京公网安备 11010802034615号
经营许可证编号:京B2-20210330
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
在数字化运营中,“凭感觉做决策” 早已成为过去式 —— 运营指标作为业务增长的 “晴雨表” 与 “导航仪”,直接决定了运营动作 ...
2025-10-24在卷积神经网络(CNN)的训练中,“卷积层(Conv)后是否添加归一化(如 BN、LN)和激活函数(如 ReLU、GELU)” 是每个开发者都 ...
2025-10-24在数据决策链条中,“统计分析” 是挖掘数据规律的核心,“可视化” 是呈现规律的桥梁 ——CDA(Certified Data Analyst)数据分 ...
2025-10-24在 “神经网络与卡尔曼滤波融合” 的理论基础上,Python 凭借其丰富的科学计算库(NumPy、FilterPy)、深度学习框架(PyTorch、T ...
2025-10-23在工业控制、自动驾驶、机器人导航、气象预测等领域,“状态估计” 是核心任务 —— 即从含噪声的观测数据中,精准推断系统的真 ...
2025-10-23在数据分析全流程中,“数据清洗” 恰似烹饪前的食材处理:若食材(数据)腐烂变质、混杂异物(脏数据),即便拥有精湛的烹饪技 ...
2025-10-23在人工智能领域,“大模型” 已成为近年来的热点标签:从参数超 1750 亿的 GPT-3,到万亿级参数的 PaLM,再到多模态大模型 GPT-4 ...
2025-10-22在 MySQL 数据库的日常运维与开发中,“更新数据是否会影响读数据” 是一个高频疑问。这个问题的答案并非简单的 “是” 或 “否 ...
2025-10-22在企业数据分析中,“数据孤岛” 是制约分析深度的核心瓶颈 —— 用户数据散落在注册系统、APP 日志、客服记录中,订单数据分散 ...
2025-10-22在神经网络设计中,“隐藏层个数” 是决定模型能力的关键参数 —— 太少会导致 “欠拟合”(模型无法捕捉复杂数据规律,如用单隐 ...
2025-10-21在特征工程流程中,“单变量筛选” 是承上启下的关键步骤 —— 它通过分析单个特征与目标变量的关联强度,剔除无意义、冗余的特 ...
2025-10-21在数据分析全流程中,“数据读取” 常被误解为 “简单的文件打开”—— 双击 Excel、执行基础 SQL 查询即可完成。但对 CDA(Cert ...
2025-10-21在实际业务数据分析中,我们遇到的大多数数据并非理想的正态分布 —— 电商平台的用户消费金额(少数用户单次消费上万元,多数集 ...
2025-10-20在数字化交互中,用户的每一次操作 —— 从电商平台的 “浏览商品→加入购物车→查看评价→放弃下单”,到内容 APP 的 “点击短 ...
2025-10-20在数据分析的全流程中,“数据采集” 是最基础也最关键的环节 —— 如同烹饪前需备好新鲜食材,若采集的数据不完整、不准确或不 ...
2025-10-20在数据成为新时代“石油”的今天,几乎每个职场人都在焦虑: “为什么别人能用数据驱动决策、升职加薪,而我面对Excel表格却无从 ...
2025-10-18数据清洗是 “数据价值挖掘的前置关卡”—— 其核心目标是 “去除噪声、修正错误、规范格式”,但前提是不破坏数据的真实业务含 ...
2025-10-17在数据汇总分析中,透视表凭借灵活的字段重组能力成为核心工具,但原始透视表仅能呈现数值结果,缺乏对数据背景、异常原因或业务 ...
2025-10-17在企业管理中,“凭经验定策略” 的传统模式正逐渐失效 —— 金融机构靠 “研究员主观判断” 选股可能错失收益,电商靠 “运营拍 ...
2025-10-17在数据库日常操作中,INSERT INTO SELECT是实现 “批量数据迁移” 的核心 SQL 语句 —— 它能直接将一个表(或查询结果集)的数 ...
2025-10-16