我是根正苗紅海洋學出生，大學碩士博士都是主修海洋科學，乍看之下跟數據科學毫無相關。暨不是主修數學或電腦科學，也沒有去上bootcamp, 怎麼跨行找到數據相關工作的呢？
我從水母研究轉行統計分析的故事
其實做環境科學和生態研究很需要數學，否則很容易流於表象敘述而已。 自然環境就是充滿變數，不像實驗室可以控制很多變因，也很難真的”隨機“, 更沒有真的重覆， 所以通常數據很醜，變異很大，雖然經驗上感覺有差，可是算起來不管怎麼分組都看不出個差別。
如果只用傳統的分析方法如t-test, ANOVA其實很有限。所以我在就學時期有修微積分，生物統計，無母數統計，線性代數，多變量分析，量化方法，表現都不錯。做論文研究分析數據的時候，我判斷從哪個角度切下去的準度通常很特別，有獨到的見解和分析能力。常常別人看不出來pattern的東西，我看得出來（算命的天份？），
當我要研究水母在低氧區對浮游生物的食物鏈影響時，我只有六個航次的數據而已（這在海洋界已經不少，畢竟我們每次出海都是幾十萬的美金在燒啊）。但是年間有差異，季節又有差異，站跟深度也有差異，如果層層分組下去，就沒有重複了。
我試過用人為主觀的年/季/深度/溶氧去分，但是大自然不是我想要他怎麼分就怎麼分。後來我決定，我應該反過來讓資料告訴我他們要怎麼分組。我把所有水文資料跑一遍Principal Component Analysis (PCA),然後用這個結果來當分組依據, 然後生物觀測的差異就出來了。這麼做也意外出現另一一個好處，我可以把低氧的影響從溫度的影響獨立出來(剛好各為PC1/2的major loading)，不然總是會碰到質疑「你怎麼知道你所觀察到的現象是因為缺氧還是因為很熱？」(底層缺氧通常發生在夏天）
因為成功把溫度跟低氧對生物影響的彼此糾結解開，我有證據可以下結論，「對， 夏天有影響(多少%)，但是低氧本身有衝擊(多少%），然後兩個交互作用是什麼。」（有興趣的人可以看我的發表）我就是用這個故事的故事拿到我第一個統計工作，在馬州環保局當研究統計員，在我之前的坐這位置的人都是數學背景的。
轉行的優勢1：局外者清
轉行固然要學的東西會比較多，但也有優勢，那就是局外者清。比方說，我在馬州環保局工作的時候，發現大家現行的觀測方式是5y-rotation，也就是將目標觀測區域分成五塊，每年輪流觀測不同區域，花五年全部觀測完。這種設計的好處是，每個地區被觀測的那一年樣本比較多，而且省交通費，缺點也很明顯，就是該區其他四年不會有樣本，而且全部的樣本各分散在不同區不同年，很難做有意義的分析比較，頂多合起來取個平均看個大概，還要至少等兩輪(十年！）才能看有沒有個變化。
如果觀測的東西是年間變化很少的，例如神木，這種設計可能比較沒問題。可是觀測的主角是一年生的昆蟲，現在因為氣候變化，常常今年很濕明年很乾，族群年間變動很大，同一區樣本跟樣本之間隔五年，中間發生什麼事都不知道，想說時麼故事都很困難。如果是很大的區域，比方說，全馬州，那可能還勉強可以接受這樣的妥協，可是面積很小的郡也這樣做，就完全沒必要。
我第一次看這個實驗設計方法就看出來問題在哪裡（其實是因為局外者清，這也是跨行的優勢），點出來這個實驗設計的問題，問大家問什麼要這樣做？怎麼解決時間尺度解析度太差的問題？大家都說因為“以前都這樣做，因為XX局都這樣做”。
於是我跟一位環境研究中心的統計博士合作一個分析，模擬不同實驗設計產生的偏誤，證明我的看法是正確的，如果使用很多年才輪完一圈的實驗設計，不僅margin of error很大，而且加樣本也無法讓誤差下降到哪裡去。換句話說，如果不改變實驗設計，一直加錢加樣本也是完全浪費錢徒勞無功。
然後拿著這個研究結果去一一說服大家，改變環境監測的實驗設計。我舉的例子是，如果你去做年度體檢，結果醫生做的方式：今年看頭部，明年看右手，後年看左手，大後年看右腳，最後一年看左腳，然後合起來給你一個五年全身健康報告，你真的會覺得這個報告可以代表你這五年的健康情形嗎？
這個推動實驗設計改變的故事讓我得到當年的員工獎，也幫我拿到現在的數據相關的工作，回到大氣海洋署。
轉行的優勢2：不落窠臼
在大氣海洋署的漁業統計部門工作時，需要重新規劃樣本分配。要估計到底哪些地區的哪些人在哪些時間更有可能去釣魚。（真的很像算命的）原本做這個研究的員工待很久了，就用老方法，將分離岸遠中近，城市大中小，房子租或買…將各項數值去去建構 logistic regression model，結果不好。
我接手後，直覺有這麼多年的觀測的數據，建machine learning做適合不過了。所以就先用Random Forest + Boruta，客觀去看到底哪些因素重要，再用那些挑出來的因素訓練了各種ML models, 最後從快20多種不一樣的ML模型中挑一個表現最好的，再進一步進行優化。最後用這個調好的模型，去預測不同時間釣魚熱區的分佈，做為樣本分配的依據。我的部門(漁業科學辦公室統計組）幾乎都是漁業科學或數學背景出生，我的浮游動物背景是少數例外，其實跟魚很不熟
。
但因為還是比念純數的還是多了點生物背景知識，又沒有熟到都知道漁業科學慣例上都怎麼做，我的解法就比較不一樣，有時候反而可以解決一些用老方法解不出來的懸案。這不是因為我特別聰明，而是因為我比較沒有包袱。
英文有句俗諺說“a hammer sees everything as a nail”，指的就是因為專業謬誤, 習慣產生的盲點。這其實很難靠訓練來克服，但轉行/不同背景的人就會有優勢。
結論
美國人整體上沒有那麼學歷主義，如果你有實際工作經驗，還是會有很多機會。現在不是過去學校生產線生產畢業生，一個主修一個坑的年代，真的是條條大路通羅馬，就看你敢不敢跨過去。如果想轉行，不見得需要重唸一個學位，我反而會建議在現有工作上多累積相關技能的案例當你的作品集，上bootcamp或一些網路課程拿certificate做project也是很好的開始。最重要的是，勇敢的往你想去的方向邁出第一步，沒試試看怎麼知道喜不喜歡行不行呢？
