京公网安备 11010802034615号
经营许可证编号:京B2-20210330
数据行业新手、从业人员职业生涯提升计划
市场对于数据科学家的迫切需求使得众多IT专业人士开始认真考量这一前景可观的全新发展方向。
数据科学已经快速成为IT领域中一大炙手可热的职位选项。受到生产环境内结构化与非结构化数据以创纪录速度膨胀的积极推动,这一领域快速发展。不过,更为重要的是更为强大且成本低廉的数据科学工具的不断涌现,包括微软Excel到Python再到 Hadoop。这些足以帮助小型初创企业、大到谷歌及Amazon等网络巨头搞定自己面对的具体数据分析难题。
因此,数据科学已经成为专业人士不容忽视的一大全新发展机遇,并能够为其带来相当可观的薪酬水平。与其它早已成熟的传统技术不同(例如数据库管理),数据科学显然是一类全新领域。这意味着其具备更出色的开放性,而新晋专业人士亦乐于学习与之相关的各类新型技能。
岗位来自哪里——薪酬水平又是如何
粗略地浏览一遍领英上的相关信息,大家基本可以对数据科学拥有初步的市场需求感受。2016年1月,相关招聘帖数量高达 3500条,其职称范围从高级数据科学家到分析数据科学家乃至大数据工程师等等。相关雇主则包括网络领域的各大中坚力量,包括Amazon(70多个开放岗位)、博思艾伦(70个以上岗位)、彭博、甲骨文、美国商业银行以及Capital One等等。
对于那些能够在数据科学领域拿下一个职位的朋友们来说,亦有一份相当丰厚的薪酬等着他们。目前美国本土数据科学岗位的中位数薪酬为每年10万4千美元,O’Reilly Media公司在2015年数据科学薪酬调查报告当中指出。(PayScale亦表示加州地区拥有经验的数据科学家的年薪中位数在10万美元。)当然这只是开始,Robert Half Technology 2016薪酬指南报告称,2016年数据科学家的平均薪酬在10万9千美元到15万3750美元之间。旧金山湾区则是美国数据科学需求的核心地带,不过相关职位的需求亦可谓遍地开花。目前在纽约、波士顿以及华盛顿特区等城市亦出现了旺盛的数据科学人才需求。
六位数的可观薪酬再加上惊人的开放岗位数量,已经促使相当一部分企业将人才物色的目光投向了本地之外。除此之外,也有相当一部分大学及专业协会提供相对应的教育计划,旨在帮助具备数据分析能力的其他专业人士顺利进入这一领域。
雇主们有何需求
微软公司在业内一直以强大的产品盈利能力与可观的研发投入而著称。为了保障自身研发实力,微软方面正在积极吸纳数据科学家与机器学习专家。根据领英上的相关信息,微软公司目前拥有超过400位与数据科学相关之员工,其中一部分员工拥有博士学位。微软公司亦在努力通过校园招聘招徕经验丰富的数据科学专业人员。微软公司招聘人员Robin McMahon谈到了她眼中微软提供的数据科学从业者发展机遇:
“现在为微软公司招聘数据科学家确实相当令人兴奋,因为候选人往往有机会在面试中涉及多个不同部门,”McMahon解释道,她一直在专注于招聘数据科学与机器学习专家。微软公司的数据科学家们正着手构建多种不同产品,包括Azure、Xbox与Bing。
“我们对于各类技能以及数据科学教育及从业背景很感兴趣,”McMahon解释称。“发表过数据科学相关论文能够帮助大家在候选者当中脱颖而出,”她补充道。微软公司会定期向Strata大会派遣招聘人员,从而帮助这一领域补充新鲜血液。虽然拥有计算机科学学位能够更好,但不具备也没关系。McMahon甚至遇到过几位来自生物信息或者其它信息学领域的专业人员,最终他们都成功进入了微软公司。
即使是那些不具备数据科学或者信息学正规教育背景的候选者也能够拥有这样的全新职业生涯——只需要一点激情与耐性。
“自学与对数据科学的热情可以说是数据科学专业人士的关键性素质,”电子商务企业Instacart公司数据科学副总裁 Jeremy Stanley强调称——这是一家专门提供个性化购物与送货服务的企业。“我更倾向于提供现成的挑战供候选者们解决,而不是单纯着眼于其简历内容,”Stanley补充称。“我高度关注候选者们解决问题的能力及其代码编写质量。”
Instacart公司的招聘流程包含可带走的测试内容以及与团队协作解决的问题,Stanley告诉我们。
除了数学与计算机科学知识,Stanley认为数据科学专业人士还应当着眼于客户与产品对数据影响能力加以考量。“这种能够提出正确问题并不断进行针对性学习的能力能够切实帮助数据科学家们成功扮演现有角色并拿到潜在工作岗位,”
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