色但卻對此感到不快(記得，他們入職的并不是這個崗位!)這一點通常是他們離開的先兆。
不過，所有這些發生的前提都是你有能力讓他們成功入職，好的數據科學家其實在面試中就會發現你沒有做好準備，而拒絕你的offer。
解決方案：先聘請數據工程師。
雖然這么做的話，你的同事們或上級可能會有些質疑：“我本以為我們要做的是數據科學，但你雇的這個人整天都在弄數據庫!”但是你需要堅定你的立場，并向他們解釋為什么聘用數據工程師是必要的第一步。
其額外的好處是，聘用數據工程師會縮小數據科學家的工作范圍。這是因為你的數據科學家進行數據準備的時間會減少。基于此，你可以降低對數據科學家的要求來更快速地招到符合標準的人。
如果你的第一位數據領域聘用人員是非常有經驗的數據專業人士(除了擁有非常完善的數據技能外，還擁有全面的技術背景)，并且你的公司內部已經有功能強大的商業智能技術時，則可以降低這項要求。
在這種情況下，大部分數據基礎已經到位，數據科學家可以在最初自己上手所需的數據工程相關工作。不過，這樣做的前提是未來這個數據團隊在規劃上是會擴張的。數據科學家可以去雇用專職數據工程師或其他數據科學家來接管自己的部分工作。
但是這引出了我的下一個論點：
錯誤No.8：先聘用初級數據科學家
市場對數據科學家的強烈需求產生了一些副作用，其中一個就是，他們期望高額的薪水。一些公司(尤其是初創公司)會對經驗豐富的專業人士對薪資的預期感到畏縮。所以他們試圖通過聘用一個工作經驗很少或沒有工作經驗的人來節省資金，無論是剛畢業的學生還是僅僅在類似新手訓練營的培訓項目里接觸過數據科學的人。
乍一看，這決定看起來不錯，因為節約的薪資很容易被量化。然而事實上這種方式并不好，主要是因為這種方式對被聘用的人很不公平：作為第一個也是唯一的數據科學家，當他陷入困境時根本無法找更有經驗的人尋求幫助(他有時候甚至可能都意識不到自己陷入了困境)。
必須自學所有東西的結果就是難以發揮自己的技能。這個人甚至有可能會因此感到沮喪并離開公司。
解決方案：最開始先找一位經驗豐富的數據人員。
這里指的是那些熟知各個環節，只需極少的幫助就能夠迅速行動的人。在他們的幫助下公司將更快地看到在數據科學投資上的回報。這些人的薪水確實高于入門級人員，但這筆花費其實很值。
那你還應該去聘請初級數據科學家嗎?當然!不過關鍵是要首先建立一個經驗豐富的數據科學家團隊，不然就是創建一個能夠幫助這個人成長的環境。
錯誤No.9：堅持DIY(所有的事情都自己來)
這是一個雞生蛋蛋生雞的問題：為了實現(數據科學相關的)解決方案你就需要聘用一位數據科學家，而聘用數據科學家你就需要有數據科學經驗的人來梳理設計解決方案和匹配人才需求。可如果你的公司或團隊本身已具備一定的數據科學經驗，那么這解決方案早就應該已經實施了，何必招人!
一些公司試圖擺脫這種困境。這些公司將軟件開發人員和數據科學家安排到同一個團隊中(都是技術相關的，對吧?)，并任命首席開發人員或CTO去領導公司的招聘。這樣的領導往往跳過開發數據策略的步驟來直接開始寫崗位描述。
雖然他有技術經驗，但缺乏數據背景，因此招聘信息根本沒有用。然后，HR和獵頭就開始了對候選人的盲目地大范圍追逐。等到候選人接受面試時，就會意識到公司內部并沒有數據科學人才，沒有人能聽懂他們在說什么，所以沒有人能夠真正評估自己技能和經驗。最終，面試失敗了。
而那些經歷過面試的人呢?領導會說：“他們確實不錯，但并不是我們正在找的人......下一個!”這個位置毫不意外地保持開放幾個月，有時甚至還超過一年。
解決方案：寫招聘信息和面試候選人的時候尋求外部幫助。
如果你的公司本身還沒有什么數據科學方面的經驗，請聘請經驗豐富的數據專家與你一起寫崗位描述或者做面試。這位專家不會取代你的人力資源和招聘團隊，但可以縮小尋找候選人的范圍，也可以和候選人有交流合作，從而加強招聘部門的工作成效。
錯誤No.10：太急躁
希望你已經能用上文中提到的技巧來改進數據科學人才的招聘方式了。這個時候，你已經制定了一套現實的數據策略，調整了面試過程，也從外部聘請了一些有經驗的人士來撰寫崗位描述，幫助你面試候選人。然后怎么辦呢?你現在已打開了大門，數據學家就會蜂擁而入，對吧?事實上并不是如此。
解決方案：請耐心等待。
文章中提到的所有解決方案都可以幫助你做足最好的準備，拿到一手好牌。然而，你仍然需要積極地搜索，以便找到候選人和面試候選人。即使你做的都是正確的事情，你仍然在與其他公司競爭數據人才。別太急，要有耐心!
原文地址：
https://towardsdatascience.com/10-common-mistakes-in-hiring-data-scientists-30db415f4ff2
【本文是51CTO專欄機構大數據文摘的原創譯文，微信公眾號“大數據文摘（ id: BigDataDigest）”】
