编者按：你的公司需要一名数据科学家吗？如何才能招聘到合适的数据科学家？关于初创公司招聘数据科学人员的问题，本文一一做出详细解答。文章来自编译，希望对您有所启发。

目录：

一. 你准备好雇佣公司的第一个数据科学家了吗？

1.1 你有足够的数据来开始吗？

1.2 你对客户和路线图了解多少？

1.3  如果你确需要一些数据科学的帮助，那么你能证明这样做的投资回报率是合理的吗？

1.4 你拥有数据科学家开始工作所需的基础架构吗？

1.5 你的公司是否有足够的用武之地，并提供支持，让一个数据科学团队成长并体验到价值感？

1.6 你对自己的数据科学团队有正确的期望吗？

二. 寻找你的第一个数据科学员工。

2.1 谁是（优秀的）数据科学家？

2.2 寻找拥有混合技能的人才，而不是专家。

2.3 帮助你找到理想员工的面试问题：

三. 如何吸引你的第一个数据科学员工。

四. 总结：招聘时要深思熟虑，不要草率行事。

本文作者李梦颖（音译，Mengying Li）曾担任 Facebook 的数据科学经理和微软的数据科学家，目前在 Notion 公司领导成长型数据科学团队。她还就如何建立数据科学团队、选择第三方数据工具以及开发早期数据科学原型，为早期公司提供过建议。

有很多早期的创始人热衷于将数据科学家加入他们的团队。如今，即使是处于早期阶段的初创公司，也在生成大量的数据，因此很容易想到请人来帮助分析这些单独的数据点，并将它们转化为可执行的指令，从而塑造产品或核心业务功能。

但当你问这些热切的创始人，数据科学究竟如何能让他们的业务更好时，大多数时候你会得到一些模糊的答案，比如，“这样我们就能更好地了解用户，而这将帮助我们发展业务。”

作为一名初创公司的顾问，我经历过很多这样的对话。我发现，推动建立数据科学职能的原因往往是 FOMO（害怕错过），创始人害怕落后于那些更加由“数据驱动”的竞争对手。但是，如果不彻底了解自己的特定业务的数据科学需求，你就可能会雇佣一个不具备“解决特定公司独特目标和挑战”能力的人，这种不匹配会让你倒退，而不是推动你的公司前进。

在一家时间和资源都很有限的初创公司，过快地进入数据科学领域可能会分散注意力，使企业在扩大规模的道路上面临更紧迫的挑战。

以下是初创公司数据科学的入门指南，以及对你是否应该进行这一关键招聘的讨论。我们将探讨你的企业现在是否具备了构建该功能的良好条件，或者你是否最好在早期将数据科学工作进行外包。我们还将探索不同类型的数据科学家，以及最适合你特定业务需求的数据科学家。接下来，让我们开始吧。

一. 你准备好雇佣公司的第一个数据科学家了吗？

要衡量现在是否正是将第一位数据科学家引入团队的合适时机，有几个关键点需要思考：首先，你的公司是否已经达到了拥有足够数据来生成高质量见解的地步？第二，你是否有合适的工具和支持，来实现数据科学家的见解带来的 ROI？

1.1 你有足够的数据来开始吗？

很少有公司会在最初招聘的几个员工中考虑数据科学（除非他们正在开发数据科学产品，比如一个实验平台或一个分析咨询公司）。为什么呢？因为在早期，当只有一个 MVP 和几个用户时，你可能没有足够的数据进行分析。大多数时候，人们可以通过采访、直接的客户反馈、甚至社交媒体，来收集下一次产品迭代的反馈和想法。

但关键问题是：你什么时候才有足够的数据来进行第一次招聘？这取决于你的公司是做什么的。依赖广告或订阅收入的 B2C 公司可能想要在早期引入一名数据科学家，而早期客户很少的 B2B 公司可以等待一段时间。一个可以依靠的经验法则是，当你的月用户达到 1000 人，持续至少 6 个月时，就可以开始考虑招聘了。这就建立了一个稳定的用户群，有足够的数据让数据科学家来分析使用模式和识别趋势。另一个值得注意的基准是，当你的公司规模达到 50 多名员工时，更具体的职能（如财务）正在建立起来，那么可能是时候考虑招聘全职数据科学家了。

如果一家公司的数据已经发展到这样的程度：定性评估或基本的 Excel 分析不再能够为业务决策提供信息，也不再能够准确地监控业务健康状况，那么可能是时候引入数据科学家了。

1.2 你对客户和路线图了解多少？

即使你有足够的数据，也不一定意味着你就需要一个数据科学团队。数据科学家可以帮助你的公司发现未知和模式，并验证你的假设。例如，数据科学家可以确定转化率最高的用户细分，以帮助制定获取客户的策略，或评估一项新功能在留住新用户方面的表现情况。如果你已经做了大量的客户发现工作，并对未来的产品路线图提出了强有力的假设，那么你就可能不需要花钱请数据科学家来帮助你做出决定。

但是，例如，如果你无法回答关于客户基础的简单问题，比如一些客户来自哪里，或者他们在你的产品上花了多长时间，那么这可能是一个信号，表明你将从招聘数据科学工作者中受益。

1.3 如果你确实认为自己需要一些数据科学的帮助，那么你能证明这样做的投资回报率是合理的吗？

数据科学家的成本很高，平均年薪约为 16 万美元。因此，重要的是要评估一下你可能从这样一次招聘中获得的回报（也就是说，你预测数据科学将在多大程度上帮助你发展业务）。有时，你最好请一个外部顾问或外包商，他们可以帮助指导你现有的工程和产品部门自己查看数据。在组建团队之前，这些外部人员可能还会让你了解如何正确地处理数据。

例如，如果你的工程师或产品经理有扎实的数据背景，那么你可能会考虑从外包商或顾问开始。或者，如果你当下希望开始一个需要数据科学家专业知识的特定项目，但在不久的将来没有任何其他即时需求，那么这可能是另一个你需要从外部顾问开始的情况。

李梦颖（音译，Mengying Li）, Notion 数据科学负责人

1.4 你拥有数据科学家开始工作所需的基础架构吗？

如果没有高质量的数据，那么数据科学家所做的所有花哨的分析都将无关紧要。垃圾进，垃圾出，这就是合适的工具集的“用武之地”。

下面是关于现代数据科学堆栈的一些基本知识的快速入门。

• 数据收集和存储工具，将你的原始日志录入数据库（如Snowflake）。

• 数据管道工具，用于自动处理原始日志，使其更容易被终端用户访问，因为大多数原始日志是非常复杂和非直观的格式。

• 商业智能工具，可以方便地将数据可视化和进行报告。这可以是实时的，也可以是以一定的节奏进行更新的。实时商业智能工具的成本较高，但它们可以帮助你更快地识别任何问题。

• 交互式查询界面。许多存储工具已经集成了交互式查询接口。但有时，为了简化分析过程，我们可能希望有一个更强大的查询接口，可以直接执行 SQL 查询和可视化，例如 Hex。

当然，并不是每个公司都需要这个堆栈的每个组件（还有很多其他工具没有包括在这个列表中，包括可观察性、ELT、反向 ELT 等等）。但至少，你需要对自己产品的关键事件进行可靠的记录，并有一个数据转换层来将数据输入数据库，以便你的数据科学家可以计算一些数字。

你可能会想，为什么不直接下载一个巨大的 Excel 表格来进行分析呢？因为如果没有适当的工具和转换，你的数据不会正确地格式化为 Excel 表。这会让你浪费大量时间解析非结构化 Excel 文件中的见解，而不是使用 SQL/R/Python 查询结构化数据。

1.5 你的公司是否有足够的用武之地，并提供支持，让一个数据科学团队成长并体验到价值感？

即使管理层认为数据很重要，也不代表公司里的每个人都同意你的观点。重要的是要确保所有相关职能都知道如何将数据作为决策过程的一部分。例如，数据科学应该被视为一项关键的业务功能，与产品管理和工程同等重要。当你在进行产品变更时，应该本能地考虑是否有任何数据洞察可以帮助你做出决定。你应该期望将洞察力融入到产品改进中，而不是将其作为仅供参考或锦上添花的东西。

如果期望不一致，并且你的团队没有开始接受数据文化，那么数据科学家可能最终只是华丽的装饰，而不能真正推动业务增长。

这就是你需要提前思考的地方：鉴于目前的业务增长，如果没有数据团队，你会在哪里看到更大的问题？例如，你打算在明年开始进行增长实验吗？这个路线图将帮助你理清为什么现在必须招聘，以便为未来更大的挑战做好准备。

1.6 你对自己的数据科学团队有正确的期望吗？

当你考虑招聘第一个数据科学人员时，要对前几个月设定现实的期望。例如，新员工可能至少要到 3 个月后才能告诉你一些真知灼见，因为他们可能正在忙着解决损坏的日志记录，并建立基本的数据基础设施。

不要指望你最早期的数据科学家能立即创建出漂亮的模型，因为你的产品可能一开始就不需要模型。相反，在早期，他们将花费大量时间与工程师沟通日志记录需求，与低效的数据工具作斗争，并获得用于分析的正确数据。

二. 寻找你的第一个数据科学员工

在确认公司确实需要一名数据科学家，并成功获得所有关键利益相关者的支持后，那就是时候开始寻找合适的数据科学家了。

第一位数据科学家总是至关重要的，因为他们将构建数据模型的基础，定义数据科学在组织中的角色，进行面试以决定谁能加入早期团队，并塑造数据科学组织的文化。但完美的招聘不会从天而降。

2.1 谁是（优秀的）数据科学家？

数据科学家在不同的公司有很大的不同，就像厨师有不同的头衔（副主厨、酱汁师、糕点师，等等），不同的餐厅也有不同类型的菜肴。

例如，在 Meta 公司从事幸福感调查的数据科学家，可能每天只处理数千个样本，不做任何机器学习。而从事新闻排名的数据科学家，可能需要解析数十亿行的原始数据，理解所有核心机器学习概念，有时还要自己运行排名模型。然而，他们却可以共享同一个头衔：负责产品分析的数据科学家。

以下是你可能经常在数据科学职位描述中看到的一些常见技能：

数据科学技能和要求

虽然这些技术技能是日常工作的重要组成部分，但区分优秀数据科学家与平庸数据科学家的关键因素往往不是技术技能，而是他们讲故事的能力和思想领导力。为了讲述一个有可能改变团队围绕产品思考的故事，你所雇用的数据科学家应该能够确定数据可以帮助回答什么问题，需要什么数据，如何找到它，以及何时建立必要的数据基础，然后写出一份易于理解的可视化文档，并提出明确的建议。

了解一些常见的头衔和其他经常与数据科学混淆的职能也很重要。以下是一些常见的头衔：

职位名称和常见职位描述

2.2 寻找拥有混合技能的人才，而不是专家。

当然，你会想要雇佣一个可以用你提供的任何食材烹饪任何菜肴的主厨，而且最好是以较低的成本。然而，大师级厨师通常都很昂贵。而且更重要的是，你可能根本不需要一个大师级厨师，而是一个可以满足你自己需求的人。

我强烈主张雇用一名拥有混合技能的数据科学家，作为你的第一个数据科学员工，要么是具有强大ETL背景的传统数据科学家，要么是了解一些基础数据分析技术的数据工程师。原因是，在这个阶段，你厨房的设施可能只有一些最基本的，没有任何花哨的设备。因此，这第一个厨师必须处理整个烹饪周期，从清洗蔬菜到点缀菜品，尽管这样做的效率和准确性可能较低。在公司开始扩大规模并达到一定规模后（可能超过 200 个员工，并有一个更清晰的组织结构），你就可能需要聘请特定数据科学家来执行特定功能，来与你的个人组织相匹配了。

我见过一些公司以三种不同的方式招聘他们的第一位数据科学家。

• 刚从大学毕业的学生

• 资深数据科学领导者

• 经验丰富的独立贡献者

每一种都类型有其优缺点，因此，简短的回答是，没有完美的首次招聘。

我经常被问到的另一个问题是，在工作描述中，创业经验或领域经验是否重要。作为一个在大公司工作了六年，换了五次领域的人，我不得不很有偏见地说：不一定。

当然，创业经验是有帮助的。至少这意味着他们以前经历过创业的混乱和疯狂，所以可以为下一次创业做好心理准备。此外，初创公司使用的工具栈非常相似，因此对工具的学习曲线可能更平滑。但初创公司的数据科学家角色可能会有很大的不同，这意味着他们的工作经验可能与你想要的大相径庭，即使两家公司都是初创公司。

相反，来自大公司的数据科学家可能缺乏使用“现代数据栈”的经验，因为他们可能习惯于使用内部构建的工具。但我不会说一个大公司的所有数据科学家，都缺乏在混乱和模糊的问题空间中工作的心态。

来自大公司的人有一个被低估的方面，那就是他们能接触到业内一些最强大的数据科学家。例如，在 Meta，我们有一个数据科学职业博客系列，让经验丰富的数据科学家与同行分享他们的旅程。我们还定期举行见解分享会议，向其他数据科学家学习他们的工作。我很幸运地接触到了优秀的分析思维，不知不觉中获得了有效的数据分析技能和外部领域的知识。

背景很重要，经验也很重要，但你应该注意的最重要的事情并不体现在简历中。他们是否有足够的斗志和韧性？他们是快速学习者吗？他们能很好地与他人沟通和合作吗？他们愿意亲自动手吗？他们有很强的自主权吗？

在我看来，你的第一个数据科学招聘人员要理想地结合数据科学家和数据工程师的特征，不管他们是来自初创公司还是大公司，只要他们能够快速上手，并在前进的道路上不断学习就可以。

2.3 帮助你找到理想员工的面试问题：

我建议你在面试中加入以下几个问题：

• 向他们提一个现场编程挑战，看看他们是如何用数字和图表把一个模糊的业务问题变成一个像样的解决方案的。他们能说清楚编程逻辑吗？如果他们编程期间卡住了，是如何解除障碍的？他们的数据点和/或图表能支持自己的结论吗？代码不需要非常干净，也不需要局限于任何特定的语言，关键是要了解他们如何解析面前的信息。

• 让他们解决你目前面临的一个业务问题，看看他们是否能得出合理的假设，并以一种让你信服的结构化方式解决问题。他们是否有一个整体考虑问题的框架？他们是否对问题感到好奇，会问一些深度的问题吗？他们如何沟通自己的思维过程？他们的解决方案有创意吗？

• 在面试者之前的工作经验中选择一个项目，深入挖掘他们的跨职能和所有权经验，包括：谁发起的项目？你的角色是什么？你如何在结果上与利益相关者保持一致？产生了什么冲突？项目中最具挑战性的方面是什么？你有没有应对这些挑战？

三.  如何吸引你的第一个数据科学员工

招聘优秀的数据科学家的竞争非常激烈，所以让自己在顶级候选人面前脱颖而出是很重要的。当数据科学家考虑作为第一批员工加入一家初创公司时，就像任何早期的初创公司员工一样，他们正在寻找以下四个角色属性的一个有吸引力的组合：

• 有趣又有挑战性的问题。优秀的数据科学家相信，他们的工作可以对产品产生真正的影响，尤其是在他们所热爱的领域。因此，是否有足够的空间让他们将自己的工作嵌入到产品中，并产生真正的影响是至关重要的。他们当然不只是想成为一个训练有素的SQL操作员，并在被要求时提取数据。相反，他们希望使用SQL作为解决复杂问题的工具，并为业务增长做出贡献。

• 职业发展。第一个数据科学家通常希望能够确保自己的职业生涯在公司里蒸蒸日上。明确的基于绩效的激励机制，以及他们长期寻找的东西与你能提供的东西之间的良好匹配是很重要的。例如，如果他们的目标是成为公司的数据科学领导者，那么你会在在未来雇佣一个更大的数据科学团队，让他们成长为这个角色吗？

• 人和文化。和所有其他职位一样，你是否喜欢与你一起工作的人，是工作决定的最关键因素之一。对于数据科学家来说尤其如此，因为数据科学是非常跨职能的。例如，第一个数据科学家关心的问题可能是：领导是否会为他们的团队收集资源？如果数据讲述的故事与领导最初的直觉不同，领导层会如何反应？

• 公司的未来。再说一次，你是一家初创公司，这是有一定风险的。因此，第一个数据科学家必须知道公司是否有一个繁荣的未来，并且他们可以将自己视为其中的一部分。

现在你知道数据科学家关心什么了，那么是时候让你的招聘更加吸引人了。

• 让施展余地和挑战具有吸引力。想一想你在回答一些数据相关问题时的日常场景。这些问题是否具有挑战性和刺激性？你认为什么样的技能可以使解决方案更有效？将你的数据问题划分为一些与你的路线图密切相关的具体领域，并想象数据科学家如何发挥作用，可能会有所帮助。

• 诚实地说出你对未来数据科学团队的设想。候选人很可能会在面试中问你这个问题，所以把答案记在心里很重要。不要过度夸大你能提供的东西，一旦第一个加入你的初创公司的数据科学家发现你不能提供自己所承诺的东西，他们就不会留下来了。首先坦率地询问求职者在长期工作中寻求的是什么，然后问问自己这是否是你所能提供的。

• 在公司内部建立数据文化。初创公司中任何职能部门的创始成员在刚开始创业时都需要大量支持。例如，给他们在重要会议上发言的机会，在公司内部推广他们的分析。

• 准备好诚实地分享你的财务数据。评估初创公司机会的人可能会问很多关于公司财务状况的问题，你要准备好分享有关融资计划、期权稀释、CAC / LTV 比率和盈利途径的适当细节。

为了扩大你的候选人才库，要利用你的网络，请投资者帮助推荐伟大的数据科学家。我还建议你找一些渠道，争取让你的招聘消息直接出现在一群群热情的数据科学家面前，比如数据 Slack 频道、数据聚会和数据会议。认识这些社区的成员或直接赞助这些社区的人，可以让你的招聘消息快速传出去。

四. 总结：招聘时要深思熟虑，不要草率行事

就像任何初创企业一样，需求是丰富的，而资源是匮乏的。如果没有数据科学家的加入，你可能会错过指导早期业务决策的正确见解。但是，在没有充分了解业务需求的情况下，过于仓促地招聘，则可能会迅速分散初创公司的注意力，导致缺少精力去解决产品适应市场的问题。

当你为自己的特定业务权衡决策时，关键是要使你的数据科学招聘策略与你当前面临的现实相一致。使用合适的工具，通过强大的数据和跨职能的介入来解决棘手的问题，你的初创公司可能已经准备好将数据的洞察力纳入到产品中。

请记住，顶尖的数据科学人才非常抢手，所以你可能需要一段时间才能找到合适的人。不要随随便便就找一个人来上岗，而要花时间去找那个对你的初创公司有长远影响的人。

译者：Jane