我认为，上述两名数据科学家已经对如何成功实现转型这一问题做出了详细阐释，下面由我来总结如下：如果你是一名软件工程师，而且很喜欢数学，这将有助于你成为一名（B类型）数据科学家，前提是你已经做好准备在工作中掌握统计学/机器学习领域的知识。

　　数学

　　很容易得出这样一个结论： 数学知识为数据科学的所有研究领域打下坚实的基础。因而，期望许多数学家从事数据科学家的研究工作是合理的。但是，相对来讲，少之又少的数学家成功转型成为数据科学家，这一现象引发了我浓厚的兴趣。

　　针对这一现象，有一种解释：与其他研究领域相比，数学（纯理论数学与应用数学）领域有相对较少的毕业生。但是，开奖，这种解释未免显得牵强。为了深究导致这种现象的原因，我曾经同Building IQ（一家新成立的运用先进的算法优化商业建筑中能源应用的公司）首席数据科学家Boris Sackovic交谈过。Boris拥有电气工程与应用数学双重学术背景，与当时许多数学家合作过，以下是他对该现象的见解：

　　“许多数学家为理论层面的问题，美丽的方程着迷，能够洞察众多数学原理所蕴含的深层意义，当时商业数据科学研究讲求实证性，涉及到的多种多样的知识与能力。一些数学家喜欢这种实证性，而一些则表现出讨厌的态度。真实的情况更为复杂，你不能兼顾所有的情况，因而得具备能够灵活处理所遇到难题的能力。而这是商业数据科学的重点所在：找到更快更好、切实可行的挣钱方案。对于那些具有浓厚数学背景或理论背景的科学家而言，要理解商业数据科学领域的运行模式可能存在不少难题。我曾经遇到过很多数学专业的博士，他们在由学术界向商业数据科学领域过度期间可是吃了不少苦头。”

　　需要注意的是，Boris在这里谈及的是纯理论数学家，当然，他也补充说，在自己的职业生涯中也曾与许多优秀的应用数学家打过交道。这样一来上面的讨论便讲得通了，因为纯理论数学家可能会吸引那些热爱理论的人，而不会吸引那些热爱解决实际问题的人。理论研究工作并未涉及到太多数据处理问题，但是，我们都知道数据对于数据科学领域的研究极为重要。

　　就工作类型匹配度问题，多数数学家可能更适合学习A类型数据科学领域的工具和理论。但是，也有一些学习计算机科学的（实质上，理论计算机科学属于数学的一个分支）数学家，因此，具备这种学术背景的数学家可能更适合B类型数据科学领域的工作。

　　从上述讨论结果中可以得出一条非常重要的观点，即要理解商业数据科学真正要求数据科学家具备哪些知识和技能。倘若你能够真正清楚地认识到面临的挑战，所需要做的便是为了自己的目标努力前行。但是，倘若相比实际应用，你更热衷于理论研究，你可能要三思而后行。

　　一块空白的画布

　　如果你刚刚起步，也许你还是一名学生，喜欢数学、科学与计算，喜欢数据科学，这对你来讲不失为一则好消息：你可以不受先前学术背景的限制，选择属于自己的科研道路。

　　现在有许多与数据科学相关的专业课程，涵盖计算机科学和数学/统计学等。当然你不可能一夜之间成为一名数据科学家，现阶段你需要树立不断学习的理念，利用各种数据科学领域的学习资源， 累积数据处理方面的实际经验，具备与人交流沟通的能力，积极迎接商业数据科学领域未来的挑战！