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
在描述性统计分析、数据预处理、异常值排查与多组数据分布对比工作中,箱线图(Box Plot)是应用最广泛的可视化与统计工具之一。 ...
2026-07-15在企业数据存储、业务统计与数据分析工作中,绝大多数业务数据都带有时间维度属性,例如订单创建时间、用户注册时间、支付完成时 ...
2026-07-15 很多数据分析师拿到数据就开始清洗、建模,但当被问到“这批数据属于什么类型——结构化还是非结构化?分类变量还是数值变量 ...
2026-07-15【核心关键词】产品、经营、客户、调研、销售额、宏观、会计行业、客户满意度、发展趋势、经营状况、数据分析、竞争对手、数据 ...
2026-07-14问卷调查是市场调研、用户研究、社会调研与产品分析的核心数据采集方式。问卷数据大多以分类数据为主,例如用户性别、年龄分层、 ...
2026-07-14 很多数据分析师画过趋势图、做过业绩预测,但当被问到“这个月销售额增长20%,到底是长期趋势自然增长,还是促销活动的短期 ...
2026-07-14在数据分析、业务效果验证、AB实验扩展、行业对比等场景中,我们经常需要对比三组及以上样本的均值差异,例如不同区域的客单价对 ...
2026-07-13在互联网产品运营、用户生命周期管理与商业化数据分析中,留存指标是判断产品价值、用户满意度与商业模式健康度的核心基准。常规 ...
2026-07-13 很多数据分析师做过按月份的销售额趋势图,画过按天的流量折线图,但当被问到“时间序列和普通数据有什么本质区别”“季节性 ...
2026-07-13【核心关键词】统计学、互联网、知识、课程、学生、数学、软件、招聘、数据分析、实习经历、机器学习、理论基础、业务思维、统 ...
2026-07-10在互联网运营、产品设计、市场营销与商业数据分析领域,所有转化、成交、复购行为的底层逻辑,都依托于用户决策流程。用户从产生 ...
2026-07-10 很多数据分析师能熟练地计算指标、搭建标签体系,但当被问到“画像到底在解决什么问题”“画像和标签是什么关系”“画像如何 ...
2026-07-10数据透视表是数据分析中最常用、最高效的汇总分析工具,具备快速分组、聚合计算、维度拆解、数据可视化等优势,能够轻松完成求和 ...
2026-07-09在统计学、CDA数据分析、机器学习与商业数据研究中,正态分布是最基础、最重要的数据分布形态。绝大多数参数检验、数据建模、指 ...
2026-07-09 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 ...
2026-07-09【核心关键词】采购、周期、原材料、企业、产品、成本、要素、库存、供应商、数据分析、生产计划、生产制造、加工制造、技术工 ...
2026-07-08在数据分析、特征工程、机器学习建模的工作流程中,原始数据往往包含多个不同维度的数值指标,例如客户交易数据中的消费金额、交 ...
2026-07-08 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。 ...
2026-07-08商业谈判是企业采购合作、渠道签约、价格议价、项目合作、客户签约的核心关键环节,直接决定企业的合作成本、利润空间与经营风险 ...
2026-07-07在数据分析、业务效果验证、AB 测试、学术研究等场景中,T 检验是假设检验体系里最基础、应用最广泛的统计方法,也是均值差异分 ...
2026-07-07