
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
在神经网络模型设计中,“隐藏层层数” 是决定模型能力与效率的核心参数之一 —— 层数过少,模型可能 “欠拟合”(无法捕捉数据 ...
2025-10-14在数字化浪潮中,数据分析师已成为企业 “从数据中挖掘价值” 的核心角色 —— 他们既要能从海量数据中提取有效信息,又要能将分 ...
2025-10-14在企业数据驱动的实践中,“指标混乱” 是最常见的痛点:运营部门说 “复购率 15%”,产品部门说 “复购率 8%”,实则是两者对 ...
2025-10-14在手游行业,“次日留存率” 是衡量一款游戏生死的 “第一道关卡”—— 它不仅反映了玩家对游戏的初始接受度,更直接决定了后续 ...
2025-10-13分库分表,为何而生? 在信息技术发展的早期阶段,数据量相对较小,业务逻辑也较为简单,单库单表的数据库架构就能够满足大多数 ...
2025-10-13在企业数字化转型过程中,“数据孤岛” 是普遍面临的痛点:用户数据散落在 APP 日志、注册系统、客服记录中,订单数据分散在交易 ...
2025-10-13在数字化时代,用户的每一次行为 —— 从电商平台的 “浏览→加购→购买”,到视频 APP 的 “打开→搜索→观看→收藏”,再到银 ...
2025-10-11在机器学习建模流程中,“特征重要性分析” 是连接 “数据” 与 “业务” 的关键桥梁 —— 它不仅能帮我们筛选冗余特征、提升模 ...
2025-10-11在企业的数据体系中,未经分类的数据如同 “杂乱无章的仓库”—— 用户行为日志、订单记录、商品信息混杂存储,CDA(Certified D ...
2025-10-11在 SQL Server 数据库操作中,“数据类型转换” 是高频需求 —— 无论是将字符串格式的日期转为datetime用于筛选,还是将数值转 ...
2025-10-10在科研攻关、工业优化、产品开发中,正交试验(Orthogonal Experiment)因 “用少量试验覆盖多因素多水平组合” 的高效性,成为 ...
2025-10-10在企业数据量从 “GB 级” 迈向 “PB 级” 的过程中,“数据混乱” 的痛点逐渐从 “隐性问题” 变为 “显性瓶颈”:各部门数据口 ...
2025-10-10在深度学习中,“模型如何从错误中学习” 是最关键的问题 —— 而损失函数与反向传播正是回答这一问题的核心技术:损失函数负责 ...
2025-10-09本文将从 “检验本质” 切入,拆解两种方法的核心适用条件、场景边界与实战选择逻辑,结合医学、工业、教育领域的案例,让你明确 ...
2025-10-09在 CDA 数据分析师的日常工作中,常会遇到这样的困惑:某电商平台 11 月 GMV 同比增长 20%,但究竟是 “长期趋势自然增长”,还 ...
2025-10-09Pandas 选取特定值所在行:6 类核心方法与实战指南 在使用 pandas 处理结构化数据时,“选取特定值所在的行” 是最高频的操作之 ...
2025-09-30球面卷积神经网络(SCNN) 为解决这一痛点,球面卷积神经网络(Spherical Convolutional Neural Network, SCNN) 应运而生。它通 ...
2025-09-30在企业日常运营中,“未来会怎样” 是决策者最关心的问题 —— 电商平台想知道 “下月销量能否达标”,金融机构想预判 “下周股 ...
2025-09-30Excel 能做聚类分析吗?基础方法、进阶技巧与场景边界 在数据分析领域,聚类分析是 “无监督学习” 的核心技术 —— 无需预设分 ...
2025-09-29XGBoost 决策树:原理、优化与工业级实战指南 在机器学习领域,决策树因 “可解释性强、处理非线性关系能力突出” 成为基础模型 ...
2025-09-29