数据科学家们，三年后你还能做什么？

• 策划编辑 | Natalie
• 编译 | Debra
• 编辑 | Natalie
• 微信公众号“AI 前线”，（ID：ai-front）

在 Reddit 上，一位熟悉统计、编程、分析、工程等多项技能，且主要关注产品的数据领域从业者提出了一个让他非常烦恼的问题：每个公司似乎都更想要一位精通特定领域的专家，比如 ML、NLP、CV 专家等，但是对于数据科学家这个岗位的定义又不是特别明朗，这对于一个什么都懂一些，但没有特别精通的领域的通才来说好像很不利。未来三到五年，数据科学家的职业发展前景如何？他们还有哪些选择呢？

这个话题也是大多数人在进入数据领域之前都会问的一个非常重要的问题。随着自动化机器学习工具的迅速普及，企业在几年内还会需要数据科学家吗？这个问题在 Reddit 上引发了网友们的热烈讨论，收集了数据科学领域中不同人士的多方观点，其中有一些很好的职业建议，你千万别错过！

楼主的问题

我是一个以产品为主要关注点的多面手，擅长很多事情（统计、编程、分析、工程和搞定各种事情），但没有专长。

我最近正着手找新工作，却发现求职市场看起来十分残酷。每个公司似乎都更想要一位精通特定领域的专家，比如 ML、NLP、CV 专家等，但是对于数据科学家这个岗位的定义又不是特别明朗，他们对一个什么都懂一点，没有特别精通的领域的通才好像并不重视。这说明了什么？是不是大多数公司已经收获了成果，现在正在寻求通过预测模型获得更多收益；或者说他们自己也不知道到底想要什么？

对于以上问题，网友们在 Reddit 上进行了热烈的讨论，更有人基于自己的亲身经历提出建议。

DS、管理岗、工程师？选适合自己的

回复 1：据我观察，你可以选择数据科学家 / 技术团队领导岗位、产品经理（与你的产品背景直接相关）、项目管理、CTO、架构师、专家（比如咨询公司的职位）等岗位，这取决于你的背景和专业能力。

回复楼上： 很有趣的建议，尤其是产品经理—我会认真考虑这个建议，我所在的公司也有这样的机会。唯一的问题是领域不吸引人，这对 DS 来说很重要，对 PM 更重要。

回复 2： 你的选择很多！你现在的岗位跨了很多领域，接下来你对哪个领域感兴趣就可以在哪一部分投入更多的精力。

我建议你选择 3 条道路：

1. 继续深入数据科学家岗位
2. 转工程师
3. 转管理岗

然而，关键的一点是，你需要塑造自己的角色，这是因为大家对数据科学家并没有明确的定义，而即使定义明确，通常也要求这个岗位的人是个多面手，或者至少成为公司多个部门之间的接口。

以下是每条道路中你可以选择的路径：

1. 继续深入数据科学家岗位
   • 组长
   • 高级数据科学家
   • 首席数据科学家
   • CTO
   • VP 工程师
   • 普通数据科学家
   • 统计学家（包含很多不同资历级别）
   • 技术人员经理
   • 架构师
   • 研究员（不常见）
2. 转工程师
   • 数据工程师
   • 软件工程师，机器学习
   • 软件工程师，后端或全栈（前端不常见）
   • 工程经理（通常情况下，风险团队或依靠 DS 的其他工程团队是个更好的选择）
   • 硬件工程师（设计 TPU 芯片等，当然比其它选择更罕见）
   • VP 工程师
   • CTO
   • 开源贡献者或作者
3. “商业”角色
   • 非技术人员经理
   • 产品经理
   • 设计师（罕见，但不是没有）
   • 创业
   • CEO
   • 销售
   • （作为一名优秀的 DS，你可能需要学习如何呈现你的想法，并说服别人采取行动的过程，这是一项非常重要的工作）
   • 技术传播者
   • 创业公司顾问
   • 顾问（不要低估这份工作的难度，如果你想成为一名 DS 顾问的话）
   • 非营利人士（要求很多，一影响很大，因为非营利部门在收集和使用数据方面不如营利部门）
   • VC（合作伙伴、风险投资公司或其投资公司的技术顾问、资源等）

成功的数据科学家首先会把自己包装成行业专家

回复 3： 通常来说，我见到的最成功的数据科学家首先是把自己作为行业专家来包装，其次才是数据科学专家，例如“供应链、数据科学”。他们会更多地强调在商业环境下完成任务，而不是技术。

回复楼上： 很棒的建议，谢谢。在这种情况下，我未来的职业规划是应该成为技术专家还是领域专家呢？

回复楼主： 这取决于你的职业理想和你真正热爱的是什么，在自动化 / 咨询行业（我所在的行业），走两个方向的人都有。

• 有些人继续做内部顾问 / 主题专家。这些是依靠特定领域（技术、统计、零售库存管理、工程子类型等）生存的人。
• 其他人则喜欢成为多面手，对业务特定部分（例如供应链）的关注度较低，并充分利用他们对董事类型角色领域和工具广泛了解的优势。有些人甚至创办了自己的公司。

  在这两种极端之间还有很多道路可供选择。这很大程度上取决于你处于职业生涯的哪个阶段，以及工作的哪些特点会吸引你。

回复 4：我最近也在找工作，但外面的世界很残酷。我会选择偏重编程的工作而不是统计。

楼主回复： 有具体的建议吗？为什么我不应该选择统计专家这个方向呢？

回复楼主： 如果你对编程感兴趣的话，偏重编程的工作岗位会更安全（不容易失业）。当然如果你有过硬的博士或硕士经验，你也可以尝试竞争统计专家的职位。我个人认为，现在被称作“数据科学”的工作中至少有 80% 未来会转变为工程类或后端编程的工作。

回复楼上： 真的假的？！我猜有很多人在政府从事应用统计相关的工作。我在一次会议上认识了一个在政府税务部门工作的应用统计员，他所在的团队有 20 个人，做的事情是使用 R 创建模型找出税收欺诈行为，而他所在的办公楼里还有其他十多个团队在做同样的事情！

回复楼主： 那是因为数据科学家这个词的定义太过宽泛。大多数这个岗位的工作内容包括很多 SQL 查询、数据清理等诸如此类的琐碎事务。最安全且薪水丰厚的是机器学习工程相关的数据科学家，但这个岗位要求有非常过硬的技术背景。

回复楼上： 即使这类工作也并不安全。

回复楼主： 熟练掌握数据流水线、数据挖掘、存储和检索才是王道，有了作为数据科学家的经验，你将会很好地了解数据怎样呈现给分析师或数据科学家，或者自己，这样以后才会有更多的选择。如果两者都擅长的话，将会助你的事业一臂之力。

回复 4： 以 Facebook 为例，这家公司为员工设计了两条职业道路：个人贡献者（IC）或管理岗。我所在的公司和 Facebook 相似但有所不同，这里有很多人同时是 VP 兼 IC。我个人是从数据科学家转到管理岗位的。我仍然会做一些手头的技术性工作，但更多的时间是在协调、指导以及管理人事。

我认为你首先要问自己是想要的是做技术性的工作，还是更想走战略、管理型的路线（或两者兼而有之）。

优秀的数据科学家应该多项技能傍身

回复 5： 数据科学正在变得越来越商业化、自动化，并可供程序员使用。我得出一个结论，成为一名优秀的数据科学家要拥有一个“X”factor，即特定的技能集合（如 NLP、ML、大数据架构），领域 / 行业专长或与其他技能组合（社交、演讲、谈判、全堆栈 web 编程…）。

回复 6： 我有 5 年数据科学工作经验，也面临着相似的困境，我想要在一家创业公司创建一支数据科学团队，专心研究数据，但已经放弃寻找一份结合建模 + 战略 + 编程的工作。

回复 7： 同样作为一个多面手，我建议首先应该考虑在哪家公司工作而不是岗位，在任何岗位上尽力做好自己的工作就好。

未来数据科学家会被自动化工具取代吗？

AI 前线曾经看到过一篇关于数据科学家职业发展的文章，作者认为随着数据科学的发展，目前数据科学家的许多工作将被自动化的工具取代，而数据科学家这个职业也将不再存在。实际上，虽然自动化工具可以帮助数据科学家做的事情越来越多，比如 API 在预测方面已经能够比拟传统的分析技术了，但目前来看，数据科学家仍然是供不应求的。自动化工具能做的事情毕竟有限，当然更重要的是，作为数据科学家，也需要不断开发和学习新的自动化工具。

对于数据科学家来说，职业生涯中的选择和所有工种一样重要，就像 Reddit 网友大多数认同的那样：走向技术岗或是管理岗最终要取决于自己个人的喜好和对工作的热情。

希望我们整理的这篇文章对于刚刚进入数据科学行业、在职业规划上存在困惑，或从业多年正在苦恼于职业生涯的下一步怎么走的朋友能够提供一些帮助。欢迎你与我们分享“过来人”经验，如果你有类似的苦恼也可以给我们留言，和大家一起探讨。

原文链接：

https://www.reddit.com/r/datascience/comments/8m0zev/what_are_the_potential_career_paths_for_data/