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,大多数人建议你在考虑过渡或转移到另一个角色之前,先在初级职位上呆几年。与初级、中级和高级数据科学家相比,经验水平存在差异。本文将介绍对所有工作角色的期望,以及晋升所需的条件。
大多数人会看数据科学家的技能、多年经验、教育水平、专业知识、管理技能等等。要很好地理解如何区分不同级别的数据科学家之间的差异,就要理解您可以让数据科学家独自完成/处理一项任务多长时间,而不必查看他们。
使用“你可以让某人独自完成/处理一项任务多长时间而不签入?”的类比,我们可以将不同的级别划分如下:
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能把事情做好。一个初级数据科学家可能会在没有咨询高级数据科学家的情况下达到一个被阻止的地步,并且不知道如何克服它。一个中等水平的数据科学家也可能面临困难,然而,他们会更好地掌握如何独自克服它。而一个资深的数据科学家有足够的经验来完成事情。即使这包括雇佣专家或研究人员,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“有人能让我独自一人在不报到的情况下完成/处理一项任务多久”。你必须对自己完全诚实,否则你就会失败。我不是说你不能设定目标,努力成为你能成为的最伟大的人。我是说,现实地对待你目前的经验水平,以帮助你找到正确的角色,并从那里不断发展。
这是一年的开始,我们都在记下我们的计划;事业或个人相关。我们都在努力打破我们今年的目标。对于所有的数据科学家,这里有一些建议,告诉你如何进步你的职业生涯,爬上阶梯,增加你的收入。
反思“你能让某人独自完成/处理一项任务多久?”这个问题,这一切都是基于独立。由于缺乏经验和技能,低年级学生往往会问更多的问题,而高年级学生有能力根据过去的经验做出决定。
这应该不会吓到你问问题。问问题没有错,那是你学习的方式。如果你不犯错误,你就不必经历一个学习过程,你就永远停滞不前。但是,不要每次都依赖于你的同事和高级职员来指挥你。当你有问题时,不要马上去找他们,试着自己去解决。当你明白如何修复问题时,你会感到一种成就感。如果你不确定你的解决方案,向你的经理征求他/她的意见。他们会感激你带着一个解决方案来找他们,而不仅仅是一个问题。
当你在阴沟里的时候,很多伟大的事情都会发生。你从一个不舒服和陌生的洞里爬出来。低年级学生通常从事较容易的工作,有时非常重复和无聊。如果你觉得你已经准备好了,向你的经理要求更有挑战性的任务,以学习和提高你的分析技能。
如果你成功地完成了任务,你的经理或资深数据科学家会意识到这一点,并为你推升职位。
资深数据科学家能够独自处理任务,这不仅是因为他们的经验水平,也是因为他们对业务目标的理解。大多数初级数据科学家的任务是孤立的,完成任务的过程并不比它是一个请求更进一步。能够通过更好地把握企业的短期和长期目标来看待更大的图景,这将改善你在处理请求或试图解决问题时的思维方式。
资深数据科学家不仅根据他们的经验,还根据公司的需要来做出决定,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's来处理和处理问题,将使您处于高级数据科学家的心态。
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、指导和帮助来理解一个问题。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不需要与许多同事交谈。
作为一名资深数据科学家,能够管理一个数据团队需要良好的沟通和管理技能,以确保操作顺利进行。如果一个由资深数据科学家管理的项目出现问题,无论该任务是否由他/她完成;他们仍然必须承担责任。高级数据科学家应该保持警惕,在将错误提交给利益相关者之前识别错误。
如果一个资深人士缺乏沟通,他/她的业务就会分崩离析,很快就会意识到由于他们的无能,工作量就会落在他们身上。与其向涉众解释为什么输出是错误的,或者为什么做出了错误的决定,更好的解决方案是与数据团队进行管理和沟通,以避免这些问题。
“反馈是冠军的早餐。”
--肯·布兰查德
要求反馈是你自我提升的健康催化剂;与个人或事业有关的。向你的经理询问你的优点和缺点会帮助你了解什么对你有效,什么是你需要改进的。没有人是完美的,我们总有办法让自己变得更好。伟大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,以及你需要做些什么才能达到下一个水平。祝你在旅途中一切顺利!
数据分析咨询请扫描二维码
若不方便扫码,搜微信号:CDAshujufenxi
在数据统计分析、数据清洗、异常值识别与数据分布研究中,箱型图是最直观、高效、专业的可视化分析工具。相较于柱状图、折线图仅 ...
2026-05-29Tkinter是Python内置的标准GUI图形界面库,具备无需额外安装、调用简单、兼容性强、轻量化高效等优势,是Python快速开发桌面小程 ...
2026-05-29 很多分析师在设计标签时思路清晰,但真到落地环节却面临“数据在手,不知如何转化为可用标签”的困境:或因加工方式选择不当 ...
2026-05-29【核心关键词】大数据、经理、专业、金融、客户、传统、建模、数据产品、互联网金融、产品经理、数据分析、金融行业、数据模型 ...
2026-05-28 很多分析师每天和数据打交道,但当被问到“标签是什么”“标签和指标有什么区别”“标签体系如何设计”时,却常常答不上来。 ...
2026-05-28随着大数据技术的快速普及,各行各业积累了海量的用户数据、交易数据、生产数据与行为数据。单纯的数据统计与报表分析只能呈现表 ...
2026-05-28在Python网络请求、接口测试、数据爬取、业务对接开发中,Requests库是最简洁、最高效的HTTP请求工具,凭借简洁的语法、完善的适 ...
2026-05-272025 年,零售与服务行业的竞争已从 “经验驱动” 全面转向 “数据驱动”。中小企业门店普遍面临数据零散、分析浅层、决策凭感觉 ...
2026-05-27 很多数据分析师每天都在写SQL,但当被问到“数据查询语言(DQL)的本质是什么”“SELECT语句中各子句的书写顺序与实际执行顺 ...
2026-05-27在统计学分析、实验研究、业务数据复盘过程中,单因素方差分析是检验自变量对因变量是否存在显著影响的核心方法。其中,两个水平 ...
2026-05-26【核心关键词】算法、客户、大数据、互联网、调优、建模、模型优化、机器学习、评分卡模型、模型开发、智能风控、业务场景、数 ...
2026-05-26 很多数据分析师写过无数个 SELECT,但当被问到“新建一张表,该如何定义字段类型来保证数据质量”“创建视图和存储物理表有 ...
2026-05-26在数据清洗、统计分析与数据质量检测工作中,箱型图(又称箱线图、Box Plot)是最直观、最高效的可视化分析工具之一。相较于柱状 ...
2026-05-25在大数据分析、数据清洗、质量管控、风险监测等领域,异常数据识别是保障数据质量、确保分析结论精准、规避业务决策失误的核心基 ...
2026-05-25 很多数据分析师精通Excel函数和透视表,但当被问到“数据从哪里来”“表和视图有什么区别”“数据库管理系统和SQL是什么关系 ...
2026-05-25数字化经营时代,企业的市场竞争早已从经验决策转向数据决策。门店营收、用户转化、产品销量、成本损耗、存量资产等所有经营行为 ...
2026-05-22在MySQL数据库日常运维、业务数据校验、数据迁移与数据清洗场景中,自增主键ID的连续性校验是一项基础且关键的工作。MySQL的Auto ...
2026-05-22 很多企业团队并非缺乏指标,而是陷入“指标失控”:仪表盘上堆满实时跳动的数据,却无法回答“当前瓶颈在哪、下一步该做什么 ...
2026-05-22【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