京公网安备 11010802034615号
经营许可证编号:京B2-20210330
当你在网上搜索时,大多数人都建议你在初级水平上呆上几年,然后再考虑转型或转到其他角色。与初级、中级和高级数据科学家相比,经验水平是有区别的。本文将介绍对所有工作角色的期望,以及向上爬的要求。
你是什么水平?
大多数人都会看数据科学家的技能、经验年限、教育水平、专业知识、管理技能等等。如何区分不同级别的数据科学家的区别,一个很好的理解是,你可以让数据科学家独自完成/处理一项任务多长时间,而不需要对他们进行检查。
用 "你可以让一个人独自完成/处理一项任务而不需要签到的时间有多长?"这个比喻,我们可以把不同的级别划分如下。:
- 初级数据科学家。你通常会每天签到,或者一天两次。他们将与中级和高级数据科学家进行大量的配对编程。
- 中级数据科学家。你将每周或每月检查几次,但是,他们应该有能力。他们还将与高级数据科学家进行配对编程,并在需要时为初级数据科学家提供建议和指导。
- 高级数据科学家。不需要向他们报到,因为他们完全有能力自己处理这个任务。
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是能够完成任务的关键。一个初级数据科学家可能会达到一个受阻的地步,并且不知道如何去克服它,而不去咨询高层。中级数据科学家也可能面临困难,但是,他们会更好地掌握如何自己克服困难。而高级数据科学家有足够的经验,能够把事情做好。即使这包括聘请专家或研究人员,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 "别人可以让我独自完成/处理一项任务而不检查多久"。你必须对自己完全诚实,否则你将为自己的失败埋下隐患。我并不是说你不能设定目标,不能努力成为最伟大的人。我是说对你目前的经验水平要现实,以帮助你找到正确的角色,并在此基础上不断发展。
如何从初级到中级到高级?
这是一年的开始,我们都在记下我们的计划;与职业或个人有关。我们都在努力实现我们今年的目标。对于所有的数据科学家来说,这里有一些建议,告诉你如何在事业上取得进展,在阶梯上攀升,增加你的收入。
独立性
反思一下 "你能让一个人独自完成/处理一项任务而不检查的时间有多长?"这个问题,这都是基于独立的态度。由于缺乏经验和技能,年轻人往往会问更多的问题,而老年人有能力根据过去的经验做出决定。
这不应该吓到你,让你不敢问问题。问问题没有错,这是你学习的方式。如果你不犯错误,你就不需要经历学习过程,你将永远停滞不前。然而,不要每次都依赖你的同事和高级职员来指导你。当你有问题时,避免直接去找他们,试着自己去想办法。当你明白如何解决这个问题时,你会有一种成就感。如果你不确定你的解决方案,请询问你的经理的意见。他们会感谢你带着解决方案来找他们,而不仅仅是一个问题。
让自己处于不舒服的位置
当你在阴沟里的时候,许多伟大的事情发生了。你把自己从一个不舒服的、不熟悉的洞里爬出来。初中生通常从事较容易的工作,有时非常重复和无聊。如果你觉得自己已经准备好了,就向你的经理提出更具挑战性的任务,以学习和增长你的分析能力。
如果你成功地完成了任务,你的经理或高级数据科学家会认识到这一点,并为你推动晋升。
开始像高级人员那样思考
高级数据科学家可以单独处理任务,这不仅是因为他们的经验水平,而且还因为他们对企业目标的理解。大多数初级数据科学家的任务是孤立的,完成任务的过程不会比它是一个请求更进一步。通过更好地掌握企业的短期和长期目标,能够放眼全局,这将改善你在处理请求或试图解决一个问题时的思维方式。
高级数据科学家不仅根据他们的经验,而且还根据公司的需求做出决定,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的方式来接近和处理问题,将使你进入高级数据科学家的思维模式。
沟通与管理
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并不需要与许多同事交谈。
作为一名高级数据科学家,能够管理一个数据团队需要良好的沟通和管理技能,以确保业务的顺利进行。如果由高级数据科学家管理的项目出现问题,无论任务是否由他/她完成;他们仍然要承担责任。高级数据科学家应该提高警惕,在错误呈现给利益相关者之前,找出错误。
如果高级人员缺乏沟通,他/她的操作就会崩溃,很快就会意识到由于他们的无能,工作量会落到他们身上。与其要向利益相关者解释为什么输出是错误的,或者为什么做出了错误的决定,不如与你的数据团队进行管理和沟通以避免这些问题才是更好的解决办法。
反馈
“反馈是冠军的早餐。”
-Ken Blanchard
询问反馈是你自我提升的健康催化剂;无论是个人还是与职业相关的。向你的经理询问你的长处和短处,将帮助你了解什么对你有用,什么你需要改进。没有人是完美的,我们总是有办法让自己变得更好。优秀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,以及你需要做什么来达到下一个水平。我祝愿你在你的旅程中一切顺利!
数据分析咨询请扫描二维码
若不方便扫码,搜微信号:CDAshujufenxi
在数据工作的全流程中,数据清洗是最基础、最耗时,同时也是最关键的核心环节,无论后续是做常规数据分析、可视化报表,还是开展 ...
2026-03-20在大数据与数据驱动决策的当下,“数据分析”与“数据挖掘”是高频出现的两个核心概念,也是很多职场人、入门学习者容易混淆的术 ...
2026-03-20在CDA(Certified Data Analyst)数据分析师的全流程工作闭环中,统计制图是连接严谨统计分析与高效业务沟通的关键纽带,更是CDA ...
2026-03-20在MySQL数据库优化中,分区表是处理海量数据的核心手段——通过将大表按分区键(如时间、地域、ID范围)分割为多个独立的小分区 ...
2026-03-19在商业智能与数据可视化领域,同比、环比增长率是分析数据变化趋势的核心指标——同比(YoY)聚焦“长期趋势”,通过当前周期与 ...
2026-03-19在数据分析与建模领域,流传着一句行业共识:“数据决定上限,特征决定下限”。对CDA(Certified Data Analyst)数据分析师而言 ...
2026-03-19机器学习算法工程的核心价值,在于将理论算法转化为可落地、可复用、高可靠的工程化解决方案,解决实际业务中的痛点问题。不同于 ...
2026-03-18在动态系统状态估计与目标跟踪领域,高精度、高鲁棒性的状态感知是机器人导航、自动驾驶、工业控制、目标检测等场景的核心需求。 ...
2026-03-18“垃圾数据进,垃圾结果出”,这是数据分析领域的黄金法则,更是CDA(Certified Data Analyst)数据分析师日常工作中时刻恪守的 ...
2026-03-18在机器学习建模中,决策树模型因其结构直观、易于理解、无需复杂数据预处理等优势,成为分类与回归任务的首选工具之一。而变量重 ...
2026-03-17在数据分析中,卡方检验是一类基于卡方分布的假设检验方法,核心用于分析分类变量之间的关联关系或实际观测分布与理论期望分布的 ...
2026-03-17在数字化转型的浪潮中,企业积累的数据日益庞大且分散——用户数据散落在注册系统、APP日志、客服记录中,订单数据分散在交易平 ...
2026-03-17在数字化时代,数据分析已成为企业决策、业务优化、增长突破的核心支撑,从数据仓库搭建(如维度表与事实表的设计)、数据采集清 ...
2026-03-16在数据仓库建设、数据分析(尤其是用户行为分析、业务指标分析)的实践中,维度表与事实表是两大核心组件,二者相互依存、缺一不 ...
2026-03-16数据是CDA(Certified Data Analyst)数据分析师开展一切工作的核心载体,而数据读取作为数据生命周期的关键环节,是连接原始数 ...
2026-03-16在用户行为分析实践中,很多从业者会陷入一个核心误区:过度关注“当前数据的分析结果”,却忽视了结果的“泛化能力”——即分析 ...
2026-03-13在数字经济时代,用户的每一次点击、浏览、停留、转化,都在传递着真实的需求信号。用户行为分析,本质上是通过收集、整理、挖掘 ...
2026-03-13在金融、零售、互联网等数据密集型行业,量化策略已成为企业挖掘商业价值、提升决策效率、控制经营风险的核心工具。而CDA(Certi ...
2026-03-13在机器学习建模体系中,随机森林作为集成学习的经典算法,凭借高精度、抗过拟合、适配多场景、可解释性强的核心优势,成为分类、 ...
2026-03-12在机器学习建模过程中,“哪些特征对预测结果影响最大?”“如何筛选核心特征、剔除冗余信息?”是从业者最常面临的核心问题。随 ...
2026-03-12