讲到要聘用数据科学家，最担心的大概就是所聘非人。数据科学家不仅是出了名的抢手、难以讨好，而且还得付出高额薪资，所以一旦聘错人，代价真是不小。我们的数据人才培训公司The Data Incubator已有数十家公司前来洽谈，想聘用曾接受培训的数据科学家。这些客户规模有大有小，大到如辉瑞药厂（Pfizer）和摩根大通（JPMorgan），也有规模较小的新创公司，如Foursquare和Upstart。公司如果聘用员工的经验还不够丰富，常常就问不到一个关键的问题：
你们的数据科学家，做的是机读分析（analytics for machines）还是人读分析（analytics for humans）？
这项区别无论任何公司、行业或职称（我们的学员受聘的职称种类繁多，从计量人员、数据科学家、分析师到统计员都有），都同样适用。遗憾的是，人事主管大多并不知道这些角色需要不同的才能及性格。
虽然数据科学家分类繁多，并不只有这一项，但就公司聘用来说，这是最大的重点之一。以下解释两者的差异及重要性：
机读分析人员：在这种情况中，最后是由计算机来使用分析结果、做出决定。例子包括像是供在线广告或网络内容来锁定用户、算法交易、产品推荐等等。
这些数据科学家做的是建立起非常复杂的模型，要输入极大量的数据，再从中找到很细微的迹象，供机器学习、推演复杂的算法。这些数字模型必须能自行运作，选择要显示哪些广告、对使用者做出建议，或是自动进行股市交易，常常在一眨眼间就已完成决定。
要产生可机读分析数据的数据科学家，必须有极强大的数学、统计及运算知识，才能打造速度快、预测准确的模型。他们通常会取得明确的数据（例如利润、点击数、采购额），再运用各种技术，打造出非常复杂而能够改善工作效能的模型。现实生活有几兆件的事件、几百万的使用者，就算只是小小的进步，也能让结果大大不同，因此这些人的工作能够让利润突飞猛进。
人读分析人员：在这种情况中，最后是由另一个人类来使用分析结果、做出决定。例子包括分析产品的效果、理解用户人数成长和留住顾客的成果、为客户写出报告等等。
虽然说他们和机读分析人员可能用的是同一套大数据，但他们的模型演算结果和预测最后是交给另一个人类（而且这个人通常并不是数据科学家），由这个人依据推荐来做出各种产品及业务上的决定。
从事人读分析的数据科学家，得想想如何用数据来说故事。因为他们得把结果解释给其他人听（特别是看不懂数据科学的人），所以他们很可能会刻意选择比较简单的模型，而不是那些虽然精准但太过复杂的模型。他们也必须能够提出一些较高层次的结论，像是「如何」和「为何」。这些问题并无法从数据中一眼得见，不像是那些机读分析人员能有明确的数据为依据。
对于这两种不同的工作，必须要分别找到对的人。我们发现，如果需要的是机读分析人员，这种数据科学家通常具有自然科学、数学或工程背景（常常具备博士教育水平），娴熟数学及计算机运算，才能应付这种高档次工作。如果员工缺少必需的技术技能，面对大量数据不是完全无法处理，就是使用了过度简化的模型，无法让数据真正发挥价值。
然而，如果是要找人读分析人员，上面的这种人却可能并不适合。如果找了一群麻省理工的物理学家，却规定他们只能用「简单」、主管听得懂的模型来做事，这可不算人尽其用（特别是这些人常常渴望机器学习那种高深的挑战）。另一方面，如果是社会学科或医学科学家（多半也需要博士等级），他们的训练让他们很能抓住「如何」和「为何」，常常也正是在相关难题上大显身手。
在过去，一般都是硬科学背景的数据科学家在媒体上受人注目。这种情况有一部分原因是对于未知的浪漫想象：一边是神秘的模型，能像魔法一样进行股票交易、或是立刻了解用户的喜好，听起来多么令人心动。而另一边则就是坐在那里想破头，思考着因果关系、取样偏误，还有数据里的「如何」和「为何」，听起来就是沉闷的工作。然而，后者却也可能是你真正需要数据科学家替你做的工作。在还没开始聘任过程前，只要先问一下这个关键问题，公司就能不随波逐流，而能真正针对自己的需要、寻得最符合的数据科学家。