小议数据挖掘工作的分工

随着大数据、人工智能概念的不断升温，从事数据挖掘算法在很多相关专业同学们眼里是个有前景的方向，很多人也在谋求转型进入到这个领域。自从有了网络mooc课程之后，这个领域的门槛看上去也是越来越低，竞争压力也越来越大。但接触了一些想要进入这个领域的人，包括当初自己还没踏进这个领域的时候，会存在一些误区。其实数据挖掘算法这个领域，会有很多细分的方向：

1）算法研究：很多搞技术的人会比较推崇这个方向。但实际上真正去做算法研究，窃以为还是要经历正规系统的学术训练，有相关的博士学位为佳。跟踪最新的前沿论文，并不断去实验。如果没有正儿八经发表过学术论文，经历过审稿人的各种刁难和挑战，即使尝试出来了一个效果显著的算法，其理论的严谨性我认为还是会受到各种质疑的。做算法研究，很多时候是需要很强的学术背景去背书的。

2）算法开发：很多技术体系的人士应该都处于这个领域。算法是现成的，只不过因为一些业务的需要，会进行相应的调整和开发；或者是去帮忙实践由算法研究人员给出的算法逻辑。通常能做算法开发的人，代码能力要特别强，尤其是对数据结构一类的算法理解透彻，这样才会开发出来兼具效率和效果的算法库。有ACM竞赛背景，做此类相关工作会有比较大的优势。

3）算法应用：算法应用的典型岗位应该就是数据科学家或者数据分析师，有的可能还会是数据产品／运营的职位。做算法应用的人通常会融入比较多的行业背景知识，是复合型的人才，R/Python是他们最常用的工具。做算法应用的人，可以去深耕一个领域利用算法解决问题；也可以去追求广度，用各种数据工具去解决业务咨询问题。此类工作者需要比较强的沟通表达能力。

以前看过一个广为流传的文章说，上述三种人才，就好比是个金字塔。算法研究薪资最高、其次是能够做算法开发的人，最后是算法应用人员。我其实不大认同这样一个观点，只是不同的分工罢了。就好比在高校里，总有基础理论研究的学科，总有偏应用的学科。不同分工，其产生价值的点也会不一样，看个人背景和喜好。比如，做算法应用的人，如果要评价好与不好，不在于模型的精准度如何，而在于对业务指标的支撑有多大。事实上，在某些场景下面，精度一般的模型反而能产生比精度高模型更多的价值。所以算法应用很大程度上看的是一个人的综合能力，对问题本质的思考是否透彻。