
当你在网上搜索时,大多数人建议你在考虑过渡或转移到另一个角色之前,先在初级职位上呆几年。与初级、中级和高级数据科学家相比,经验水平存在差异。本文将介绍对所有工作角色的期望,以及晋升所需的条件。
大多数人会看数据科学家的技能、多年经验、教育水平、专业知识、管理技能等等。要很好地理解如何区分不同级别的数据科学家之间的差异,就要理解您可以让数据科学家独自完成/处理一项任务多长时间,而不必查看他们。
使用“你可以让某人独自完成/处理一项任务多长时间而不签入?”的类比,我们可以将不同的级别划分如下:
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能把事情做好。一个初级数据科学家可能会在没有咨询高级数据科学家的情况下达到一个被阻止的地步,并且不知道如何克服它。一个中等水平的数据科学家也可能面临困难,然而,他们会更好地掌握如何独自克服它。而一个资深的数据科学家有足够的经验来完成事情。即使这包括雇佣专家或研究人员,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“有人能让我独自一人在不报到的情况下完成/处理一项任务多久”。你必须对自己完全诚实,否则你就会失败。我不是说你不能设定目标,努力成为你能成为的最伟大的人。我是说,现实地对待你目前的经验水平,以帮助你找到正确的角色,并从那里不断发展。
这是一年的开始,我们都在记下我们的计划;事业或个人相关。我们都在努力打破我们今年的目标。对于所有的数据科学家,这里有一些建议,告诉你如何进步你的职业生涯,爬上阶梯,增加你的收入。
反思“你能让某人独自完成/处理一项任务多久?”这个问题,这一切都是基于独立。由于缺乏经验和技能,低年级学生往往会问更多的问题,而高年级学生有能力根据过去的经验做出决定。
这应该不会吓到你问问题。问问题没有错,那是你学习的方式。如果你不犯错误,你就不必经历一个学习过程,你就永远停滞不前。但是,不要每次都依赖于你的同事和高级职员来指挥你。当你有问题时,不要马上去找他们,试着自己去解决。当你明白如何修复问题时,你会感到一种成就感。如果你不确定你的解决方案,向你的经理征求他/她的意见。他们会感激你带着一个解决方案来找他们,而不仅仅是一个问题。
当你在阴沟里的时候,很多伟大的事情都会发生。你从一个不舒服和陌生的洞里爬出来。低年级学生通常从事较容易的工作,有时非常重复和无聊。如果你觉得你已经准备好了,向你的经理要求更有挑战性的任务,以学习和提高你的分析技能。
如果你成功地完成了任务,你的经理或资深数据科学家会意识到这一点,并为你推升职位。
资深数据科学家能够独自处理任务,这不仅是因为他们的经验水平,也是因为他们对业务目标的理解。大多数初级数据科学家的任务是孤立的,完成任务的过程并不比它是一个请求更进一步。能够通过更好地把握企业的短期和长期目标来看待更大的图景,这将改善你在处理请求或试图解决问题时的思维方式。
资深数据科学家不仅根据他们的经验,还根据公司的需要来做出决定,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's来处理和处理问题,将使您处于高级数据科学家的心态。
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、指导和帮助来理解一个问题。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不需要与许多同事交谈。
作为一名资深数据科学家,能够管理一个数据团队需要良好的沟通和管理技能,以确保操作顺利进行。如果一个由资深数据科学家管理的项目出现问题,无论该任务是否由他/她完成;他们仍然必须承担责任。高级数据科学家应该保持警惕,在将错误提交给利益相关者之前识别错误。
如果一个资深人士缺乏沟通,他/她的业务就会分崩离析,很快就会意识到由于他们的无能,工作量就会落在他们身上。与其向涉众解释为什么输出是错误的,或者为什么做出了错误的决定,更好的解决方案是与数据团队进行管理和沟通,以避免这些问题。
“反馈是冠军的早餐。”
--肯·布兰查德
要求反馈是你自我提升的健康催化剂;与个人或事业有关的。向你的经理询问你的优点和缺点会帮助你了解什么对你有效,什么是你需要改进的。没有人是完美的,我们总有办法让自己变得更好。伟大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,以及你需要做些什么才能达到下一个水平。祝你在旅途中一切顺利!
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在机器学习建模中,“参数” 是决定模型效果的关键变量 —— 无论是线性回归的系数、随机森林的树深度,还是神经网络的权重,这 ...
2025-10-16在数字化浪潮中,“数据” 已从 “辅助决策的工具” 升级为 “驱动业务的核心资产”—— 电商平台靠用户行为数据优化推荐算法, ...
2025-10-16在大模型从实验室走向生产环境的过程中,“稳定性” 是决定其能否实用的关键 —— 一个在单轮测试中表现优异的模型,若在高并发 ...
2025-10-15在机器学习入门领域,“鸢尾花数据集(Iris Dataset)” 是理解 “特征值” 与 “目标值” 的最佳案例 —— 它结构清晰、维度适 ...
2025-10-15在数据驱动的业务场景中,零散的指标(如 “GMV”“复购率”)就像 “散落的零件”,无法支撑系统性决策;而科学的指标体系,则 ...
2025-10-15在神经网络模型设计中,“隐藏层层数” 是决定模型能力与效率的核心参数之一 —— 层数过少,模型可能 “欠拟合”(无法捕捉数据 ...
2025-10-14在数字化浪潮中,数据分析师已成为企业 “从数据中挖掘价值” 的核心角色 —— 他们既要能从海量数据中提取有效信息,又要能将分 ...
2025-10-14在企业数据驱动的实践中,“指标混乱” 是最常见的痛点:运营部门说 “复购率 15%”,产品部门说 “复购率 8%”,实则是两者对 ...
2025-10-14在手游行业,“次日留存率” 是衡量一款游戏生死的 “第一道关卡”—— 它不仅反映了玩家对游戏的初始接受度,更直接决定了后续 ...
2025-10-13