科学家咖啡馆4：数据科学的组织方式
我的分享对你有用吗？请我喝杯咖啡？
你可能会问，我们为什么要了解数据部门的组织架构？你的职位和你所在部门的关系很大程度上决定了你在这家公司的职业轨道。比如我的第一份工作是在杜邦的市场部门做数据科学家，我当时是在市场部下面的商业分析组，我的老板也就是商业分析组的经理，但是他的老板是营销总监。他的老板就是市场部的副总裁。我不知道大家有没有发现这里面的职业陷阱？也就是我所在的团队是没有职业晋升空间的，这就是一种典型的数据行业的组织架构，分布式的架构。
1) 分布式
这种组织方式没有数据科学部门。每个团队都雇佣自己的数据科学人才。例如，营销分析小组由数据工程师、数据分析师和数据科学家组成。团队负责人是具有分析头脑和深入业务知识的商业分析经理。
这种类型的数据组织的优点是：
- 数据科学资源与组织非常吻合。
- 数据科学专业人士在他们的团队中受到重视。
- 数据洞见能更有效的驱动商业决策。
它在短期内对公司和数据科学人才都有效。然而，也有很多缺点：
- 它牺牲了数据科学员工的专业发展，因为他们在孤岛中工作并专注于特定的应用领域。在不同的应用领域共享知识也很困难。
- 由于人员与特定组织的特定职能高度相关，因此很难调动人员。
- 数据科学人没有职业道路，很难留住人才。
2) 中心化
数据科学是一个与其它部门（如工程、产品，设计等）平行的自治单元。数据科学负责人直接向公司高层汇报，CEO 或者CTO。
这种类型的数据组织的优点是：
- 数据科学团队拥有自主权，并且能够很好地解决它认为对公司很重要的任何问题。
- 有利于数据科学团队中的人分享知识和专业成长。
- 为数据科学专业人士提供了清晰的职业道路，有利于吸引和留住人才。
这种组织方式最大的担忧是有边缘化的风险。数据科学只有在真正用数据驱动行动时才有价值，这需要数据科学家、工程师、产品经理等等不通业务利益相关者之间的协作。对于独立的数据科学部门，选择一位了解数据科学在不同领域的应用并具有很强的跨学科沟通能力的部门领导者至关重要。数据科学负责人需要与其他部门建立强有力的合作。
3) 分布式工作，中心化管理
仍然有数据科学主管，但他/她的角色主要是招聘经理和教练，数据科学团队会统一的招人，然后把这些人分配到不同的部门。这些人就和这些部门合作解决相应应用领域的问题。用我之前在市场部工作的例子呢，我还是做市场部的项目，但是我汇报的人不再是市场部的，而是汇报给数据科学的经理，这个经理不一定对我从事的应用领域，也就是市场营销，有很深的了解。
这种组织的优点是：
- 数据科学更接近其应用的领域。
- 还有一个数据科学组，所以很容易分享知识。
- 它具有高度的灵活性，可以在整个公司范围内分配数据科学资源。
缺点是：
- 这给管理层带来了困难，因为指定团队的负责人不负责数据科学专业人士的职业成长。
- 相比之下，数据科学经理并不直接参与他们的工作。
- 数据科学家在任何地方都是二等公民，也没有归属感，很难吸引和留住人才。
对于组织数据科学团队的最佳方式，没有统一的答案。这取决于许多其他的因素。比如数据科学对这家公司而言有多重要？公司目前处于什么发展阶段？是初创公司还是相对成熟的公司？小公司更可能有中心化的数据科学团队。大公司很难有全公司范围的中心化团队，更有可能的是每个产品线有自己的数据科学团队。
This work is licensed under a Creative Commons Attribution-NonCommercial-ShareAlike 3.0 Unported License.