新员工带来了新的思维

招聘而非培训数据科学家的主要好处来自于将新的想法和能力引入您的组织。你添加的是什么可以是技术性的：例如，您希望采用先进的机器学习技术，例如神经网络，或通过使用Spark Streaming来开发实时客户洞察？它也可能是文化的，也是如此：你想要一个敏捷吗？数据科学团队这可以迅速迭代 - 即使在Facebook的着名讲台中牺牲了“破碎的东西”？或者可以创造性地思考数据并找到使用内部和外部信息的新方法？

在其他时候，它是关于有一套新鲜的眼睛，看着同样的问题。许多量子对冲基金故意雇用新铸造的茎博士。持有人 - 科学，技术，工程或数学学位的人 - 而不是行业退伍军人，恰恰是对金融市场的新鲜接受。它不仅仅是华尔街;在其他竞争激烈的行业中，新的想法也是最重要的货币，公司为他们而努力保持竞争力。

鉴于稀缺的稀缺，公司如何提供新的人才也需要一些创新熟练的数据科学家。卡格和其他竞争平台可以成为伟大的地方查找蓬勃发展的数据科学人才。卡格尔上的公共比赛以带领非传统的明星和未知的狂热孩子进入聚光灯，并证明最好的分析性能可能来自左侧领域。

同样，我们发现了经济学家和其他社会科学家通常具有与传统词干同龄人相同的强大的量化技能，但被人力资源部门和招聘经理忽视。

培训增加了现有的专业知识

在其他情况下，雇主可以首先重视行业经验。领域专业知识复杂，复杂，难以在某些行业获得。这些行业通常已经有另一种科学核心。火箭率，采矿，化学品，石油和天然气 - 这些都是所有的企业知识潜在科学比数据科学知识更重要。

高度监管的行业是另一个案例。面临复杂的监管负担的公司通常必须满足非常具体的，经常长期的要求。银行必须遵守金融风险测试以及经常书写的法规。同样，医疗保健中的药物审批过程受到一套复杂的不可变规规定的管辖。虽然通过数据科学和这些领域的大数据肯定有创新的空间，但它受到规定的限制。

该职位的公司经常在内部找到培训数据科学家，以更好地开发大数据分析能力，而不是招聘新的人才。例如，在数据孵化器，我们与大型消费金融机构合作，正在寻找数据科学能力，以帮助提高其信誉建模。但是，它的理想候选人概况与该工作的候选人概况非常不同于组织寻求关于商业运营或产品和服务的新想法的组织。

相关的信贷数据逐渐进入：最初可靠的借款人可能会成为初始信用决定后的未经溶解的月份或多年，这使得难以预测违约而没有强大的信用模式。错误的决定非常昂贵：贷款违约导致对公司的盈利能力直接命中。在这种情况下，我们与公司合作，培养互补的现有统计学家和承销商数据科学技能大数据周围。

公司必须旨在选择培训候选人。

当然，公司必须针对选择培训候选人。他们经常首先识别拥有数据科学的强大基础技能的员工 - 编程和统计经验等事物。合适的候选人通过许多标题，包括统计人员，精算和定量分析师，更普遍称为Quants。

找到适合您需求的平衡

对于许多公司来说，权衡招聘或培训数据科学家的选择，以了解他们的特定业务需求，即使在组织的不同部分中也会有所不同。值得注意的是，与其员工培训的相同金融机构为信贷建模进行分析，也聘请了其数字营销团队的数据科学家。

如果没有对承保方施加的复杂监管要求，数字营销团队认为它可能更自由创新 - 因此决定带入新的血液。这些新员工现在建立分析模型利用数百个数据信号并利用先进的AI和机器学习技术，以更精确的目标营销活动，更好地了解人们的购买旅程。

最终，是否聘请或培训数据科学家的决定必须对组织有意义。公司必须平衡创新的愿望，需要融入现有的专业知识和满足监管要求。让平衡率是成功的数据科学人才战略的关键步骤。