京公网安备 11010802034615号
经营许可证编号:京B2-20210330
由数据科学家米斯拉·图尔普
作为一名资深数据科学家被视为一种圣杯,尽管许多人并不知道担任一个高级职位的真正含义。最常见的印象是,作为一名资深数据科学家意味着你知道关于数据科学的一切,你是一名真正的专家。这是真的,但只是在一定程度上,因为数据科学中的收入永远不会结束。此外,作为一名资深数据科学家,不仅仅是技术知识,还有很多东西要做。
你可能会想,是的,但我为什么要关心呢?我相信了解数据科学家遵循的标准路径是很重要的,这样你就可以更明智地决定你想走哪条路。简单地说,你了解的越多,就越容易在两家公司、两个职位或两个项目之间做出选择。
[参加免费数据科学入门迷你课程,可以更好地了解什么是数据科学,它如何在更大的人工智能世界中定位,以及对学习有什么要求。]
让我们来看看数据科学家平时的职业是什么样子。
背景
作为一名初级数据科学家,对你的期望是拥有基本的数据科学知识。你的能力应该足以独自完成你的任务,或者在更资深的同事的帮助下完成任务。在这个时间点上,你不会有太多专业的动手经验。
学习
你应该对学习持开放态度,不要害怕问很多问题。更多的资深同事会很乐意帮助你学习。作为一名初级数据科学家,如果你每天都学到一些新东西,这并不奇怪。
项目
你的主要责任将是分配给你的任务。你会在遇到问题时得到更资深数据科学家的协助。除了您的技术能力之外,您还需要很好地理解与您的特定任务相关的领域的各个部分。
在初级数据科学家之后,您可能会处于一个过渡角色,在这个角色中,您将被简单地称为:数据科学家。
背景
在这一点上,您对数据科学的主要概念和技术的知识必须是扎实的。虽然这并不意味着你已经知道了一切。相反,它意味着你知道很多事情,你也知道你不知道的。你可能已经在这个级别上获得了一些很好的实践经验。
学习
学习永远不会结束,所以你仍然对新的想法和方法持开放态度。你仍然会问很多问题,但你也会被别人问到问题。初级同事带着他们的问题来找你。你仍然学习新的东西,也许不是每天,而是每隔一个月。您试图更深入地了解某些技术和工具。
项目
您是项目决策过程的一部分。你对项目的背景有一个很好的整体理解,但你仍然不需要知道比你需要做你的工作更多的东西。
然后是高级数据科学家的职位。在这一点上,您基本上是数据科学家的一切,具有一些额外的能力和责任。让我们看看它们是什么。
背景
您对主要概念和技术有坚实的理解,也对它们的陷阱有更深的了解。你在从事项目时获得了这些知识。现在你有了扎实的实践经验。
学习
因为你已经掌握了基本概念,所以你更容易学习更高级的主题。你仍然对学习持开放态度。教和支持更多的初级同事是你工作的一部分。
项目
你是项目的领导者。你不仅是决策过程的一部分,而且你领导着它。项目的成功是你的责任,在许多情况下,也是你团队成员的幸福。在领导项目的同时,你还需要与外界沟通。向业务方汇报是你的责任。在项目中工作时,您需要记住非技术约束,并确保将技术团队推向正确的方向。您必须对上下文和域有一个整体和完整的理解。保持目标和交付是你的责任。
当然,这并不是世界上每个公司的每个数据科学家的职业生涯都是这样的。此外,你可能是一个自由数据科学家,或者你可能创办你的公司,成为一个CTO,那么你的道路看起来会非常不同。但总的来说,从我和数据科学界的人交谈所学到的,这是一个普通数据科学家职业道路的很好的表现。
我们今天研究这个问题的原因是,每家公司都有自己的结构,自己的规则和自己的道路,当你得到选择时,你想知道该选择哪一个。有些人会倾向于更多的技术工作,因为你得到了更高的职位,有些人会倾向于更多的管理和行政工作。你可以用这篇文章中的解释作为一个基线,来找出你在旅途的高级阶段想要达到的位置,并相应地校准你的求职。当然,计划和偏好会随着时间而改变。但是,有一个想法,你想在哪里结束比盲目地进入它要好。
数据分析咨询请扫描二维码
若不方便扫码,搜微信号:CDAshujufenxi
【核心关键词】大数据、可视化、存储、架构、客户、离线、产品、同步、实时、数据仓库、数据分析、数据可视化、存储数据、离线 ...
2026-05-21在电商流量红利消退、公域获客成本持续走高的当下,存量用户深度挖掘已成为店铺增收增效的核心抓手。相较于付费投放获取的陌生新 ...
2026-05-21 很多数据分析师每天盯着几十个指标,但当被问到“这套指标要支撑什么业务目标”“指标之间是什么逻辑关系”“业务变化时如何 ...
2026-05-21在数据驱动决策的时代,数据质量直接决定分析结果的可靠性与准确性,而异常值作为数据清洗中的核心痛点,往往会扭曲分析结论、误 ...
2026-05-20 很多数据分析师每天盯着GMV、DAU、转化率,但当被问到“哪些指标在所有行业都适用”“哪些指标只对电商有意义”“二者如何搭 ...
2026-05-20Agent的能力边界,很大程度上取决于其掌握的Skill质量和数量。传统做法是靠人工编写和维护Skill,但这条路很快会遇到瓶颈。业务 ...
2026-05-20在统计分析中,方差分析(ANOVA)是一种常用的假设检验方法,核心用于分析“一个或多个自变量对单个因变量的影响”,广泛应用于 ...
2026-05-19 很多数据分析师每天盯着GMV、DAU、转化率,但当被问到“什么是指标”“指标和维度有什么区别”“如何定义指标值的计算规则和 ...
2026-05-19想高效备考 CDA 一级,拒绝盲目刷题、冗余学习?《CDA 一级教材知识手册》重磅来袭!以官方教材为核心,浓缩 13 章 103 个核心考 ...
2026-05-19在数据统计分析中,卡方检验是一种常用的非参数检验方法,核心用于判断两个或多个分类变量之间是否存在显著关联,广泛应用于市场 ...
2026-05-18在企业数字化转型的浪潮中,很多企业陷入了“技术堆砌”的误区——上线了ERP、CRM、BI等各类系统,积累了海量数据,却依然面临“ ...
2026-05-18小陈是某电商平台的数据分析师。老板交给他一个任务:“我们平台的注册用户已经突破1000万了,想了解一下用户的平均月消费金额。 ...
2026-05-18【专访摘要】本次CDA持证专访邀请到拥有丰富物流供应链数据分析经验的赖尧,他结合自身在京东、华莱士、兰格赛等企业的从业经历 ...
2026-05-15在数字化时代,企业的每一次业务优化、每一项技术迭代,都需要回答一个核心问题:这个动作到底能带来多少价值?是提升了用户转化 ...
2026-05-15在数据仓库建设中,事实表与维度表是两大核心组件,二者相互关联、缺一不可,共同构成数据仓库的基础架构。事实表聚焦“发生了什 ...
2026-05-15 很多数据分析师沉迷于复杂的机器学习算法,却忽略了数据分析最基础也最核心的能力——描述性统计。事实上,80%的商业分析问 ...
2026-05-15【核心关键词】互联网、机会、运营、关键词、账户、数字化、后台、客户、成本、网络、数据分析、底层逻辑、市场推广、数据反馈 ...
2026-05-14在Python数据分析中,Pandas作为核心工具库,凭借简洁高效的数据处理能力,成为数据分析从业者的必备技能。其中,基于两列(或多 ...
2026-05-14 很多人把统计学理解为“一堆公式和计算”,却忽略了它的本质——一门让数据“开口说话”的科学。真正的数据分析高手,不是会 ...
2026-05-14在零售行业存量竞争日趋激烈的当下,客户流失已成为侵蚀企业利润的“隐形杀手”——据行业数据显示,零售企业平均客户流失率高达 ...
2026-05-13