一开始，我们公司招聘了两个数据挖掘岗，其中一个满嘴名词乱飞，spark，storm，什么的，整天对业务指手画脚，大家也对他充满误解，整天让他拉数据，试图证明自己的各种歪曲观点。另一个很闷，真的整天只会搞搞算法，做些无足轻重的研究。这两个人这么耗了9个月，可是说基本产出为0。

后来，老板感受到了大数据的故事性，以及背后切实的价值，下大决心要组建大数据团队，委托我招聘，一期他给了20个数据挖掘岗的指标。而我是后台开发工程师。我硬着头皮开始招聘。

招过毕业生，也有有工作经验的。从去年12月，到今年2月，有四个加一个实习入职了。基本上按照常规模式在那里工作，直到3月，我被认命背负业务指标，指导大数据从事生产，他们向我汇报。

我按照自己想法，给了最基本的拟合类训练任务，要一个最最简单的分类器。并且限期完成，发动大量工程师帮助他们处理数据，理解业务。

到四月开始产出，我把结果直接投入生产。这让他们感到了工作的意义。

在这个过程中，我发现，真正的困难不在学术层面。工程才是最大的问题。于是开始着手解决大数据的工程问题。在我建议下，老板答应花高价聘用了一位大数据工程师，背景主要在大互联网团队从事大数据基础架构开发和运维。

然后，用比较便宜的价格，组建了etl团队。

至此，整个大数据事业基本纳入正轨。

故事讲完了，后面是一点感想。

1 工程问题是很大的问题，要最少3人建制团队解决基础架构和运维事宜。最少10台的中高配置云服务器。

2 科研型数据挖掘岗不必人很多，可以找纯学术的，也可以找纯商业的，比如偏运营，偏画像一类的。个人认为最多4个就够。贵精不贵多。也不必很贵，多数业务不用大牛。各类算法都很成熟了，愿意悉心研究业务，下沉心态，这样的人很难得，要珍惜。

3 etl蛮重要的，反倒不怎么贵，一开始要有2到4个。

整体感觉下来，一开工，就是10个人力的投入，对一般小公司来说，就是很大的开销了，非要有点决心才能狠下心来做。这个规模，已经可以做不少事情了。

现在，我的团队初具规模，已经可以有不少价值了，我要为他们头疼的是，怎么不断找到增长点，因为我知道，很多东西，很快会到瓶颈点，那时候的后路必须准备好。

--Update：

貌似不小心得罪了ETL工程师，很抱歉。每个工种都有高级，中级，初级的区别，目前我们按照比较初级的要求招聘的ETL工程师，感觉也够用了。可能后面会出现瓶颈也说不定，不是说这个工种就全部便宜，实在抱歉。其实，后台也好，前端也好，测试也好，都有贵有便宜，主要看岗位需求。

以上只是一种经历而已，并不一定就是正确的方案，写出来跟大家交流一下。而且事态也在发展，后续也可能会渐渐变化。