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
在大数据时代背景下,海量行业数据亟需通过专业化工具挖掘潜在价值,辅助企业业务决策、优化运营模式、规避经营风险。Python凭借 ...
2026-08-28SQL是数据分析领域最基础、最核心的工具,承担着取数、清洗、统计、分层、归因的全流程工作。不同于单纯的语法练习,实战化SQL数 ...
2026-08-28 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 ...
2026-08-28随着新零售模式的快速普及,零售行业从传统的“货品驱动”全面转向“用户驱动”。门店交易数据、线上消费记录、浏览轨迹、复购频 ...
2026-08-27在数据分析、爬虫采集、接口开发、数据归档等场景中,JSON与CSV是两种使用率最高的数据存储格式。JSON为键值对结构化格式,适配 ...
2026-08-27 很多数据分析师每天都在计算指标、制作报表,但当被问到“什么叫指标数据元”“指标数据标准包含哪些核心维度”“指标数据质 ...
2026-08-27在数据分析工作中,时间序列是最常见的数据类型之一,订单时间、日志时间、交易时段、统计周期等数据均离不开时间处理。原始数据 ...
2026-08-26在数据分析与数据预处理工作中,原始数据普遍存在录入错误、系统故障、偶然极值等问题,极易产生异常数据。异常数据会严重干扰数 ...
2026-08-26 很多数据分析师能熟练写SQL、做透视表,但当被问到“数据是从哪里来的?经过哪些加工才进入数据仓库?ETL具体做了什么?”时 ...
2026-08-26在数理统计与数据分析领域,多因素方差分析与线性回归模型是研究变量关系、因素影响、数据差异规律的两大核心工具。二者均属于经 ...
2026-08-25数据分析的核心价值不在于数据计算与图表制作,而在于清晰、精准、有逻辑地输出结论、支撑业务决策。日常数据分析报告普遍存在结 ...
2026-08-25 很多数据分析师能熟练地写SQL、做透视表、算描述性统计,但当被问到“如何预测用户流失概率”“如何归因销量下滑的关键因素 ...
2026-08-25平均数是数据分析、数理统计与日常运算中最基础、最常用的统计量,核心作用是浓缩一组数据的整体水平、刻画数据集中趋势。在众多 ...
2026-08-24在MySQL数据库中,InnoDB存储引擎作为主流事务型引擎,默认事务隔离级别为可重复读(Repeatable Read,RR),这与SQL Server、Or ...
2026-08-24 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 ...
2026-08-24 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 ...
2026-08-21在数据分析与数据可视化工作中,直方图是展示数据分布特征、离散程度、集中区间的核心图表,能够直观呈现数值数据的频次分布规律 ...
2026-08-20在数据分析领域有一句核心准则:垃圾数据进,垃圾数据出。数据清洗是数据分析、数据建模、数据可视化之前的必经前置工序,也是保 ...
2026-08-20 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 ...
2026-08-20在Python数据分析与数据清洗工作中,Pandas是最核心的数据处理库,DataFrame是结构化数据的标准存储格式。在实时数据采集、循环 ...
2026-08-19