《纽约时报》起用生物研究员为首席数据科学家

糊涂虫

中国科技网  2014年02月21日
为了对网站上海量的用户数据进行有效的分析管理，日前《纽约时报》作出了一个出人意料的决定：起用一位生物研究员为其网站首席数据科学家。克里斯?维金斯（ Chris Wiggins），生物学科学家，理论物理学博士，上周正式被《纽约时报》聘用为正式员工。


《纽约时报》会任用数据科学家，我们不会感到太吃惊。因为，毕竟当今大数据时代势不可挡，这份拥有162年历史的老报意识到科技在未来新闻业的地位丝毫也不奇怪，它并不逃避数据化革新。真正让我们感到讶异的是它的人选：克里斯?维金斯，这位新任的首席数据科学家，并不是经验丰富的媒体从业人员，他是一位一直从事生物学研究工作的“外行人”。


2013年秋天，维金斯利用假期申请到《纽约时报》工作，成为编辑部的一名非正式员工。“休假期间找一些兼职来做，最大的好处就是能够发掘自身潜力，而这可能与你平日的工作毫无关系。”维金斯这样向快公司（Fast Company）解释他的全新际遇，“很多年来，我一直在听学生们描述未来的数据时代；我很高兴有这样一个机会能够参与到构建数据科学技能的工作中去，希望我过去从事生物研究的经验能够发挥作用。”上周，《纽约时报》正式聘用克里斯?维金斯为正式职员。自此，维金斯（美国哥伦比亚大学应用物理系和应用数学系副教授）的职业生涯再添新亮点：他将每周花一天时间，为该报组建一个“机器学习”团队。就此次任职，快公司（Fast Company）采访了克里斯?维金斯。


快公司：请简单介绍一下您的生物学背景。
维金斯：我是理论物理学的博士。我博士在读期间，弦理论的第二次革命正在开展。当时，大部分人感兴趣的还是传统的弦理论，但是我却被弦理论的相对面吸引。我对如何为现实问题构建数据模型充满兴趣。因此，在从事生物学研究的同时，我也一直在攻读数据科学。


快公司：现在的媒体数据化和生物学数据化有什么联系？
维金斯：现在，许多领域正在经历着数据化革新的阵痛，这种疼痛就像15年前生物学迎来“全基因组测序时代”时所经历的那样。我认为数据科学的应用，在社会科学领域与自然科学领域有很多共同之处。来自不同领域的人们有各种各样的问题，也相应地产生了极其丰富的数据，我认为，把这些问题转化为“机器学习任务”是一个非常有意义的工作。


快公司：您沉迷在“机器学习任务”之中，这是意味着什么？
维金斯：机器学习，是数据工程和数学模型的交叉学科，与传统统计学的主要区别在于，它集中地构建算法。另外，两者还有一个不同点就是，传统统计学侧重对数据集群进行解释，而“机器学习”却着力构建预测模型。这一点是两者的精神差异。举个例子， Netflix网站能够推荐好看的电影，亚马逊能够推荐好看的书籍，这就是“机器学习”通过数据分析得出的结果。


快公司：“机器学习”在新闻网站上是怎样工作的？您打算怎样把“机器学习”应用到《纽约时报》的数字化改革中？
维金斯：《纽约时报》在编辑业务和经营方面，都有很大的潜力。在经营上，《纽约时报》力图与读者建立长期的互动联系，这就需要充分了解造成读者忠诚和不满的行为因素。此时，“机器学习”就能发挥作用了，通过收集数据分析出吸引用户的新闻内容，有助于编辑业务和经营的改进。


快公司：这对具体编辑业务的改进有什么帮助？
维金斯：一个数据可视化团队，负责开发使数据呈现更加直观、简洁的方式；一个商业分析师团队，负责开发增强用户满意度的网站呈现方式；一个个性化团队，负责测试和优化数据模型。“机器学习”通过对用户数据的分析和描述，能够在很大程度上改进业务，尤其是在科技层面上大幅度的改进具体的编辑工作。


快公司：听上去，《纽约时报》的科技部门很强大。
维金斯：《纽约时报》的整个氛围是乐观向上的，员工们从不逃避现实。即使体现在网站或报纸上的是一点点小的改动，在背后员工们却可能为大量的互动新闻付出了很多。可以说，在这里，人们能够真正地迎接挑战，时刻为未来的新闻业努力。


快公司：您的主要任务是进一步扩展技术部门，建立新的技术团队吗？
维金斯：我的职责主要集中在“机器学习”的研究开发上。现在《纽约时报》已拥有足够优秀的数据工程师、商业分析师和大数据可视化组，这为创建“机器学习”团队，促使报纸向数据化转型带来了极大的可能。


快公司：设想一下，您带领的这个团队将会给《纽约时报》带来怎样的改变？
维金斯：新闻从报纸走向网站，这为媒体更好地了解读者提供了一个全新的方式。在网站上，无论何时何地做任何事情，都会留下一系列的痕迹。透过这些意义重大的数据，我们能够迅速地了解何种产品受欢迎、何种产品需改进。我想，在大数据时代到来之际，做好数据管理对任何领域都是实用的。