为什么数据分析师们要辞掉大公司的好工作？
神译局是36氪旗下编译团队，关注科技、商业、职场、生活等领域，重点介绍国外的新技术、新观点、新风向。
编者按：数据科学工作曾被认为是“21世纪最性感的工作”，但随着这个职业的兴起和发展，数据科学工作也暴露出了一些问题。根据Kaggle的调查，许多数据科学工作者每周会花几个小时寻找新的工作。本文的作者曾经做过几年的数据分析师，后来跳槽到一家初创公司担任董事，现在所承担的角色更多是管理或领导者。本文译自Medium，作者Adam Sroka，原文标题为Why So Many Data Scientists Quit Good Jobs at Great Companies，希望对您有所启发。
1. 理想工作？
媒体经常宣传，数据科学家这个职业非常受欢迎。我们也经常看到这个职业被评为“21世纪最性感的工作”，或是数据科学家的薪资一年比一年高这样的新闻……
数据科学可以为我们提供很多东西。这是一个充满挑战的职位，有很多东西要学习，这会让你忙得不可开交。与其他许多职位相比，数据科学家在探索和解决有趣问题方面有很大的自主权。而且，在很多情况下，你会有机会与不同领域有才华、有技能的人一起工作。
尽管如此，根据Kaggle的调查，许多数据科学工作者每周会花几个小时寻找新的工作。事实上，在寻找新职位的开发人员中，机器学习领域的工作人员经常高居榜首，在Stack Overflow的2020年开发人员调查中，这个比例达到了20.5%。
如果数据科学家是一份理想的工作，那么问题来了……
为什么有那么多数据科学工作者在寻找另一份工作呢？
我曾经也是其中的一员，希望我的经验能对你的情况有所帮助。
我曾做过几年的数据科学工作者，后来跳槽到一家初创公司担任董事。我现在的更多的是担任管理和领导者的角色。作为一名数据科学工作者和管理者，我在这两方面都有自己的观点。
在我做数据科学工作者的时候，我也感受到了这种痛苦。我主要在初创公司工作，在职业生涯早期中跳槽过几次。原因有很多，但也有许多我在其他公司听到的因素。
我现在要做的是概述一些比较普遍的原因，以及我认为可以帮助到这些情况的建议，主要针对以下的人群：
目前对工作不满意，或不确定是否要离职的数据科学工作者
很难留住优秀数据科学人才的经理和组织
有抱负的专业人士，考虑从事这个职位，但可能还没有意识到一些问题
在我们开始之前，我必须说我仍然很喜欢数据科学这个职位。如果你知道如何充分利用这份工作的话，这可能是一份非常有价值的职业。
2. 现实与期望的差距
使用尖端技术工作，以有趣的方式解决困难的问题，使用新的算法和开发机器学习解决方案，这些将对你的团队产生巨大的影响——数据科学听起来很棒。
然而，对许多人来说，现实和理想之间的差距还是比较大的。我亲身经历并听到许多业内人士说，现实往往与预期不相符。我甚至可以说，这是数据科学家感到沮丧并最终离开的首要原因。
有时候，工作环境并不像人们所期望的那样。
（1）不切实际的期望
许多在职业生涯早期的数据科学工作者根本没有在实际团队中工作的经验。就像社交媒体对其他人的生活投射出一种不切实际的看法一样，人们很容易接受所有能令人兴奋的故事，并认为这会是常态。
我发现，对于刚毕业或刚在学术界从事研究工作的人来说，这种情况很常见。我们很容易陷入无限的时间循环、无限的预算思维中。我经常听到数据科学家的抗议，他们说不能给工作设定一个完成时间表，需要多长时间就花多长时间。这根本不现实，也不符合大多数团队的文化。
你可以调整你想要达到的目标范围，并改变自己的时间周期从而适应这个目标，或者调整时间周期并改变目标范围。
另一个主要因素是，我突然意识到这份工作的大部分内容并不是那么令人兴奋。在大多数团队中，你必须把时间分配给技术工作和其他不那么令人兴奋的工作。如果你很不喜欢写报告、写作和演讲，不喜欢反复解释你的模型或方法的基础知识、项目管理和应付行政开销，或者试图从团队的其他成员那里获得支持，那么这可能是个职业生涯中的大问题。
（2）残酷的现实
还有一个很常见的情况是，你可能期望的大多数基础设备和数据处理根本不存在。
我之前在一家初创公司做过数据科学家。我的同事在我去之前已经工作了18个月，全部时间都在建立一些基础数据通道。对我来说幸运的是，他们经历了说服相关人员批准预算的痛苦，经历了采用新云技术带来的安全和IT问题，无数次向别人解释了这么做的意义。
在某些情况下，你会被当作一个高智商的技术人员，能够很好地处理需求并且完成工作。事实上，你也会做数据科学的相关工作，但这可能是排在第二位的。
如果团队中缺乏经验丰富的数据科学家，或者组织管理中缺乏管理数据科学工作的经验，这些问题可能会变得更糟。如果你是团队中唯一的成员，你会很难让别人理解你的观点，产生共鸣。
这往往会导致不愉快的工作环境和无法实现的工作期望。
作为一名数据科学家，你可能会认为自己是在构建智能模型，并从数据中获得尽可能多的价值。在最初的几个月里，你需要构建必要的基础条件和通道来获取数据。
而公司的高级利益相关方看到的是，他们花了很多时间却没有看到什么工作结果。事实上，他们很希望在常规董事会会议上得到一些简单的图表。他们认为公司在这件事上投入了很多资源，却不能足够快地看到价值。
这种脱节最终会让双方都感到沮丧。
如果你有机会，在面试阶段可以问这样一些问题：
在组织的最高层中，谁参与了数据科学的建设？
公司以前有这方面的经验吗？
数据团队有多少人？
是否有数据工程师/分析师/DevOps工程师，还是需要自己去做所有这些工作？
数据科学的工作前景也并没有你想象的那么暗淡。许多公司在这方面做得很好，但这需要在你的工作期望和获得一个有意义的职位之间取得平衡。
3. 复杂的办公室关系
办公室关系是个很棘手的问题。我曾多次听说，由于办公室体制和组织架构的原因，一个拥有良好管理的优秀团队会被完全抛弃甚至消失。我曾听到过这样一个故事：在一个组织中，唯一一个投身数据科学的高级领导被赶了出去，整个团队很快就被重新安排到无法充分利用自身技能的平凡工作中去。
不幸的是，办公室关系是许多职业不可或缺的一部分。现在，你不需要像以前那样胆战心惊，而是可以随时带着你稀有的、急需的技能去其他地方。
如果你不知道在什么情况下该做什么，可以参考Albert Hirschman的观点，采用“Exit, Voice, Loyalty, Neglect”模型，这是一个抽象的模型，告诉人们在情况不对的时候，可以做出以下四种选择：
离职（Exit）——辞职去找另一份工作，这会让公司陷入更糟糕的境地，因为问题会持续存在下去，而他们则失去了你的技能和工作经验。
坚持（Persist）——坚持到底，看看情况是否会好转。如果在你的耐心耗尽之前，事情还没有得到解决，通常会有其他的选择。
忽视（Neglect）——面对公司困境，你选择忽视自己的责任来反抗正在发生的事情，这要么会让你暂时顺风顺水，要么会让你被炒鱿鱼。
发声（Voice）——你表明自己的立场，并试图做出改变。
在这四个选项中，“发声”是唯一一个你积极尝试改善事情的选项。在这种情况下，这意味着你要驾驭办公室关系。在许多情况下，你所在组织的关系形势可能远远超出了你的职责范围。这可能会让你感到非常不舒服，因为你可能会感到无力影响巨大的预算削减或彻底的改变这种情况。这可能是衡量你选择的好时机，但给领导发送一份写得很好的沟通文件实际上可能是真正促使改变的催化剂。如果你在一个更小的团队里，决策者会更容易接近，我强烈建议你试着和他们建立关系。
通常，高级利益相关者可能没有机会了解数据科学团队的需求。花点时间向他们展示你为公司增加价值的方式，如何与他们建立牢固的关系，这将帮助他们从你的技能中获得最大的价值。它还可以帮助你更好地理解业务高层领导人真正关心的是什么。
在与处于职业早期的数据科学工作者的谈话中，我开玩笑地建议，在你的新工作中，尽可能早地将首席财务官或财务总监的一些工作流程自动化。这将直接向持有预算的人展示你的价值，并为你赢得一个支持者。这只是一个半开玩笑的说法，因为老实说，这些人通常是公司中最忙的人，而且经常会被困在各种各样的表格里。
你需要公司有影响力的人对你有一个好的评价，他们中的大多数人一点也不关心你对算法或统计学了解多少。你可以通过完成一些简单的任务和基本的数据检索、自动化或报告工作来赢得他们的青睐。如果你能面带微笑做这件事，并建立起强大的声誉，你会发现从长远来看，很多事情对你来说会变得更容易。
4. 数据科学=数据万能
如果你能处理好办公室关系，你就很有可能建立一个好的名声，但这可能是一把双刃剑。
当所有关于数据的问题都来找你时，你可能会不知所措。(图片来源:Unsplash)
许多人不会理解成为一名数据科学家意味着什么。就像前面提到的，你会被看作是一个能把事情做好的高智商技术人员。通过访问所有的数据，并拥有大量的技术工具，你可以迅速成为解决问题的专家。
如果你能处理好这件事，那就太好了，但它可能会成为一种负担，当人们开始依赖你并向你施加压力时，就会让人感到不舒服。你可能很快就会发现，自己将80%的时间花在了一些更适合初入职场的数据库管理员（DBA）做的事情上。
拥有广泛的技能并能解决很多问题可能很有趣，但不要因为你的团队没有意识到，就陷入做其他工作更好的陷阱中。如果你在一个由数据科学工作者组成的小而孤立的团队中，你在所有数据方面的专业知识实际上会让你处于孤立状态。数据变成了你的专业领域，人们不想进入到你的专业领域。帮助你的团队更好地构建，并扩展其数据角色可以更好地将你与团队连在一起。
写在最后
不幸的是，仅仅了解所有最新的工具和算法还不足以充分发挥大多数数据科学职位的作用。如果你带着某种程度的期望和理解去工作，你可能需要对你的组织进行一些适应和改变，这样你就更有可能成功。
如果您是数据科学工作者，或雇用数据科学家的团队，或是希望从事数据科学领域的人，我希望这篇文章对您有所帮助。
译者：Jane
本文来自翻译, 如若转载请注明出处。