
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
Excel 数据聚类分析:从操作实践到业务价值挖掘 在数据分析场景中,聚类分析作为 “无监督分组” 的核心工具,能从杂乱数据中挖 ...
2025-09-10统计模型的核心目的:从数据解读到决策支撑的价值导向 统计模型作为数据分析的核心工具,并非简单的 “公式堆砌”,而是围绕特定 ...
2025-09-10CDA 数据分析师:商业数据分析实践的落地者与价值创造者 商业数据分析的价值,最终要在 “实践” 中体现 —— 脱离业务场景的分 ...
2025-09-10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 ...
2025-09-02