
当你在网上搜索时,大多数人都建议你在初级水平上呆上几年,然后再考虑转型或转到其他角色。与初级、中级和高级数据科学家相比,经验水平是有区别的。本文将介绍对所有工作角色的期望,以及向上爬的要求。
你是什么水平?
大多数人都会看数据科学家的技能、经验年限、教育水平、专业知识、管理技能等等。如何区分不同级别的数据科学家的区别,一个很好的理解是,你可以让数据科学家独自完成/处理一项任务多长时间,而不需要对他们进行检查。
用 "你可以让一个人独自完成/处理一项任务而不需要签到的时间有多长?"这个比喻,我们可以把不同的级别划分如下。:
- 初级数据科学家。你通常会每天签到,或者一天两次。他们将与中级和高级数据科学家进行大量的配对编程。
- 中级数据科学家。你将每周或每月检查几次,但是,他们应该有能力。他们还将与高级数据科学家进行配对编程,并在需要时为初级数据科学家提供建议和指导。
- 高级数据科学家。不需要向他们报到,因为他们完全有能力自己处理这个任务。
虽然人们的经验和技能水平很重要,但一个人拥有的知识和经验水平才是能够完成任务的关键。一个初级数据科学家可能会达到一个受阻的地步,并且不知道如何去克服它,而不去咨询高层。中级数据科学家也可能面临困难,但是,他们会更好地掌握如何自己克服困难。而高级数据科学家有足够的经验,能够把事情做好。即使这包括聘请专家或研究人员,他们也知道完成一个项目需要什么。
如果你正在寻找一份高级工作,问问自己 "别人可以让我独自完成/处理一项任务而不检查多久"。你必须对自己完全诚实,否则你将为自己的失败埋下隐患。我并不是说你不能设定目标,不能努力成为最伟大的人。我是说对你目前的经验水平要现实,以帮助你找到正确的角色,并在此基础上不断发展。
如何从初级到中级到高级?
这是一年的开始,我们都在记下我们的计划;与职业或个人有关。我们都在努力实现我们今年的目标。对于所有的数据科学家来说,这里有一些建议,告诉你如何在事业上取得进展,在阶梯上攀升,增加你的收入。
独立性
反思一下 "你能让一个人独自完成/处理一项任务而不检查的时间有多长?"这个问题,这都是基于独立的态度。由于缺乏经验和技能,年轻人往往会问更多的问题,而老年人有能力根据过去的经验做出决定。
这不应该吓到你,让你不敢问问题。问问题没有错,这是你学习的方式。如果你不犯错误,你就不需要经历学习过程,你将永远停滞不前。然而,不要每次都依赖你的同事和高级职员来指导你。当你有问题时,避免直接去找他们,试着自己去想办法。当你明白如何解决这个问题时,你会有一种成就感。如果你不确定你的解决方案,请询问你的经理的意见。他们会感谢你带着解决方案来找他们,而不仅仅是一个问题。
让自己处于不舒服的位置
当你在阴沟里的时候,许多伟大的事情发生了。你把自己从一个不舒服的、不熟悉的洞里爬出来。初中生通常从事较容易的工作,有时非常重复和无聊。如果你觉得自己已经准备好了,就向你的经理提出更具挑战性的任务,以学习和增长你的分析能力。
如果你成功地完成了任务,你的经理或高级数据科学家会认识到这一点,并为你推动晋升。
开始像高级人员那样思考
高级数据科学家可以单独处理任务,这不仅是因为他们的经验水平,而且还因为他们对企业目标的理解。大多数初级数据科学家的任务是孤立的,完成任务的过程不会比它是一个请求更进一步。通过更好地掌握企业的短期和长期目标,能够放眼全局,这将改善你在处理请求或试图解决一个问题时的思维方式。
高级数据科学家不仅根据他们的经验,而且还根据公司的需求做出决定,以帮助公司发展。学习高级数据科学家如何通过结对编程、每周团队建设或1-1的方式来接近和处理问题,将使你进入高级数据科学家的思维模式。
沟通与管理
这些是中级或高级数据科学家的主要软技能,因为他们会经常被要求提供建议、指导和帮助理解一个问题。除了数据团队的其他成员和他们的经理之外,许多初级数据科学家并不需要与许多同事交谈。
作为一名高级数据科学家,能够管理一个数据团队需要良好的沟通和管理技能,以确保业务的顺利进行。如果由高级数据科学家管理的项目出现问题,无论任务是否由他/她完成;他们仍然要承担责任。高级数据科学家应该提高警惕,在错误呈现给利益相关者之前,找出错误。
如果高级人员缺乏沟通,他/她的操作就会崩溃,很快就会意识到由于他们的无能,工作量会落到他们身上。与其要向利益相关者解释为什么输出是错误的,或者为什么做出了错误的决定,不如与你的数据团队进行管理和沟通以避免这些问题才是更好的解决办法。
反馈
“反馈是冠军的早餐。”
-Ken Blanchard
询问反馈是你自我提升的健康催化剂;无论是个人还是与职业相关的。向你的经理询问你的长处和短处,将帮助你了解什么对你有用,什么你需要改进。没有人是完美的,我们总是有办法让自己变得更好。优秀的球员希望被告知真相,因为他们想继续赢下去!"。
我希望这篇文章能帮助你了解你所处的水平,以及你需要做什么来达到下一个水平。我祝愿你在你的旅程中一切顺利!
数据分析咨询请扫描二维码
若不方便扫码,搜微信号:CDAshujufenxi
ALTER TABLE ADD 多个 INDEX:数据库批量索引优化的高效实践 在数据库运维与性能优化中,索引是提升查询效率的核心手段。当业务 ...
2025-08-27Power BI 去重函数:数据清洗与精准分析的核心工具 在企业数据分析流程中,数据质量直接决定分析结果的可靠性。Power BI 作为主 ...
2025-08-27CDA 数据分析师:数据探索与统计分析的实践与价值 在数字化浪潮席卷各行业的当下,数据已成为企业核心资产,而 CDA(Certif ...
2025-08-27t 检验与 Wilcoxon 检验:数据差异比较的两大统计利器 在数据分析中,“比较差异” 是核心需求之一 —— 如新药疗效是否优于旧药 ...
2025-08-26季节性分解外推法:解锁时间序列预测的规律密码 在商业决策、资源调度、政策制定等领域,准确的预测是规避风险、提升效率的关键 ...
2025-08-26CDA 数据分析师:数据治理驱动下的企业数据价值守护者 在数字经济时代,数据已成为企业核心战略资产,其价值的释放离不开高 ...
2025-08-26基于 SPSS 的 ROC 曲线平滑调整方法与实践指南 摘要 受试者工作特征曲线(ROC 曲线)是评估诊断模型或预测指标效能的核心工具, ...
2025-08-25神经网络隐藏层神经元个数的确定方法与实践 摘要 在神经网络模型设计中,隐藏层神经元个数的确定是影响模型性能、训练效率与泛 ...
2025-08-25CDA 数据分析师与数据思维:驱动企业管理升级的核心力量 在数字化浪潮席卷全球的当下,数据已成为企业继人力、物力、财力之后的 ...
2025-08-25CDA数据分析师与数据指标:基础概念与协同逻辑 一、CDA 数据分析师:数据驱动时代的核心角色 1.1 定义与行业价值 CDA(Certified ...
2025-08-22Power Query 移动加权平均计算 Power Query 移动加权平均设置全解析:从原理到实战 一、移动加权平均法的核心逻辑 移动加权平均 ...
2025-08-22描述性统计:CDA数据分析师的基础核心与实践应用 一、描述性统计的定位:CDA 认证的 “入门基石” 在 CDA(Certified Data Analy ...
2025-08-22基于 Python response.text 的科技新闻数据清洗去噪实践 在通过 Python requests 库的 response.text 获取 API 数据后,原始数据 ...
2025-08-21基于 Python response.text 的科技新闻综述 在 Python 网络爬虫与 API 调用场景中,response.text 是 requests 库发起请求后获取 ...
2025-08-21数据治理新浪潮:CDA 数据分析师的战略价值与驱动逻辑 一、数据治理的多维驱动引擎 在数字经济与人工智能深度融合的时代,数据治 ...
2025-08-21Power BI 热力地图制作指南:从数据准备到实战分析 在数据可视化领域,热力地图凭借 “直观呈现数据密度与分布趋势” 的核心优势 ...
2025-08-20PyTorch 矩阵运算加速库:从原理到实践的全面解析 在深度学习领域,矩阵运算堪称 “计算基石”。无论是卷积神经网络(CNN)中的 ...
2025-08-20数据建模:CDA 数据分析师的核心驱动力 在数字经济浪潮中,数据已成为企业决策的核心资产。CDA(Certified Data Analyst)数据分 ...
2025-08-20KS 曲线不光滑:模型评估的隐形陷阱,从原因到破局的全指南 在分类模型(如风控违约预测、电商用户流失预警、医疗疾病诊断)的评 ...
2025-08-20偏态分布:揭开数据背后的非对称真相,赋能精准决策 在数据分析的世界里,“正态分布” 常被视为 “理想模型”—— 数据围绕均值 ...
2025-08-19