关于这点，周洋提到了一个细节，Jeff Weiner每天早上都会看一份每小时更新的数据报告，根据报告他能迅速了解到关于业务表现的很多信息，他还会将发现的问题立即发回至业务团队寻求解答。由于数据团队创建的“优质运营(operational excellence)”框架，很多时候这些问题都会从现有的数据报告中找到答案，或者已经提前发出通知。

　　周洋认为，其实不仅CEO和高管，数据科学团队应该为公司不同层面的每一次决策提供战略支持，周洋称，“小到页面浏览量下降的原因，大到一个公司发展的战略方向，解决不同层面决策者面临的不确定性问题是数据科学家的终极目标。”

　　数据科学团队的任务不该止步于技术开发，他们更大的价值是将一个虚无缥缈的概念剖开，成为数据可以解答的问题——建立框架和分析角度，分解大而全的问题，用数据分析给出小而美的答案，进一步将其变成产品建议，进而为领导层提供决策依据。

　　而为了让业务部门养成数据决策的习惯，周洋的团队开设了一些内部培训，比如组织数据类专题讲座Data Boot Camp，对公司不同角色的人，包括产品经理人、产品设计师和工程师进行数据平台使用的培训：教他们去使用相关系统，去了解与数据科学家合作的整个流程。这个过程最主要的目的是让数据更加民主化，并培养他们跟数据科学团队合作的习惯。

　　“更重要的是让管理者真正看到数据给商业带来的价值。只有当公司的大部分成员开始享受数据团队带来的便利时，整个团队的效率才会共同提升，数据科学家的价值才会被广泛认可。”周洋称。

　　可扩展的数据分析解决方案 将数据科学家从重复性劳动中解放出来

　　可扩展的数据分析解决方案是LinkedIn另一个让周洋引以为豪的工作成就，也是数据科学团队金字塔最顶端的工作。可扩展的数据分析解决方案看似只是在运营实施过程中进行流程优化和自动化，实际上意义重大。

　　A/B测试是数据产品上线后的例行步骤，也是让很多数据科学家头疼的麻烦事。之前，LinkedIn测试的过程需要数据科学家对每个A/B测试手动写代码并在数据平台上计算，非常费时间。后来，数据团队建立了一个平台，将A/B测试的过程简单化、自动化。自那以后，每次做测试，工程师可以直接在平台上创建调试，产品经理也可以在测试开始几小时后直接去平台上查看测试结果，其中包括数千个度量(metric)指标以及所有相关的统计计算，整个过程几乎不需要数据科学家的介入。在这个平台上，同时有上千个A/B测试在同时运行。

　　在这个小的工作流程优化上，LinkedIn非常有预见性地将数据科学家从重复繁琐的劳动中解放了出来，使他们可以更专注地做需要创造力和判断力的工作，整个团队的工作效率和影响力(impact)因此大大提高；从另一个角度上，也说明LinkedIn的数据战略渗透地非常彻底。

　　我的公司需要一个数据科学团队吗？

　　在数据驱动、大数据大行其道的今天，似乎每个公司都在招募一个数据科学团队，或者至少是一个数据科学家。

　　“我的公司需要一个数据科学团队吗？”这是目前困扰很多公司，尤其是初创公司的难题。

　　周洋对此有自己的想法：“应该有，但是在不同的阶段，不同的公司应有不同侧重。处于不同阶段的公司对数据的需求不同，数据的解决方案也不同，公司应该先了解自己的业务特点，再决定制定适宜的数据战略，对自身实际情况有一个准确的定位才能起到事半功倍的效果。”

　　著名的二八法则在这里颇为适用。周洋建议，对于大部分刚起步的小公司来说，首先应该用20%的时间去实现最基本的数据支持，这样可以达到80% 的业务提高，而剩下20%的提高却需要投入80%的资源才能实现。那么，在人力和资源都极其缺乏的情况下，一家初创公司最重要的任务不是去实现先进和复杂的算法，而是利用现有的开源软件、工具包和最基本的算法实现从无到有的数据支持。

　　解决各个层面的“不确定性”

　　是数据科学家的终极目的

　　▼

　　那么一个好的数据科学家到底应该有什么样的属性呢？