全文共3085字,预计学习时长10分钟
图源:unsplash
数据科学的火热已经持续快十年了,饱和谈不上,但如果在谷歌上搜索“如何进入数据科学行业”,你可以得到30亿条结果,关于“如何赚钱”的搜索结果“仅”为20亿条。对于如何进入数据科学行业的问题现在看来似乎也有些遥远。
有一些人已经在考虑“下一个火起来的行业是什么?”我还要待在数据科学行业吗?如果我辞职了,接下来我要去做什么呢?
图为截至2020年3月25日的谷歌搜索结果。
我的朋友不久前也与我聊过这个问题,他无法在继续还是转行之间做出决定。在内心深处,他的这种紧张感是由两个因素导致的:
· 对数据科学的期望vs.现实,现实可能比我们预期的更无聊;
· 职位vs.我们的抱负。
那么,有哪些选择呢?
1.不辞职并内部消化挫败感
2.辞职,但继续在其他地方从事与数据科学相关的工作(本文适合您)
3.完全不想待在数据科学行业了(是否已决定?在做这个选择之前考虑选择2)
希望看完这篇文章,你心里能有答案。
但是,该去从事什么呢?
要知道想从事什么,必须知道目前在做什么。为了更全面地了解可选职业,许多人可能会转向“什么是数据科学?”这一问题。谷歌是这么告诉我们的:
图源:Medium
图中的分类有其合理之处,但它并不能真正反映出日常工作的现实情况和细微差别以及公司的性质。但当我们做出就业选择时,这两点可以说是最重要的影响因素。其实有一个更好的思考方法,去了解下数据科学家的原型。
简介
首先来了解下笔者的背景经历,这样你就能基于自身的实际情况和局限性来理解我的见解。
笔者的工作是帮助客户转变核心业务或利用数字技术和实践(例如AI、大数据、Agile、设计思维)启动新功能,并为B2B数据和AI初创企业提供建议。笔者是MIT评论、Fast Company和谷歌的商业和技术领域最佳作家。
图源:unsplash
简言之,笔者在为大型企业提供咨询,与许多类型的数据科学家成为朋友,并为最终被收购的AI初创公司构建机器学习产品的过程中,见证了数据科学的发展。
职业选择:数据科学家的原型
那么,什么是数据科学?它取决于公司的规模(企业或初创企业)和职位的主要责任(面向客户或专注于内部)。
面试数据科学职位时,无论该职位的名称和描述,都可能被贴上以下四种过于简化且主观的标签之一。
数据科学家的四种原型
这张图展示了数据科学行业的可能性。通过它可以明确自己现在所在的位置以并快速做出选择。对于有抱负的数据科学家,可以使用它来确定职业生涯的最佳起点。接着,你可能会问:我怎么知道哪个新职位更适合我?
来看看每种职位的利弊,再去做决定吧。笔者将根据不同岗位探讨最合适的人才,当然,这会带些主观因素,对我有利的东西可能对你不利。毕竟,所有事情不能一概而论。
图源:unsplash
注意:
1.还可以按公司的其他方面进行分类,例如行业和产品类型(如与数据科学相关的服务或工具,非数据科学产品)。笔者认为公司的规模对日常工作有更大的影响。
2.公司规模并非二元的,也有很多中型公司;为了简单起见,笔者将其二元化。
3.在初创企业中,客户服务与内部业务间并不存在真正的隔阂:人们倾向于兼而有之。这只涉及时间分配的问题。
高薪顾问
在全球咨询公司或大型技术公司的专业服务部门(例如,德勤、麦肯锡、埃森哲、谷歌、IBM等)进行数据科学服务。
优点:能够很好地培养问题解决和高效工作能力。处理非常“重要的业务”,客户为结果付出了高昂的费用。每个项目都会有所不同,不会感到无聊或沮丧。非常明确的促销路径和要求(例如,分析师、经理、合作伙伴)。接触高级管理人员,在职业生涯早期涉及广泛话题以及遇到雄心勃勃的人。
缺点:商业价值胜过一切(例如,科学创新和出色的算法)。所有高级职位对从业时间要求高。
有些公司可能不会将数据科学家视为传统的合作伙伴关系路线(有可能感觉会被边缘化,但不要担心,大多数人都非常尊重这个职位)。
最适合:具有一定技术培训知识,有在一家大公司中运营自己的“小企业”的志向,并以业务为导向的人员。初入职场,正在寻找导师,想学习最好的术语并且不介意工作辛苦的学生。
精通技术的销售
在以AI为重点的初创企业或中型公司(例如Dessa、Element AI、H2O、Cloudera和Palantir)的技术销售或项目负责人。
优点:可以处理一些最前沿的用例,因为客户通常会寻求创新,而不是交付(枯燥的)长期且大规模的改革项目。在重要的战略和产品决策上有更大的发言权。灵活度高,创新性强。
图源:unsplash
缺点:有些客户可能在大型项目上不信任你,这就是“灵活创新”的反面。你可能需要做大量“无偿”工作才能赢得客户的信任。与大型公司相比,后台支持更少。产品愿景可能会受到投资者(如果有错误的风险投资人)或沉没成本心态的影响,而不是迎合真正的市场需求。
最适合:希望在公司成立初期与公司一同发展,实现企业梦想并已经拥有扎实的业务网络,领域专业知识和/或声誉的人们。不适合职场新手。
产品“嬉皮士”
具有软件和/或机器学习背景的人员,与工程行业打交道,在AI产品公司构建IP,演示并接听销售电话。
图源:unsplash
优点:无需解决过多的客户纠纷,只需解决有趣且实际的问题,多为短期项目。作为“内部用户”,影响或定义产品设计,常为客户或内部人员构建有趣的东西。
缺点:很可能被带到面向客户或用户的职位,这在竞争性优先级和时间管理中会造成压力。很难在“最前沿”与“立即可行”之间找到合适的平衡,可能会陷入无休止的客户服务工作中。
最适合:以产品为导向,以工程为重点,但有时又很木讷的人。在某些技术堆栈或工作流程中具有领域专业知识的经验丰富的专业人员。思想开放,具有好奇心,喜欢技术挑战并可以完成的学生。
大家族
家族的确可能会很复杂,因此这一组需要分为两个部分:无名英雄和超级怪胎。
图为家族结构
无名英雄
企业中来自传统商业智能、分析和建模小组的人员。他们大多与业务或职能部门(例如,营销、风险、财务等)合作。在拥有新名字之前,他们也是数据科学家。
优点:非常集中的工作。接近真实的业务运营。可以访问唯一的数据集。可以访问可操作的大规模基础架构。良好的工作与生活平衡。有一定影响力或权力做出投资决策。
缺点:在大多数时候,工作可能很慢而且很无聊。通常,人们并没有意识到正在从事21世纪最性感的工作。内部政治会比较严重,较慢的职业发展轨迹,会使你陷入某些职业或项目中无法跳脱。
最适合:对生活充满热情或享受在特定领域投入时间的人,有耐心和韧性的人。
图源:unsplash
超级怪胎
数据科学中对“宠儿”的刻板印象。在Google Brain / DeepMind、Facebook的FAIR、Uber和Walmart Research等重要公司从事研发工作的人员。
优点:研究非常有难度的话题。你可以访问独特的数据集和问题,能够利用大公司的资源来突破极限,也有机会得到很多认可和好评。
缺点:必须表现出“商业价值”带来的强烈压力。业务优先级可以限制或影响研究主题,也可能会“无趣”地执行一项被证明有价值的研究。
最适合:学者。具有学术研究和教育背景的工程师。希望发布并获得一些行业影响的研究生。
这只是笔者个人视角的分析。接下来,你得问自己一些问题,搞清楚自己的真实情况和想:我现在的情况是怎样?我为什么感到沮丧?在数据科学职业(或生活)中,我真正想要什么?我的目标是否能带来宽慰和利益?如何用最少的努力达到最好的结果来完成目标?
陷入选择是常有的事儿,做决定并不容易,所以请慎重再慎重,一旦下定决心,就放手去做吧,别再瞻前顾后。
推荐阅读专题
留言点赞发个朋友圈
我们一起分享AI学习与发展的干货
编译组:陈枫、胡家瑞
相关链接:
https://www.kdnuggets.com/2020/04/4-career-options-data-scientists.html
如转载,请后台留言,遵守转载规范
推荐文章阅读
长按识别二维码可添加关注
读芯君爱你