金融中的数据分析师都做什么工作？

　　数据科学家（Data Scientists）在所有行业都发挥着不可或缺的作用，对金融行业来说更是如此。本篇文章将带你全面了解数据科学在金融行业中的作用。

　　金融业作为世界的经济支柱，早已了解大数据在盈利决策的制定和计划风险承担方面发挥的重要作用。作为数据科学的先驱之一，该行业利用大数据来改变一切，从运作方式，到检测欺诈，到改善客户体验等等。大数据带来的一系列应用让金融领域出现了对数据科学家的巨大需求。

　　但，究竟金融数据科学家是什么，以及金融数据科学家都做些什么？在这篇文章中，我们将回答所有所有这些问题。

　　1. 金融数据科学家是什么？2. 金融数据科学家做什么？3. 金融数据科学家与其他行业的数据科学家有何不同？4. 成为金融行业的数据科学家需要什么经验？

　　作为世界上最赚钱的行业之一，全球金融业是最早发现大数据具有盈利潜力的行业之一。这完全在我们意料之内：银行业一直在预测市场变化，来做出最佳投资决策并获得竞争优势。而数据分析也是一直在预测。由于银行和其他金融机构可以获取我们的信息——从市场指标、到交易数据、以及详细的客户资料——所以两者紧密相连。

　　然而，金融业收集的海量大数据也带来了挑战。最大的问题之一，是如何最大化地利用这些非结构化数据（即杂乱无章，且模式不一致的数据）。更令人困惑的是，银行业的构成本身就极其复杂，充斥着兼并、收购、复杂的产品供应，和不断变化的法规。要想将这种不断变化的行业与大数据结合在一起，数据分析师对技能的掌握程度需要远远超出标准水平。

　　接下来说说金融的数据科学领域。有优秀的专家掌控全局，金融服务提供商可以简化复杂的流程，打破整个行业普遍存在的筒仓文化（Silo Culture）。金融数据科学家不仅仅简单地收集、挖掘和理解数据，而是具有专业、深入的领域知识的行业专家。

　　金融数据科学家的工作涉及面非常广阔，从欺诈检测，到创建个性化客户服务解决方案等。这就意味着，需要构建复杂的数据仓库或创建算法，实现重要财务的自动化交互，这也促使金融数据科学家具备广泛多样的职业发展潜力。另外，金融数据科学家的薪水也非常可观，后面会详细介绍这部分。但首先…

　　现在我们已经大致了解了数据科学在金融领域是如何出现的(以及为什么它如此重要)，那金融数据科学家的日常职责是什么？实际上，这些问题涵盖领域非常广泛。你会发现他们工作的领域有很多不同。这些领域包括：

　　从细节上来看，金融数据科学家在这些领域发挥的作用存在很大差异。一般来说，数据科学家的工作是收集和存储数据、挖掘数据以获得见解、然后针对关键问题（如刚刚列出的几种问题）开发和提供战略解决方案。

　　想要知道金融数据科学家每天的工作，是查看他们的任务和职责。虽然很难概括，但根据真实的金融数据科学岗位描述，你可以学到以下知识———

　　收集战略数据，并设计、工程并记录复杂的数据基础设施。使用数据建模技术，结合使非结构化和半结构化数据。使用自然语言处理 (NLP) 和计算机视觉，来分析非结构化和半结构化数据。与各个团队（从 DevOps 到执行管理）紧密合作，识别问题，并针对这些问题设计数据驱动型解决方案。进行定量分析来获得见解，并将这些见解发展成可行的解决方案，然后关注这些方案，直至成功交付(并评估结果)。使用现有数据和原型系统训练机器学习模型，用于测试新的方案。从零开始设计和编写新的算法，帮助管理数据分析和机器学习过程。与公司的各个部门进行清晰的沟通，并指导更多的初级员工。

　　设计新的风险分析方法，或寻找自动化风险管理流程的方法（风险管理）。设计和构建高性能的身份验证应用程序，抵御攻击性欺诈(欺诈检测)。分析产品使用情况和客户行为，为改进业务单元的客户体验提出建议(用户数据)。深入了解信用卡流程、会计和 SOX 控制 [一种错误保护程序]（用户分析）。跟踪交易算法，并据此重新设计算法，以配合替代交易平台（算法交易）。

　　在这里，我们避免了讨论复杂的技术要求，因为在现阶段，这些技术要求可能会让很多人感到困惑，无法发挥其作用（你可以在第四节中了解一些相关知识）。虽然这个列表不是非常详细，但通过阅读这篇文章，你可以了解到金融数据科学家的多样化。

　　那么，是什么让金融数据科学家从其他行业中脱颖而出呢？尽管数据科学家的任务因工作的领域而不同，但无论各个行业的发展重点是什么，他们掌握的技能都大差不差。

　　我们可以说，所有数据科学家都需要具备三种能力，每个能力的内容也非常广泛，即业务领域知识、技术技能、以及数学和统计能力。行业之间的主要区别在于这些技能的重要性。想弄明白这个问题，用数据来说话是最好的方法。

　　根据《分析周刊》（The Analytics Week）和《百老汇商业》（Business Over Broadway）进行的一项数据科学调查的结果显示，相比于技术知识，大多数的数据科学家（不分行业）更擅长商业和统计知识(教育/科学部门除外)。

　　我们还可以通过查看行业发展重点，来区分金融部门的数据科学家和其他行业的数据科学家。也就是说，他们从事的职位，是业务经理、开发人员、创意人员还是研究人员？根据同一项研究，金融部门中研究人员占大多数（65%）。正如图表所示，研究型数据科学家的数量在所有行业中排名第三。

　　与此同时，49% 的金融数据科学家被看做是商业数据专家。虽然这些数据与其他行业的数据相似，但也存在一些差异。例如，从事信息技术和通信工作的人，往往更关注创意方面（例如黑客）和开发（例如数据工程）。

　　尽管我们一直在说数据科学家多么抢手，但在金融领域(与其他行业相比)，数据科学家仍然比较少见（与其他行业相比）。调查显示，绝大多数数据科学家在零售、专业服务和通信行业工作，只有 11% 在金融业工作。虽然这个数字自进行调查以来已经有所上升，但如果你想在该行业找到人生中第一份工作，对你来说是个好消息。因为该数据表明，优秀的数据分析师和科学家的需求量很大。

　　接下来，要成为金融行业的数据科学家，你需要哪些技能和经验? 幸运的是，你不需要一定满足某个要求，才能进入这个行业。从数据分析师做起，在职业阶梯上不断攀升，并在前进过程中不断培养技能，这才是可行的。但无论你是在银行、金融科技初创公司还是保险公司工作，你都可能需要具备以下资格和经验：

　　数学、统计学、计算机科学或相关学科的学位或相关资格证书（硕士和博士优先）。深入了解金融领域及其监管要求，并具备深度专业知识（至少你将从事的领域知识，如风险评估或保险索赔）。了解各种通用数据科学工具，包括机器学习算法、深度学习、数据分析和自然语言处理。创建独特的统计模型所需的理论和实践技能。熟练使用大数据技术，例如Apache Spark、Hadoop等集群计算架构。能够使用多种编程语言，主要是 Python 和 R，可能还有其他语言，这取决于你的关注点（例如 JavaScript、C++）。对非结构化或半结构化数据集的理解和处理能力。熟悉金融行业的关键系统，如SAP, Oracle, SWIFT等。熟悉金融行业的主要数据供应商，如Acuris, Bloomberg, Moody s Analytics, Thomson Reuters等。

　　虽然数据科学并不是一个简单的领域，但这段旅程是值得的，还能获得非常丰厚的薪水。如果你才刚刚开始，那么我建议你可以从掌握基础知识开始。感谢阅读！