
作者Ian Xiao,德勤营销与人工智能实践.
大约在这座城市因新冠肺炎而被封锁的3周前,我和一个朋友坐在多伦多市中心我们最喜欢的泰国餐馆里。
“我应该留在数据科学吗?如果没有,我下一步该怎么办?“我的朋友问。
就像采集的声音和餐厅新鲜食物的气味一样,如何进入数据科学的问题现在似乎有点遥远。事实上,你可以在Google上找到大约30亿个结果,其中有一个非常具体的步骤指南(只有大约20亿个关于“如何赚钱”的结果)。
然而,我朋友的问题挥之不去。在内心深处,这种紧张关系是由两个因素驱动的:1)数据科学的期望与现实--它可能比我们预期的更可怕;2)角色与我们的愿望。
那么,有哪些选择呢?
要知道我们想去哪里,你必须知道我们在哪里。为了更好地了解其他选择,我们中的许多人可能会转向“什么是数据科学?”这个问题,如果你用谷歌搜索这个短语,我们可能会遇到这样的问题:
这种分类是有意义的,但它并没有真正捕捉到日常工作和公司性质的现实和细微差别。这两个因素在我们做出专业决策时可以说是最重要的。
对此有一个更好的思考方式。因此,让我向您展示数据科学家的原型。
在我们开始之前,考虑一下我的背景和旅程是很重要的,这样你就可以根据自己的现实和限制来翻译我的见解。
简而言之,,我通过为大型企业提供咨询、与许多类型的数据科学家交朋友,以及在最终被收购的AI初创企业开发ML产品,见证了数据科学的发展。
我的观点只是一个数据点(希望它是有用的和独特的),所以你要注意其他人的。
那么,什么是数据科学?它取决于公司的规模(企业或初创企业)和角色的主要责任(面向客户或专注于内部)。
当你面试一个数据科学的角色时,尽管有头衔和工作描述,很可能属于以下四个过于简化和主观标记的组之一。
如何使用它?原型向您展示了各种可能性。它可以让你看到你现在在哪里,以及什么是立即的选择。对于有抱负的数据科学家来说,你可以用这个来计算你最好的起点。
接下来,您可能会问:我如何知道新角色是否更适合我?
为了帮助您做出决定,下面是每个角色的一些优点和缺点。此外,我将讨论可能最适合的人才简介。当然,这些都有些主观:对我有利的事情可能对你不利。总有例外。所以做出你自己的判断。
注意:
在全球咨询公司或大型技术公司的专业服务部门(如德勤、麦肯锡、埃森哲、谷歌、IBM等)提供数据科学服务
The good:关于解决问题和如何高效工作的非常好的培训。做非常“重要的事情”,因为客户为结果支付了很高的费用。每个项目都可以是不同的,以防你感到无聊或沮丧。非常明确的晋升途径和要求(例如,从分析师、经理到合作伙伴)。接触高级管理人员,早期职业生涯中广泛的话题,以及许多雄心勃勃的人。
坏的:商业价值超过一切(例如,科学创新和酷算法)。所有资历都要求工作时间。有些公司可能不会考虑让数据科学家进入传统的伙伴关系轨道(你可能会觉得自己被边缘化了,但别担心,大多数人都非常尊重数据科学家)。很多阿尔法人格。
最适合:业务导向型的人,受过一定的技术培训,渴望在大公司里经营自己的“小企业”。刚起步的学生,寻找导师,想学最好的灵歌,不介意真的很努力。
在专注于人工智能的初创企业或中型公司(如Dessa、Element AI、H2O、Cloudera、Palantir)担任技术销售或项目负责人。
好的:您可以处理一些前沿的用例,因为客户通常希望您进行创新,而不是交付(无聊的)长期、大规模的转换项目。在重要的战略和产品决策上有更大的发言权。要敏捷,要创新。
不好的:有些客户可能不信任你的大型项目(例如,获得更多预算),这是“灵活和创新”的另一面。为了赢得客户的信任,可能需要做大量的“免费”工作。与大公司相比,后台支持更少。产品愿景可能会受到投资者(如果你找错了风投)或沉没成本心态的影响,而不是真正的市场需求。
最适合:那些希望在早期与公司一起成长,实现创业梦想,并且已经拥有坚实的业务网络、领域专长和/或声誉的人。对新手来说不好,因为你需要开始跑步。
具有软件和/或ML背景的人,他们在人工智能产品公司从事工程工作,构建IP、演示和支持销售电话。
好的:研究有趣和实际的问题,而不必处理太多的客户政治问题。短期项目。以“内部用户”的身份影响或定义产品应该如何设计。为客户或内部建立酷的东西。
坏的:可能被拉入面向客户机或用户的角色,这会在竞争优先级和时间管理方面造成紧张。很难在“尖端”和“立即实用”之间找到正确的平衡点。可能会被卷入没完没了的客户支持工作中。
最适合:以产品为导向,以工程为重点,但有时很笨拙的人。在某些技术堆栈或工作流程方面具有领域专长的经验丰富的专业人员。学生有一个开放和好奇的头脑,喜欢技术挑战,并能完成。
好吧,家庭可能很复杂,所以这个群体需要分成两部分:无名英雄和超级极客。
4.1-无名英雄
来自企业内部传统BI、分析和建模组的人员。他们主要从事业务或职能(例如,营销、风险、财务等)。在这个术语被创造出来之前,他们是数据科学家。
好的:非常专注的工作。接近真实的商业运作。具有访问唯一数据集的权限。有机会使用可运作的大型基础设施。很好的工作和生活平衡。有做出投资决定的影响力或权力。
不好的:事情在(大多数)时候都是缓慢和无聊的。经常得不到21世纪最性感工作的认可。内部政治。缓慢的(呃)事业轨迹。被锁定在某些角色或项目中。
最适合:在生活中找到自己的激情或喜欢在特定领域投入时间的人。不在乎炒作的人。有耐心和韧性的人。
4.2-超级极客
数据科学界“金童”的刻板印象。在主要公司从事研发工作的人,如谷歌大脑/DeepMind、Facebook's Fail、Uber和沃尔玛Research等。
好的:研究非常智力的主题。访问唯一的数据集和问题。能够用大公司的资源突破极限。得到很多认可和赞扬。
不好的:必须展示“业务价值”的强烈压力。业务优先级会限制或影响研究主题。如果研究证明有价值,可能会被吸进“无聊”的实施中。
最适合:学术。对学术研究和教育背景有很强品味的工程师。希望发表文章并获得一些行业曝光率的研究生。
数据分析咨询请扫描二维码
若不方便扫码,搜微信号:CDAshujufenxi
数据清洗工具全景指南:从入门到进阶的实操路径 在数据驱动决策的链条中,“数据清洗” 是决定后续分析与建模有效性的 “第一道 ...
2025-08-29机器学习中的参数优化:以预测结果为核心的闭环调优路径 在机器学习模型落地中,“参数” 是连接 “数据” 与 “预测结果” 的关 ...
2025-08-29CDA 数据分析与量化策略分析流程:协同落地数据驱动价值 在数据驱动决策的实践中,“流程” 是确保价值落地的核心骨架 ——CDA ...
2025-08-29CDA含金量分析 在数字经济与人工智能深度融合的时代,数据驱动决策已成为企业核心竞争力的关键要素。CDA(Certified Data Analys ...
2025-08-28CDA认证:数据时代的职业通行证 当海通证券的交易大厅里闪烁的屏幕实时跳动着市场数据,当苏州银行的数字金融部连夜部署新的风控 ...
2025-08-28PCU:游戏运营的 “实时晴雨表”—— 从数据监控到运营决策的落地指南 在游戏行业,DAU(日活跃用户)、MAU(月活跃用户)是衡量 ...
2025-08-28Excel 聚类分析:零代码实现数据分群,赋能中小团队业务决策 在数字化转型中,“数据分群” 是企业理解用户、优化运营的核心手段 ...
2025-08-28CDA 数据分析师:数字化时代数据思维的践行者与价值推动者 当数字经济成为全球经济增长的核心引擎,数据已从 “辅助性信息” 跃 ...
2025-08-28ALTER 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