周洋认为决定一个科学家优秀程度的重要因素并不是技术水平。在他看来，技术是可以培养提高的，但一个数据科学家对业务问题的批判性思维、拥有将业务问题拆分成可回答的数据问题的转换能力，以及最终将解决方案清晰简洁地传达给决策者的沟通能力，才是优秀数据科学家的价值体现。

　　这里我们直接摘录周洋的原话，以期给各位完整呈现LinkedIn对数据科学家的期待。

　　周洋：很多时候，一个数据科学家的技术能力是可以训练出来的，一个通过面试的计算机、统计、运筹学、数学、电子工程相关领域的人才，他的计算能力、编程能力都不会太差。而真正困难的是对业务的了解。

　　我们数据科学团队的宗旨是：To make data-driven decision at scale。这里有几个关键词：数据驱动（data-driven），决策（decision），可扩展化（scale）。我们通常会鼓励我们的数据科学家积极主动地介入业务，比如我们在接到到业务部门的问题时，应该多问一下，你为什么想要知道这个数据，你为什么要问这个问题，上下文(context)是什么，atv直播，最终要解决什么样的业务问题。多问几次，有时候会发现，提问的人想知道的问题，并不是他问的这个问题可以解决的。那我们再一起来探索、分析你想了解什么，怎么样通过数据分析去解决。但团队的目的不是分析，而是通过分析达到洞察（insight），从而提出建议。

　　不要用工程师的衡量标准（写了多少代码）来衡量数据科学家。我们衡量工作的标准是对业务产生的影响：寻找新的业务机会、改进现有业务流程、或者确定业务方向。

　　对于数据科学家来说，最终要解决的问题是“不确定性”。这个不确定性会有很多不同层面，每个不同层面也都有不同的决策者：微观的层面，工程师会希望知道浏览量下降了5%是否应该引起重视？产品经理会想要知道，一个产品想法能否有效落地？再大一点，对于CEO来说，他会想要知道，公司的发展策略上，如何再增长10亿用户？这都是一些不确定的东西。数据科学家的工作是去消灭各个不同层面的“不确定性”。

　　实施分析是很多人都能做的，但是回到业务起始，解决充满不确定性的抽象问题，才是最难得的品质：从拿到这个问题，到回答这个问题，包括拿到这个问题的批判性思维，通过一个框架把问题剖析分析成很多不同的角度和任务，告诉决策者应该怎么做。

　　你向决策者呈现的不一定是一个很高大上的可视化图表，而更应该是可以用一句话描述的内容，甚至可以不包括数字。比如告诉我们的CEO，应该更好的发展移动端战略。而关于为什么要这么做，我们再进一步去展示数据维度的原因。我们的最终目的始终是帮助决策者决策。

　　那么总结来说，j2直播，我认为一个好的数据科学家应该有以下两种技能：

　　1、批判性思维，能够把一个业务问题有效拆分，通过一个系统框架转化为数据分析子问题；

　　2、沟通能力，拿到分析结果后能够总结洞察并提出业务建议，然后精准且有效率的与决策者沟通，辅助其决策。

　　这两个技能是我们对团队中资深数据科学家的要求。

　　周洋说，“我非常欣赏LinkedIn的一点是，除了它的数据驱动文化，LinkedIn鼓励一个人不要做螺丝钉，给每个人包括数据科学家更大的发挥空间，鼓励他们跳出自己的“数据专家”角色局限，做一个真正有影响力的问题解决者。LinkedIn也十分鼓励每个数据科学人才找到自己的长处，实现个人价值的最大化。”从这些我们可以看出LinkedIn的内部文化非常提倡每个人不断超越自我，各施所长。

　　不要局限于自己现有的固定角色。这一点不仅对数据科学家或数据科学团队很重要，相信也是这个时代的每个人都应铭记于心的生存准则。