你如何衡量你的团队的表现？

[tanjimajha12]

Jaidev： 我们为团队和个人设定了明确的目标。目标包括收入部分，但我们也非常注重提高生产力。我们所做的很多事情都是通过它让别人的生活更轻松的程度来衡量的——这些人可能不在你的团队中，可能不在你的公司，甚至可能不是分析师。这有助于我们脚踏实地。

大数据团队、技能和工具
在庞大的大数据领域，技能瞬息万变。您认为哪种技术在 ETL 数据领域和实时领域占据主导地位？
Jaidev： Spark、ELK stack、Kafka、Redshift 等工具显然是这一领域的赢家。即使忽略它们通过 Azure/AWS 等托管服务变得多么简单，它们在易用性、API 和管理方面显然已经取得了长 加拿大手机号码数据库 足进步。关键是，对于非分布式计算专家来说，它们不再令人生畏。任何沿着这些方向发展的技术——易用性、管理和可扩展性——都非常有用。

有抱负的数据工程师如何展示他们处理工具、技术、数据和领域的能力？证书（Cloudera/Hortonworks）是否是一个明显的差异因素？
Jaidev： 我个人认为，认证并不是明显的差异化因素。它们会帮你通过初步筛选，但许多行业专家明白，很容易“玩弄”认证。单凭认证并不能让你更容易被录用。一个明显的差异化因素是工作组合——这些甚至可以是相对简单的应用程序——这表明你有能力完成任务。

分析技能、统计学、机器学习对于数据工程师来说是否是必备技能或者有益技能？
Jaidev： 介于“有则好”和“必须有”之间——不要被它们分散注意力，但也不要忽视它们。

数据科学的行业准备情况
各行业是否希望了解他们能用数据做什么？他们是否拥有所需的数据？
Jaidev： 两种情况都有组织和个人。有些组织拥有大量数据，却不知道如何处理这些数据；而有些人则制定了宏伟的计划，但并没有数据。更大的问题是意识——人工智能/机器学习令人兴奋，但许多行业问题无法通过数据或分析解决。另一方面，拥有大量数据并不会自动让您成为数据驱动型企业。知道是否以及何时应用数据科学是一个主要问题，解决这个问题是数据科学从业者和消费者的责任。从业者的责任是清楚地传达他们的产品，而消费者的责任是对他们的数据和流程抱有现实的期望。