全文共1888字，预计学习时长6分钟
图源：unsplash
我读大学的年代是在21世纪初，那时我就读于顶级商学院，我和同学们的理想职业都是投资银行家。时光飞逝，10年过去了，我们的理想职业又齐齐转向，变成了数据科学家。
其实这种转向不难理解，投资银行家与数据科学家的共同之处远比你想象的还要多。
数据科学家和投资银行家都是通才
数据科学集编程、统计学以及商业于一体，通过创建数据模型解决问题，然后把结果呈递给决策者；投资银行业务种类繁多，涉及到交易、并购、集资等，投资银行家要提出投资设想，利用财务模型证实这些想法的可行性，再向客户兜售。
数据科学领域，数据几乎都是专用的，使用的工具有python及相关分析数据包、视觉化以及机器学习；投资银行家则通常使用来自彭博社、路透社和Capital IQ的付费数据，使用的工具有excel、SAS、和自动宏指令。两者都要提取、整理、建模和分析数据，然后给出结果。
当前，投资银行家工作中的技术含量要低一点，不过在未来，数据科学的技术含量也会逐渐降低。
没有编程知识背景的商学院毕业生正在向数据科学进军
经常有商科毕业生向我咨询进军数据科学领域的建议，我也遇到过不少在初创公司做数据分析的前银行家。在某种程度上，数据成了王牌，不少金融科技初创公司涌现。商学院不甘落后，紧跟数据分析的浪潮。
2008年金融危机之前，“数据科学”这个词还没有出现，当时的商学院毕业生都想去华尔街工作。非理性繁荣带来了许多荒诞的事情。
未通过审核，视频无法播放
但是时代变了。现如今，数据大行其道。
数据科学正在向商业演变
数据科学是所有与数据相关工作的总称。但如果你从中剔除像AI研究、机器学习、数据工程、软件工程等离散工作后，剩下的看起来更像是单纯的业务分析工作了。
向非技术股东阐释清楚概念化问题、解释数据、可视化结果，从某种意义上来说，这就是投资银行家的工作。
随着数据科学发展日臻成熟，分析基础架构可以在SaaS平台随取随用，数据科学向商业演变进程会不断加速。对技术感兴趣的人才可以选择软件工程，而MBA型人才则可以填补数据科学行业的空白。
图源：unsplash
两个行业都是外表光鲜
数据科学被称为是21世纪最性感的工作，但事实上，数据科学大部分时候是在做数据整理。
投资银行业也是同样的。1987版的电影《华尔街》主角戈登•盖柯说服了一整届的金融毕业生去银行工作，然而现实却与戈登•盖柯的描述相差甚远，周末总是要做幻灯片，还会经常修改财务模型到深夜。
两个行业都能赚大钱
以下是一些公司投资银行分析师的薪水，右边的“高额”数字很瞩目。由于“分析师”通常位于投资银行食物链底层，因此这一数字变得更令人印象深刻。
Glassdoor:美国投资银行分析师工资
数据科学也是如此：
Glassdoor:美国数据科学家工资
目前，数据科学领域岗位多竞争少。如果一批人涌进这个行业后，该行业薪水会有什么样的变化呢？这一点我们还未可知。
如果不能爬到管理层，两项工作都没有前途
脸书员工的平均年龄是29岁；而年龄超过30岁，你就做不了投资银行的分析师。
成了家的人没法做到整夜不睡折腾新模型或是修改投行报告中的拼写错误，但是一个25岁没什么爱好的年轻人却可以做到。一个前银行同事曾说，他在华尔街工作时，会在桌下放一个睡袋。
两个职业都是在做“数字处理工作”。虽然深厚的专业知识很重要，但有时却难以提高效率。要想在这种工作环境中取得长足发展必须进入管理层，管理人员的工作是数不尽的项目，巧妙处理工作并分配任务，还得提高公司业绩。
再看软件开发界，虽然也有年龄歧视，但从大公司做出贡献员工的个人履历中可以看出，应届生往往可以向非管理层的设计师方向发展。
图源：unsplash
科技公司是新型银行
从Apple Pay到脸书的Libra，科技公司实际上已经开始发展银行业务，它们拥有了金融基础设施。其实，在这方面北美已经处于落后态势了，中国已经有80％的中小型商户在使用腾讯旗下的微信支付。
任何一家掌握了我们所有人财务以及浏览记录的公司，实际上在社会决策问题上已经占据了一席之地，这样的强大实力与银行无异。
在金融和人工智能交叉领域工作了几年之后，我看到越来越多的前银行家和准银行家开始涉足技术领域并取得成功。随着自动化在银行领域不断升温，“技术”工作逐渐降低“技术”要求，我们会看到更多的金融专业人员开始担任PM和数据科学工作。
让数据科学成为所有人的理想工作，我们已经离这一天不远了。
一起分享AI学习与发展的干货
欢迎关注全平台AI垂类自媒体 “读芯术”
（添加小编微信：dxsxbb，加入读者圈，一起讨论最新鲜的人工智能科技哦～）
758
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
