資料科學夯什麼？一窺 Mastercard 分析顧問、新創 Migo Data Lead 到哈佛 PhD 的精彩職涯！(上)

以往說到資料分析，我們大概都會馬上想到功能強大的 Excel。但是隨著網路與行動裝置的普及，企業能夠更精準即時地收集到每位使用者的資料，數據量因此變得十分龐大、複雜，傳統的基本分析不敷使用，此時就需要資料科學（Data Science）的協助。而這幾年討論度很高的機器學習（Machine Learning）、運用人工智能（Artificial Intelligence）及深度學習（Deep Learning）下圍棋的 AlphaGo 等等技術，都有資料科學的參與。

加上近年大數據的話題很夯，資料科學成為炙手可熱的專業，企業對資料科學家（Data Scientist）、資料分析師（Date Analyst）等人才的需求增加。在 2020 年，美國市場對於資料科學家的人才需求成長了 37 %、資料工程師則是 33 %，與資料科學相關的人工智能人才需求更是增加了 74 %。各大企業都在搶人才，薪資待遇自然也十分有競爭力。

今天，科技職涯第二季的第二集，我們邀請到了結合顧問與資料分析背景的 David ，來聊聊他在大公司、新創的職涯歷程，以及決定攻讀博士的重大決定！

對於資料科學一直都有強烈興趣和熱情的 David ，其實曾於兩年前申請 PhD ，卻因緣際會加入了 APT（Applied Predictive Technologies，2015 年被 Mastercard 併購） ，成為了一位分析顧問，開啟意料之外的職涯。今天將要請 David 來跟我們介紹分析顧問的工作挑戰與成長，以及一位資料科學家在大公司與新創的觀察。

1. 分析顧問是什麼？

分析顧問的日常工作包括整理與分析資料、協助客戶定義需要解決的問題、設計如何進行商業上的實驗等。而作為以資料數據為核心的顧問，David 也會幫助客戶建立企業內部的數據文化。在面對本身就有完善資料團隊的客戶，例如金融業，有時甚至要競爭彼此提出的解決方法，教學相長的過程讓人印象深刻。

David 也和我們分享 APT 重視的人才特質，一如傳統的管理顧問像是 McKinsey、BCG，包含「ABCDF」五點。

David 回憶道，他在應徵 APT 時同樣經歷了顧問業為人所知的個案面試。需要在 30 分鐘內建立架構、整理需要的數據，在現有的資料中找出 insight ，最後再模擬向客戶的 CEO 說明一個完整的故事，是非常高壓的面試經驗。

然而，在正式工作中，一個提案往往要數天甚至數週才能產出，顧問的產業經驗也不可能比得過深耕幾十年的客戶。所以，比起提案結果的好壞，過程中思考的邏輯、判斷所需資源以及主導專案進行的能力，才是面試官想要看到的。有心想要進入顧問業的聽眾，也可以經由練習培養解個案的能力。

2. 在 APT、Mastercard 的收穫與挑戰

David 曾經待過有「資料顧問界 McKinsey 」之稱的 APT 、擁有龐大資源的 Mastercard ，與許多不同的產業、國家以及其他辦公室的同事合作。在這過程中，因為彼此之間的文化差異以及產業成熟程度不同，讓他擁有了豐富的視野及溝通經驗。

身為顧問，不僅內部常與資深的同事、主管合作，客戶的窗口也通常是經理、Director 等級的管理階層，而最終也常有機會向客戶的 VP 、SVP 報告。David 分享，可以觀察到企業高層的觀點及溝通方式，對於新鮮人來說是非常有趣難得的經驗。

要獲得這麼豐富的收穫前，必須先克服挑戰性極高的顧問工作。David 在 APT 時曾經最多同時負責 6 個專案，一天的時間可能除了睡覺以外都在工作。因為時間有限，他必須確保自己專注於有意義、有效率、能夠達成目標的項目。

除了資料分析的本業以外，分析顧問也需要注意各種大小細節。例如，不同產業對於數據資安的控管程度不同，分析顧問必須確保每筆資料都有嚴謹的 security check、資料沒有被濫用。客戶可能因為產業、國家而有不同的工作文化，例如中國希望用詞、做法能夠接地氣；菲律賓則是步調相對較慢等等。以上非資料科學專業的細節，卻可能嚴重影響專案進度、客戶滿意度，也是不能忽略的。

3. 大公司與新創的資料科學家比較

儘管擁有精彩的經歷，David 卻因為清楚自己更想要做從 0 到 1 、1 到 100 的事情，決定離開資源豐富的 Mastercard、加入新創 Migo。

David 也向我們分享他如何思考這樣的職涯轉換。除了大公司與新創所在的產品生命週期不同以外，比起支付產業，他對於旅遊、娛樂更有興趣。同時，他也因為過往擔任國際志工的經驗，認為娛樂在任何地方都是一個重要的需求，因此他十分認同 Migo 希望能將數位資源傳遞給每個人的理念。

新創重視彈性，除了常常直接面對臨時的狀況、需要即時處理以外，因為不一定是每位成員都曾與資料科學家合作過，所以只要是與數據有關的事都會直接找上 David。在 Migo 的旅程中，他也曾和不同組別的同事協作，有時參與 UX design，協助調查設計和分析；有時擔任像是 Project Manager 的角色，協助行銷團隊梳理想法。

正是因為其他成員不熟悉如何與資料科學家協作，所以 David 建議有興趣在新創擔任相關角色的聽眾，務必要訓練自己有很強的領導力，不只做好自己的事情，而是同時協助同事了解資料科學的好處、價值、無法解決的問題，以及各階段可以應用的內容。

過去在大公司，資料科學家負責分析資料、做報告、建系統。然而在新創的經驗讓他學習到，為有限的資料庫建立模型不一定有意義，也許基本、簡單的功能才是公司需要的。而與顧問工作不同的是，自己再也不只是提供建議的人，而是從提出到執行一條龍，所以要更精準把握時間與資源。

（下集待續！）

走過成熟的大公司與充滿變動的新創，David 並不是選擇比較喜歡的公司類型開始深耕，而是決定要前往哈佛大學攻讀量化行銷的博士學位！你也好奇他如何從科技管理職轉彎踏進學術領域嗎？身為資料科學家為什麼是選擇商學院而不是電腦科學、統計呢？更多關於 David 的職涯甚至是生涯規劃的細膩思考，都在下週的科技職涯 Podcast！

如果想知道更多資料科學的技術與應用分享，歡迎到 David 的 大鼻觀點 facebook 粉專看看；如果你想系統化地開始學習資料科學知識，也可以參考 David 在 Hahow 上開的課程 - R語言和商業分析、R語言和文字探勘！