麦肯锡的愿景规划
如何成为一名数据科学家？
如何成为一名数据科学家？
大概是能制作出属于自己的数据地图吧。
这是我自己做出来的，集合了近10年来的数据分析职业经验，参考了数十份行业内的权威著作、白皮书等，结合数十万字的庞大学习资料，才有了这个。
指导别人前，自己也得有拿的出手的干货吧，不然怎么让人信服？
先说一个，如果题主只是为了高大上的title来的，那我劝你趁早放弃幻想，现实中数据科学家只是尊称罢了，没什么用，说不定别人转头就认为你是为他们服务的呢？
那这个概念是怎么来的？
程序员觉得自己不适合编程，产品经理觉得自己不适合做产品，统计会计觉得自己天花板又低，咦，这个数据科学家的岗位听起来蛮高大上的，做的事情和我也没什么差距，我去试试？
嗯，基本上都是这样。
你们以为的：
这种人存不存在？存在，但醒一醒，数量很少，而且需要多年的历练。
据我了解，多个互联网大公司的数据leader，他们就是导导表，跑下数据，然后按业务需求把数据给别人，偶尔还帮其他部门做一些临时的需求，挖掘用户数据可能更多一点。
离数据科学家还远着，这就是现实。
但并不是没办法，成为数据科学家，还是有路可循。
1、数据科学家怎么来的？
先有Data science ，再有做此行当的人data scientists 。
science都是要做实验的，实验的对象是数据，方法是dm，ml，dl等，仪器是各类存储硬件，处理软件。奇妙的是研究对象是不同领域，所以一个data science过程，产出物可能仅仅一些常规知识，提示和决策，甚至可以拓展对某个领域认知。
2、数据科学家的类型
第一种，偏分析。
可以说，类似于商业分析这种，需要你懂行业，懂市场，懂公司运作，然后再去解决问题。
主要工作，基本上是清清数据，做做分析，出出报告，搞搞洞察，但随着大数据的到来，对模型建立能力、工具使用能力、数据处理能力要求更高了。
Tableau、python、Finebi、R、pandas、matlab都得会。
还得懂市场、经济、统计的知识。
第二种，偏算法。
研究类的升华，比如阿里达摩院，也算一个成本部门，是部门就得有产出，是研究就得有成果，就得能落地（这句话不是我说的，是马老师）。
那这种就很好理解了，把算法从Research做到Product。
要求会更高，NLP，数据挖掘，推荐算法，CV，业务逻辑，需求管理，编程能力倒是其次的。
3、数据科学家的核心技能
除了数据分析，还有什么？
其实数据科学在公司里的应用还是基础层次，老板招人可能只是想让公司赶上AI的末班车，但是不懂如何让数据成为生产力，噱头是主要的。公司越大，职位边界会越模糊。
所以，数据科学家应该拥有产品经理一样的嗅觉能力，或者仅仅次于程序员的代码能力。
不然你就会很迷茫，自己在产品和开发都没有话语权，逐渐变成了支持部门。
所以要在大方向上，更加积极一点，从insight到product，要全程参与，真的很培养能力，然后才能有数据话语权，这可不是写个python、sql或者etl就能实现的。
公司的职能部门怎样量化绩效考核？
对于职能部门来说，通常可以从工作量和工作质量两个维度来进行量化；工作量是为了让员工愿意去做更多的事，承担更多的职责，调动工作的积极性；工作量也可以从两个维度来进行量化：1）工作时间，比如对于日常工作设定标准工作时间；可以采用常见的德尔菲方法进行估算收敛；设定工作饱和度指标。2）可以根据产值法，一项工作的完成计多少产值，根据产值折算成多少绩效工资或奖金。 工作质量维度的考核也很重要，不能提升了效率牺牲了质量，工作质量可以采用类似的 差错率、不合格率等一些非权重指标。
不过对于一个完整的绩效考核体系来说，完成量化的考核指标的设定只是个基础，怎么用这些指标制定相应的激励措施激发员工的潜能才是我们更需要考虑的，让员工事做多了承担的责任重了，帮公司节约了成本取得了效益的同时自己也获得了额外的收益；需要设计一套超额利益共享的机制！其次绩效管理的过程也是非常重要的一环，绩效的考核沟通辅导，帮助员工成长帮组织达到更好的绩效，同时绩效考核评估后针对不足还要制定后续的行动改善计划形成闭环；才是一个比较完整的绩效管理过程！