感謝大家的關注和分享，我是老夏，擅長互聯(lián)網運營新思維、新媒體內容營銷

成功的關鍵永遠是思想，而思想的載體是人。

互聯(lián)網公司，特別是創(chuàng)業(yè)公司，如何組建優(yōu)秀的測試團隊呢？我們可以看看谷歌和亞馬遜是怎么做的。

測試主管是軟件發(fā)布質量的主要負責人，同時也是產品經理、開發(fā)主管、和運營主管的關鍵合作者。一個優(yōu)秀的測試主管會不斷培訓缺少經驗的測試人員并幫助設計優(yōu)秀的自動化測試架構。研發(fā)團隊里擁有一個強勢的測試主管，測試團隊的每個人都會減少妥協(xié)，會追求完美，開發(fā)團隊就不得不去創(chuàng)建更多、更好的單元測試來保障開發(fā)的質量。

測試團隊和工程團隊的團隊文化通常是不一樣的。測試團隊無時無刻不在想盡一切辦法找出問題。所以，一個優(yōu)秀的測試主管來管理質量和管理測試團隊對公司和產品有很大的好處。在測試團隊的人員招聘進展不順利的時候，還可以參考如下方法解決。

首先，適度地降低雇傭的測試人員 的標準，并認真培訓和管理。但這種方法不夠高效。他需要測試經理經?；ㄙM較多的時間管理那些能力不足的人。而且有可能會雇傭更加平庸的人。俗話說，一流的人雇傭一流的人，二流的人雇傭二流的人。雇傭二流的人時需要考慮到產品質量和生產力會在一段時間內因為雇傭了二流的人產生下降。

其次，可以按比較高的標準雇傭外包測試團隊。這需要找一個比較有經驗的測試負責人和外包團隊協(xié)作、溝通。使用外包團隊的組織成本比雇傭全職人員成本更低。和外包商合作時各種顧忌會很少，可以要求更快的速度和產出。遇到能力不夠的人可以要求隨時更換。

關注 真好的世界 百家號，您會經?？吹?互聯(lián)網產品研發(fā)過程中的優(yōu)秀經驗。

數(shù)據科學團隊眼下已經成了很多數(shù)據驅動型公司的標準配置，數(shù)據科學家也成了最“性感”的職業(yè)。不少公司都在想辦法建立或擴展自己的數(shù)據科學團隊，而究竟需要什么樣的數(shù)據科學團隊，成了很多公司在發(fā)展過程中都會遇到的棘手問題。

在目前的職業(yè)市場上，有各種背景、各種經歷的人都自稱為“數(shù)據科學家”。那么，如何從這個蓬勃發(fā)展，卻魚龍混雜的人才市場中找到合適的團隊成員呢？今天我就來和你聊一聊作為一個工程團隊的負責人，或者一家公司的 CEO，該如何招聘并打造自己的數(shù)據科學團隊。

數(shù)據分析還是算法模型

目前人才市場上大致有兩類數(shù)據科學家，一類偏數(shù)據分析，一類偏算法模型。因為這兩類人才的區(qū)別，不同公司乃至同一公司的不同數(shù)據科學團隊就有了差別。在招聘之前你必須明白，這兩類數(shù)據科學家的特質很難在同一個人身上體現(xiàn)出來。也就是說，你必須根據當前公司和團隊的需求，來決定目前應該招聘更偏重數(shù)據分析，還是偏重算法模型的數(shù)據科學家。

先來說說偏重數(shù)據分析的數(shù)據科學家，他們可能來自于統(tǒng)計、數(shù)據分析等學科，也可能來自于很多需要數(shù)據分析的自然科學學科，比如實驗物理、生物、計算化學等。作為團隊的負責人，你需要重點考察候選人是否系統(tǒng)學習過數(shù)據分析的相關課程，是否具備數(shù)據分析的基本能力。下面我從理論知識和實際應用操作兩個角度來和你介紹下考察要點。

從理論知識的角度來說，你需要考察候選人：

是否對概率統(tǒng)計有基本的認知；

是否能夠使用基本的假設檢驗對數(shù)據進行分析；

是否對高級的假設檢驗方法，比如非參數(shù)假設檢驗（Nonparametric Hypothesis Testing）有所了解，能否快速學習和查詢到相關的方法；

是否了解 A/B 實驗，并基本了解實驗設計；

是否了解高級的因果推論（Causal Inference）工具，并能夠使用簡單的因果推論工具對實驗數(shù)據進行分析；

是否了解如何對時間序列下的數(shù)據進行合理分析。

當然這些技能只是作為數(shù)據分析候選人的一些基本素質，具體還需要和領域知識相結合。

從實際應用操作的角度來說，你還需要考察候選人：

是否熟悉一些基本的數(shù)據分析工具語言，比如 R 或者 Python；

是否對 SQL 有所了解；

是否對 Hadoop 等大數(shù)據處理工具有所涉獵；

是否了解一些基本的計算機算法。

同樣的，這些也是基礎素質，還需要和具體的職位相結合，你才能考察候選人的綜合情況。

接著我們來看偏重算法模型的數(shù)據科學家，他們主要來自于計算機科學、計算機工程、電氣工程等工程方向。你需要重點考慮他們是否有基本的算法建模能力；是否系統(tǒng)地學習過算法、機器學習、統(tǒng)計分析等課程；是否在實際工作中，有系統(tǒng)的相關開發(fā)經歷；對數(shù)據的認識，特別是對數(shù)據驅動型產品是否有基本的了解。下面我依次從理論知識和實際應用操作兩個角度來談談具體的考察內容。

從理論知識的角度來說，你需要考察候選人：

是否對概率統(tǒng)計有基本的認識；

是否對傳統(tǒng)的機器學習算法模型有所了解，包括分類、回歸、聚類等；

是否對概率圖模型有所了解；

是否對深度學習模型有所了解；

是否對優(yōu)化算法有所了解；

是否有基本的計算機算法、數(shù)據結構、數(shù)據庫、操作系統(tǒng)的知識；

是否對某一些特定領域內的模型有所了解，包括但不限于信息檢索、推薦系統(tǒng)、計算廣告系統(tǒng)、計算機視覺、文本挖掘和分析、自然語言處理。

這些，特別是第 1 項到第 6 項是候選人的基本素質。第 7 項是針對某一個具體的職位所需要的背景知識。

從實際應用操作角度來說，你需要考察候選人：

是否可以使用某種計算機語言（比如 Python、C 、Java、Scala）來實現(xiàn)一些機器學習算法；

是否可以使用和擴展現(xiàn)有的機器學習工具（比如 Scikit Learn、XGBoost、Vowpal Wabbit 等）；

是否可以使用以 Hadoop 為基礎的大數(shù)據工具（比如 Hive、Pig、Spark 等）來構建生產環(huán)境；

是否對深度學習框架（比如 TensorFlow、Caffe、MxNet、Torch 等）有所了解。

這里列出的也是一些基礎素質，還需要和具體的職位相結合，來考察候選人的綜合情況。

總體說來，如果你希望招聘的職位更偏重于理解現(xiàn)有數(shù)據，通過數(shù)據來對公司或團隊的下一步決策有所幫助，那么這個職位就更偏向于數(shù)據分析。如果你希望通過算法和模型來改進你的產品，無疑你需要招聘一個算法模型方向的數(shù)據科學家。

小團隊、大團隊

不同的團隊往往需要不同的數(shù)據科學家配置。即便是同一團隊，在不同時期其實也需要不太一樣的設置。我這里講的是一些基本的團隊設置理念，具體的團隊還需要根據不同的領域有所調整。

總體說來，在團隊比較小的時候，甚至是初創(chuàng)公司的團隊，你需要具有“通才”性質的數(shù)據科學家，而在團隊擴大、公司穩(wěn)定以后，你需要各類“專才”性質的數(shù)據科學家。

團隊比較小的時候，我們可能只需要招聘一兩位數(shù)據科學家。這個時候的數(shù)據科學家必須同時承擔數(shù)據分析和算法建模兩個角色。有些情況下，這時候的數(shù)據科學家其實更偏向于“數(shù)據工程師”（Data Engineer）的角色，那就是和其他工程師一起搭建公司的數(shù)據平臺，對數(shù)據的引入、整合、清理提供支持。

早期時候，因為公司內部基礎設施的限制，數(shù)據科學家往往需要花費大部分時間在數(shù)據平臺和通路的構建上。這時候，其實很難形成有效的數(shù)據分析和算法建模工作。從另外一個角度來說，在公司非常早期，也就是在數(shù)據平臺還沒有一個基本雛形的時候，招聘和建立數(shù)據科學團隊是不現(xiàn)實的。當有了基礎的數(shù)據平臺時，和數(shù)據有關的工作一般就是計算一些簡單的產品運行指標（Metrics）然后在儀表盤（Dashboard）里展現(xiàn)出來。能夠達到這一階段后，一個團隊或者公司才具備了建立數(shù)據科學團隊的最基本條件。

小團隊所需要的“通才”數(shù)據科學家有兩個內涵。第一，在初期，數(shù)據分析和算法建模都同樣重要。甚至在有些情況下，數(shù)據分析有著更加急迫的需求（因為需要人為地對產品迭代進行決策）。這個時候，以數(shù)據分析為主導的數(shù)據科學家要能夠對現(xiàn)在的產品需求有很強的理解，能和產品經理、其他工程師一起快速分析產品的問題，為產品迭代的決策提供數(shù)據支持。

第二，在初期，絕大多數(shù)產品所需要的算法和模型都并不復雜，甚至僅僅需要數(shù)據科學家部署最基本、最簡單的算法。因此這個時候，即便有算法建模需求，也只需要數(shù)據科學家有比較廣的知識就行，能夠快速識別和實現(xiàn)最基本的模型。在這個階段，對某一個方向有著深厚背景的“專才”往往并不能體現(xiàn)出優(yōu)勢。

當業(yè)務逐漸穩(wěn)定并且擴展以后，團隊也逐漸擴張，小團隊的“通才”模式就慢慢不太適應組織的發(fā)展了。這個時候，我們需要針對目前的產品和業(yè)務招聘“專才”數(shù)據科學家。一般來說，我們需要有一部分數(shù)據科學家負責數(shù)據分析方面，需要另外一部分數(shù)據科學家負責算法和模型開發(fā)方面。這時候單個人往往已經不能勝任兩方面的任務了。

從數(shù)據分析的方面講，“專才”的模式需要我們更細地區(qū)分開兩類數(shù)據科學家，一類是負責設計 A/B 實驗、設計和分析產品指標的專項數(shù)據科學家，另一類是對各個產品領域進行長時間分析數(shù)據內涵（Insights）的數(shù)據科學家。

從算法建模的方面講，“專才”模式往往就是針對不同的業(yè)務流程線，需要招聘單獨的人才，比如針對圖像處理的人才、針對搜索系統(tǒng)的人才、針對推薦系統(tǒng)的人才。這個時候，能否招聘到稱職的領域專家，成了團隊和產品能否持續(xù)良性發(fā)展下去的根本因素。這個階段招聘需要注意的問題是，不要寄希望通過招聘“通才”來發(fā)現(xiàn)“專才”，因為從“通才”到“專才”的訓練是需要很長時間的，這里面有短時間內不可逾越的鴻溝和難以積累起來的經驗。所以，當公司和團隊發(fā)展到一定規(guī)模的時候，分清形式進行“專才”招聘是必須要進行的任務目標。

小結

今天我為你簡單分析了如果要組建一個數(shù)據科學團隊，你需要招聘什么樣的數(shù)據科學家。一起回顧下內容要點：第一，偏數(shù)據分析和偏算法建模的兩類數(shù)據科學家在技能背景方面有很大區(qū)別；第二，“通才”和“專才”在公司或團隊的不同階段承擔著不同的角色。

最后，給你留一個思考題：如何在篩選候選人簡歷的時候，就能夠比較準確地了解這位候選人的經歷和能力更偏向數(shù)據分析還是偏向算法呢？另外，如果你想成為數(shù)據科學團隊的一員，不妨對照今天我們聊的考察要點自測一下，看看接下來還需要在哪些方面繼續(xù)努力，做好積累呢？

期待你給我留言，和我一起討論！