其实大家不难发现，这几年北美这边咨询公司（MBB，以及其他专业咨询公司）都开始慢慢扩展招数据科学家。其中MBB还专门为数据科学家们做了一个组（McKinsey: QuantumBlack, BCG Gamma, Bain Avance Analytics Group)。换句话说，数据科学家的重要性在咨询公司中逐渐增加，主要原因是更多的客户意识到使用数据的重要性，而他们没有这些专业技能。咨询公司为了迎合这样的需求当然就会招更多数据科学家。 在咨询公司的日常工作中，最重大的变化是：以前一个项目大概是一个manager带着两个associate，但是现在基本上是一个manager带着一个associate（或两个）+一个数据科学家。然后工作中associate和Data scientist各司其职。 我接下来说说咨询公司数据科学家主要的两种工作模式。
client stuy是咨询公司最常见的工作模式，也就是像我上面说的，一个客户（经常是一个很大的公司）找到我们希望我们帮他们解决一个工作方面的问题（一般是比较大比较难的问题）。然后我们接下来这个case之后，在实际工作中，我们需要用不同的方法“解决”这个问题。Associate主要就是查资料+和各种expert打电话+理顺具体方案，数据科学家就是用各种数据（可以是客户给的，也可以是outsie-in ata 或者thir-party ata）去辅助着解决这个问题和证明解决方法的合理性。比如说客户问我们如何提高利润率？从数据科学的角度讲其实就可以对比竞争者的利润率，把公司的产品分类分析等等，最终在大数据（偶尔会有machine learning）的支持下得出一个合理且令人信服的结论。这个结论再结合前面Associate得出的一些结论，就能形成一个初步的解决方案。 至于具体的工作方式和用到的方法，有两件事值得说一下：
客户的项目比较少用到Machine Learning相关知识，即使用到也基本上是linear regression这种比较简单的模型。除非客户特别要求我们用很avance 模型，一般客户想要的不是复杂性和精准度，他们需要的是“可理解性”（interpretability）。也就是你做出的东西他们必须要听懂。只有他们听懂了他们才能信服你的结论。
80/20 rule。也就是说，你不用花你的所有时间去把你的模型或者output弄得完美，因为客户不需要完美的答案。多数时候，客户需要一个快速的，比较可靠的大体结果。所以很多时候如果过多纠结于accuracy等会本末倒置。
其实asset builing也是这几年咨询公司才开始重视起来。这个相当于我们数据科学家给我们公司自己打造一下好用的tool和platform。这些平台可能收集了我们的各种可以用的数据，可以用的已经写好的模型等等。Asset Builing重要的地方在于其实本质上它还是服务于client stuy，也就是说我们做好asset其实也是让我们自己或者其他同事在服务客户的时候会轻松一些。
整体来说，在咨询公司做数据科学可以在不断refine自己技能的同时接触到不同的行业，了解不同行业的构造和需求，对未来发展也是极其好的。尤其是考虑到现在咨询行业对数据科学家的需求量越来越大，这个时候加入会是一个不错的选择。
