Warald指出：統計、編程、商業嗅覺三項全能的全棧數據科學家非常罕見。如果欠缺這三項中的1-2項，但是還是想成為全棧數據科學家，還有可能嗎？答曰：當然。除了讀書，你還可以在工作當中繼續學習、不斷提高。那么，該如何加強背景？該選擇加入什么樣的公司（或者說團隊）？Warald給出一些建議。

首先感受一下自己喜歡多快的步伐，喜歡把事情做的多么細致。網絡創業公司代表快+準確率不太高的極端，制藥公司代表慢+極其準確的極端。即使都在互聯網創業公司范圍，不同產品的公司也對步伐要求不同，值得好好體會一下。

其次是要明白數據的領域性。無論你是分析什么數據，都需要對這個領域有一定的理解，否則一定走不遠。你對這個領域本身是否有興趣？如果是完全陌生的，是否肯花時間去學？ 這些很主觀的事情，完全因人而異。有的人可能無論分析什么數據都一樣有熱情，但是有的人會看見金融數據就兩眼放光，但是看見網站運行的log就睡著了，看見 DNA結構就兩眼模糊了。

作為新人，你需要跟同事們學習，這意味著團隊成員背景也是很重要。雖然一開始找個工作難度低、人員水平低的地方，會活的很愉快，但是這種情況一般難以長久。當你剛畢業生的時候，同事對你的無知容忍度會很大，也會因為你對他們地位沒有威脅而更愿意教你。

如果不趁著這時候多問問題、多學習，以后當別人對你的期望是“資深數據科學家”但是你卻沒有那個能力的時候，下場會很慘。剛工作的前幾年，哪怕錢不是最多，也要去能幫你學習提高的地方。比如你自己代碼能力不錯但是對數據嗅覺一般，建模雖然也能調用現成的包來跑個機器學習的模型但是對里面細節和適用場合也不太清楚，那么找個能帶你的人就非常重要。比如說，如果你是統計出身但是代碼能力一般，那么可以想方設法跟軟件工程師一起合作。在你是新人的時候，如果全公司沒有一個人能在你最需要的能力方向上輔導你，那這個公司真的值得去嗎？如果是大公司的科研團隊，那就看看成員有多少是博士、有沒有科研實力（比如發論文記錄）、有沒有給開源項目貢獻代碼的 – 不是說團隊沒有PhD就不行，但是現在PhD這么多、各種專業都可以做數據科學，連一個PhD都沒有的地方經常不是好跡象。

數據科學跟碼農一樣，必須一輩子保持學習。如果你天天勉強混夠8小時工作，業余不做任何學習，也許你可以這么混兩三年，但是五年以后，可能突然發現你技能陳舊（典型的例子就是工作只用excel做分析）、喪失了跳槽的能力。這個時代沒有什么鐵飯碗，沒有什么公司能保證你可以呆一輩子。老牌企業從MSR到IBM到ebay到雅虎都在裁掉一些當初也還算很不錯的人。如果你保持學習的活力，一直保持在領域前言，那自然不用擔心，剛聽說風吹草動，沒等公司裁員通知下來，就有很多下家要來搶你了。反之，如果你等到裁員以后才開始準備面試、學習新技能，那么已經太晚了。

爭取用開源工具。開源的東西用的人更多。雖說只要學好了一個，其他東西很快也可以學會，但是開源的東西會讓你跟別人交流更順暢，能交流的人更多。比如全組都是用 Python、R、Hadoop，但是你用SAS，這個鴻溝其實不是那么容易跨越的；Matlab因為跟R足夠類似，一般會被接受；Hadoop/Spark/Pig比微軟的SCOPE應用廣泛太多。

培養數據科學的嗅覺。看別的公司在做什么、別的公司要聘請什么樣的人，哪怕不打算跳槽也要時不時看看外面的職位有什么要求；開學術會議、去meetup、閱讀專業博客；你平常用的技術工具如果是開源的，那么肯定會不斷有新工具出來，經常看看，保持跟上時代步伐；公開課的確需要花費大量時間，但是既然數據科學是真愛，那么花費時間的事情并不會覺得痛苦。

很多年輕人說，也不清楚到底自己是否喜歡某件事，那么可以試試再說。現在這個時代，中國很多年輕人已經不像上一代那樣充滿了對金錢的不安全感，在富足中長大，沒有遇到過真正缺吃少穿的日子，很多人對生活和工作的追求超越了上一代，還需要追求成就感、滿足感、幸福感，而不是僅僅的混口飯吃。正如有很多人做碼農是因為喜歡編程一樣，也有很多人選擇數據科學是因為喜歡從數據里面挖掘價值。很幸運，這些工作也都緊跟時代的步伐，機會多、收入高。