
数据行业新手、从业人员职业生涯提升计划
市场对于数据科学家的迫切需求使得众多IT专业人士开始认真考量这一前景可观的全新发展方向。
数据科学已经快速成为IT领域中一大炙手可热的职位选项。受到生产环境内结构化与非结构化数据以创纪录速度膨胀的积极推动,这一领域快速发展。不过,更为重要的是更为强大且成本低廉的数据科学工具的不断涌现,包括微软Excel到Python再到 Hadoop。这些足以帮助小型初创企业、大到谷歌及Amazon等网络巨头搞定自己面对的具体数据分析难题。
因此,数据科学已经成为专业人士不容忽视的一大全新发展机遇,并能够为其带来相当可观的薪酬水平。与其它早已成熟的传统技术不同(例如数据库管理),数据科学显然是一类全新领域。这意味着其具备更出色的开放性,而新晋专业人士亦乐于学习与之相关的各类新型技能。
岗位来自哪里——薪酬水平又是如何
粗略地浏览一遍领英上的相关信息,大家基本可以对数据科学拥有初步的市场需求感受。2016年1月,相关招聘帖数量高达 3500条,其职称范围从高级数据科学家到分析数据科学家乃至大数据工程师等等。相关雇主则包括网络领域的各大中坚力量,包括Amazon(70多个开放岗位)、博思艾伦(70个以上岗位)、彭博、甲骨文、美国商业银行以及Capital One等等。
对于那些能够在数据科学领域拿下一个职位的朋友们来说,亦有一份相当丰厚的薪酬等着他们。目前美国本土数据科学岗位的中位数薪酬为每年10万4千美元,O’Reilly Media公司在2015年数据科学薪酬调查报告当中指出。(PayScale亦表示加州地区拥有经验的数据科学家的年薪中位数在10万美元。)当然这只是开始,Robert Half Technology 2016薪酬指南报告称,2016年数据科学家的平均薪酬在10万9千美元到15万3750美元之间。旧金山湾区则是美国数据科学需求的核心地带,不过相关职位的需求亦可谓遍地开花。目前在纽约、波士顿以及华盛顿特区等城市亦出现了旺盛的数据科学人才需求。
六位数的可观薪酬再加上惊人的开放岗位数量,已经促使相当一部分企业将人才物色的目光投向了本地之外。除此之外,也有相当一部分大学及专业协会提供相对应的教育计划,旨在帮助具备数据分析能力的其他专业人士顺利进入这一领域。
雇主们有何需求
微软公司在业内一直以强大的产品盈利能力与可观的研发投入而著称。为了保障自身研发实力,微软方面正在积极吸纳数据科学家与机器学习专家。根据领英上的相关信息,微软公司目前拥有超过400位与数据科学相关之员工,其中一部分员工拥有博士学位。微软公司亦在努力通过校园招聘招徕经验丰富的数据科学专业人员。微软公司招聘人员Robin McMahon谈到了她眼中微软提供的数据科学从业者发展机遇:
“现在为微软公司招聘数据科学家确实相当令人兴奋,因为候选人往往有机会在面试中涉及多个不同部门,”McMahon解释道,她一直在专注于招聘数据科学与机器学习专家。微软公司的数据科学家们正着手构建多种不同产品,包括Azure、Xbox与Bing。
“我们对于各类技能以及数据科学教育及从业背景很感兴趣,”McMahon解释称。“发表过数据科学相关论文能够帮助大家在候选者当中脱颖而出,”她补充道。微软公司会定期向Strata大会派遣招聘人员,从而帮助这一领域补充新鲜血液。虽然拥有计算机科学学位能够更好,但不具备也没关系。McMahon甚至遇到过几位来自生物信息或者其它信息学领域的专业人员,最终他们都成功进入了微软公司。
即使是那些不具备数据科学或者信息学正规教育背景的候选者也能够拥有这样的全新职业生涯——只需要一点激情与耐性。
“自学与对数据科学的热情可以说是数据科学专业人士的关键性素质,”电子商务企业Instacart公司数据科学副总裁 Jeremy Stanley强调称——这是一家专门提供个性化购物与送货服务的企业。“我更倾向于提供现成的挑战供候选者们解决,而不是单纯着眼于其简历内容,”Stanley补充称。“我高度关注候选者们解决问题的能力及其代码编写质量。”
Instacart公司的招聘流程包含可带走的测试内容以及与团队协作解决的问题,Stanley告诉我们。
除了数学与计算机科学知识,Stanley认为数据科学专业人士还应当着眼于客户与产品对数据影响能力加以考量。“这种能够提出正确问题并不断进行针对性学习的能力能够切实帮助数据科学家们成功扮演现有角色并拿到潜在工作岗位,”
数据分析咨询请扫描二维码
若不方便扫码,搜微信号:CDAshujufenxi
CDA数据分析师与数据指标:基础概念与协同逻辑 一、CDA 数据分析师:数据驱动时代的核心角色 1.1 定义与行业价值 CDA(Certified ...
2025-08-22Power Query 移动加权平均计算 Power Query 移动加权平均设置全解析:从原理到实战 一、移动加权平均法的核心逻辑 移动加权平均 ...
2025-08-22描述性统计:CDA数据分析师的基础核心与实践应用 一、描述性统计的定位:CDA 认证的 “入门基石” 在 CDA(Certified Data Analy ...
2025-08-22基于 Python response.text 的科技新闻数据清洗去噪实践 在通过 Python requests 库的 response.text 获取 API 数据后,原始数据 ...
2025-08-21基于 Python response.text 的科技新闻综述 在 Python 网络爬虫与 API 调用场景中,response.text 是 requests 库发起请求后获取 ...
2025-08-21数据治理新浪潮:CDA 数据分析师的战略价值与驱动逻辑 一、数据治理的多维驱动引擎 在数字经济与人工智能深度融合的时代,数据治 ...
2025-08-21Power BI 热力地图制作指南:从数据准备到实战分析 在数据可视化领域,热力地图凭借 “直观呈现数据密度与分布趋势” 的核心优势 ...
2025-08-20PyTorch 矩阵运算加速库:从原理到实践的全面解析 在深度学习领域,矩阵运算堪称 “计算基石”。无论是卷积神经网络(CNN)中的 ...
2025-08-20数据建模:CDA 数据分析师的核心驱动力 在数字经济浪潮中,数据已成为企业决策的核心资产。CDA(Certified Data Analyst)数据分 ...
2025-08-20KS 曲线不光滑:模型评估的隐形陷阱,从原因到破局的全指南 在分类模型(如风控违约预测、电商用户流失预警、医疗疾病诊断)的评 ...
2025-08-20偏态分布:揭开数据背后的非对称真相,赋能精准决策 在数据分析的世界里,“正态分布” 常被视为 “理想模型”—— 数据围绕均值 ...
2025-08-19CDA 数据分析师:数字化时代的价值创造者与决策智囊 在数据洪流席卷全球的今天,“数据驱动” 已从企业战略口号落地为核心 ...
2025-08-19CDA 数据分析师:善用 Power BI 索引列,提升数据处理与分析效率 在 Power BI 数据分析流程中,“数据准备” 是决定后续分析质量 ...
2025-08-18CDA 数据分析师:巧用 SQL 多个聚合函数,解锁数据多维洞察 在企业数据分析场景中,单一维度的统计(如 “总销售额”“用户总数 ...
2025-08-18CDA 数据分析师:驾驭表格结构数据的核心角色与实践应用 在企业日常数据存储与分析场景中,表格结构数据(如 Excel 表格、数据库 ...
2025-08-18PowerBI 累计曲线制作指南:从 DAX 度量到可视化落地 在业务数据分析中,“累计趋势” 是衡量业务进展的核心视角 —— 无论是 “ ...
2025-08-15Python 函数 return 多个数据:用法、实例与实战技巧 在 Python 编程中,函数是代码复用与逻辑封装的核心载体。多数场景下,我们 ...
2025-08-15CDA 数据分析师:引领商业数据分析体系构建,筑牢企业数据驱动根基 在数字化转型深化的今天,企业对数据的依赖已从 “零散分析” ...
2025-08-15随机森林中特征重要性(Feature Importance)排名解析 在机器学习领域,随机森林因其出色的预测性能和对高维数据的适应性,被广 ...
2025-08-14t 统计量为负数时的分布计算方法与解析 在统计学假设检验中,t 统计量是常用的重要指标,其分布特征直接影响着检验结果的判断。 ...
2025-08-14