作者：劉嘉（南京大學軟件學院副教授，研究方向是人工智能和大數據）
純理工男需要軟技能嗎？#
劉嘉自認是「純理工男、技術宅」——本科數學、博士系統工程，做過七八年「碼農」。日常工作是運用概率統計、機器學習、深度學習等算法，從大數據海洋中萃取價值。
對於以硬技能為生的理工科學生，軟技能非常必要。本封信以目標管理和學習能力為例。
案例：「新國標紅綠燈」的爭議#
2022 年「新國標紅綠燈標準出台」引發熱議：「九宮格」設計被吐槽過於複雜，有人質疑取消讀秒倒計時。後來公安部澄清這只是誤讀。
如果你是研究人員或第三方數據工程師，怎麼判斷新舊紅綠燈方案的優劣？
不能依據自己的喜好拍腦袋下結論。也不是抽樣調查大眾、諮詢專家、調研一線交警。
真正決定紅綠燈方案好壞的，是十字路口通過的效率，以及交通事故率。
明確目標後，方法就很清楚了——隨機對照試驗（randomized controlled trial）：
- 隨機選幾個路口部署新版紅綠燈。
- 比較新舊版的通過效率和事故率變化。
- 進行相關性檢驗。
如果新版確實提升效率、降低事故率，下一個問題的目標就變成提高投資回報率——更換成本能否被效益覆蓋？是否只更換重點路口效益更高？
在數據分析看似「硬核」的工作裡，目標管理這項軟技能起到了非常重要的作用。沒有正確的目標，再多硬技能也只能在錯誤的道路上越走越遠。
資深數據工程師的核心工作：選擇正確的指標#
職業生涯一開始你只負責執行（採集數據、進行計算、出報表）。成長為資深數據工程師後，最核心的工作是選擇正確的數據指標。
例如計算「複購率」之前，要問自己兩個問題：
問題一：複購率是不是當前最重要的目標？#
不同發展時期、不同類型的公司，目標不一樣：
- 開拓市場時期：流量和轉化率是核心指標。
- 賣婚紗的公司：提高複購率不現實——總不能指望客戶不停地結婚。
問題二：複購率定在多少才足夠好？#
20%、50%、還是 80%？這和公司、產品類型密切相關：
- 垂直電商 vs 綜合電商
- 低頻產品 vs 高頻產品
在數據分析行業，目標管理的產物經常被稱為第一關鍵指標或目標函數（objective function）。
在人工智能領域，首席數據科學家最主要的任務就是構建一個當下最合適的目標函數——有了它，整家公司或數據部門才能開始業務優化、通過數據指導決策。
數位化本質上是從現實世界到數字的一種映射。撥開現實世界問題迷霧的不是概率、統計、公式、計算，而是目標管理這項軟技能——它搭建起從現實問題到概率統計的橋樑。
學習能力——對常識和邏輯的應用#
職場中判斷一個人優秀還是卓越的重要標準，是對常識和邏輯的學習、應用。
案例：9 歲女孩揭穿「撫觸療法」#
20 世紀 90 年代有種「撫觸療法」（Therapeutic Touch）——治療師將手懸停在患者身體上方，發力讓能量噴湧而出。
這是一場騙局，但要設計大規模醫學試驗工程量巨大，又難以剔除安慰劑效應（placebo effect）的影響。
9 歲、讀小學四年級的艾米麗·羅莎（Emily Rosa）通過一個簡單試驗就揭穿了騙局。11 歲時論文發表在《美國醫學會雜誌》（JAMA），被金氏世界紀錄認定為在醫學期刊上發表論文的最年輕者。
艾米麗的試驗：
- 招募了 21 名聲稱掌握「撫觸療法」的治療師。
- 用豎立的紙板把自己和治療師隔開。
- 紙板上有兩個小洞，治療師左右手分別蓋在洞口。
- 通過拋硬幣決定把自己的手放在治療師的左手或右手上方，並保持固定距離。
- 讓治療師感知能量場來自哪一邊。
21 個人通過 280 場獨立測試，正確率只有 44%——和瞎猜的隨機波動相似。
試驗的關鍵不是專業知識（隨機對照、簡單抽樣、雙盲），而是一條簡單的邏輯推理：如果治療師連病人的能量場都感知不到，就不要談控制和治療了。
《JAMA》評論：他們被這起試驗的簡單性、結果的清晰性迷住了。
案例：常識和邏輯在數據分析中的應用#
淘寶的商家信用指標#
淘寶當初評價商家信用，相關性最好的指標不是好評率，而是旺旺的活躍度。
邏輯：一個人對客戶有問必答、不厭其煩處理每筆交易——他的還款意願和能力沒有理由比別人低。
美國超市的銷售收入分析#
美國一家數據分析公司分析大型超市銷售收入時，沒有採用大規模調查（看上下游供應鏈、倉儲、信用卡記錄），而是去看停車場的衛星數據。
邏輯：在美國這種「住在車上」的社會，通過停車場衛星數據看商場停車數量的變化，就能推斷經營狀況。
結語#
真正決定一名數據工程師能走多遠、走多高的，是他的軟技能。
不僅數據分析行業，絕大多數工作都是如此——很多時候，軟技能本身就是複雜問題的解決方案。
硬技能有大學教育、職業教育和各類專業書可以學習。而軟技能呢？歡迎來得到 App 學習軟技能。