
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
机器学习解决实际问题的核心关键:从业务到落地的全流程解析 在人工智能技术落地的浪潮中,机器学习作为核心工具,已广泛应用于 ...
2025-09-09SPSS 编码状态区域中 Unicode 的功能与价值解析 在 SPSS(Statistical Product and Service Solutions,统计产品与服务解决方案 ...
2025-09-09CDA 数据分析师:驾驭商业数据分析流程的核心力量 在商业决策从 “经验驱动” 向 “数据驱动” 转型的过程中,商业数据分析总体 ...
2025-09-09R 语言:数据科学与科研领域的核心工具及优势解析 一、引言 在数据驱动决策的时代,无论是科研人员验证实验假设(如前文中的 T ...
2025-09-08T 检验在假设检验中的应用与实践 一、引言 在科研数据分析、医学实验验证、经济指标对比等领域,常常需要判断 “样本间的差异是 ...
2025-09-08在商业竞争日益激烈的当下,“用数据说话” 已从企业的 “加分项” 变为 “生存必需”。然而,零散的数据分析无法持续为业务赋能 ...
2025-09-08随机森林算法的核心特点:原理、优势与应用解析 在机器学习领域,随机森林(Random Forest)作为集成学习(Ensemble Learning) ...
2025-09-05Excel 区域名定义:从基础到进阶的高效应用指南 在 Excel 数据处理中,频繁引用单元格区域(如A2:A100、B3:D20)不仅容易出错, ...
2025-09-05CDA 数据分析师:以六大分析方法构建数据驱动业务的核心能力 在数据驱动决策成为企业共识的当下,CDA(Certified Data Analyst) ...
2025-09-05SQL 日期截取:从基础方法到业务实战的全维度解析 在数据处理与业务分析中,日期数据是连接 “业务行为” 与 “时间维度” 的核 ...
2025-09-04在卷积神经网络(CNN)的发展历程中,解决 “梯度消失”“特征复用不足”“模型参数冗余” 一直是核心命题。2017 年提出的密集连 ...
2025-09-04CDA 数据分析师:驾驭数据范式,释放数据价值 在数字化转型浪潮席卷全球的当下,数据已成为企业核心生产要素。而 CDA(Certified ...
2025-09-04K-Means 聚类:无监督学习中数据分群的核心算法 在数据分析领域,当我们面对海量无标签数据(如用户行为记录、商品属性数据、图 ...
2025-09-03特征值、特征向量与主成分:数据降维背后的线性代数逻辑 在机器学习、数据分析与信号处理领域,“降维” 是破解高维数据复杂性的 ...
2025-09-03CDA 数据分析师与数据分析:解锁数据价值的关键 在数字经济高速发展的今天,数据已成为企业核心资产与社会发展的重要驱动力。无 ...
2025-09-03解析 loss.backward ():深度学习中梯度汇总与同步的自动触发核心 在深度学习模型训练流程中,loss.backward()是连接 “前向计算 ...
2025-09-02要解答 “画 K-S 图时横轴是等距还是等频” 的问题,需先明确 K-S 图的核心用途(检验样本分布与理论分布的一致性),再结合横轴 ...
2025-09-02CDA 数据分析师:助力企业破解数据需求与数据分析需求难题 在数字化浪潮席卷全球的当下,数据已成为企业核心战略资产。无论是市 ...
2025-09-02Power BI 度量值实战:基于每月收入与税金占比计算累计税金分摊金额 在企业财务分析中,税金分摊是成本核算与利润统计的核心环节 ...
2025-09-01巧用 ALTER TABLE rent ADD INDEX:租房系统数据库性能优化实践 在租房管理系统中,rent表是核心业务表之一,通常存储租赁订单信 ...
2025-09-01