数据科学家定位和职业规划

转

来自知乎： https://www.zhihu.com/question/27946774 FAB研究所的回答
一个AI的组，需要什么样的人：

以我周围来看，数据科学家的机会在数据工程（data engineering）方面，和商业分析（business analysis）方面是有的。建模（modelibg）方面，和机器学习研究员（ML researcher）比只有被拍死的份儿。

数据工程，我看到现在很多是研究员，或者研究员主管，以及PM一起决定，繁琐的数据采集和清理工作会外包，但是单个的研究者未必对总体数据有细致的分析；这里有机会。

商业分析涉及到商业，市场，用户，也包括和如何定量评价（metrics）的问题，这儿是有机会的。想要提出大家都认可的评价指标是蛮难的，正因如此也才有做的意义。涉及具体应用的领域，细分的评价指标可做的事情就更多了，可以说是随着产品层出不穷，如何把众多的指标抽象成工具也是可做的。

这个图给出了数据科学家应有的技能。
Modeling: python, numpy, scikit-learn, tensorflow, pytorch
Data engineering: python, SQL or other domain-specific query languages
Business analysis: python, R, domain-specific tools (Tableau, Excel, PowerPoint, Keynote), 其实还想加一个 PowerBI
Collaboration and workflow: Git, Subversion, Merurial along with CLI such as Unix, IDE, Jupyter Notebook or Sublime

对于机器学习研究员，还有更多对研究能力的要求：
Research: following SOTA in Twitter, Reddit, Arxiv and conferences.

另一个解答

一种data analyst，就是在数据库里找数据，做dashboard / report 给别人（客户）看，（SQL要很熟）；
一种是business analyst，甲方要求可能比较模糊简单，需要自己思考，发现解决问题给出答案。和上面的相比，通常这个职位没有明确方案，明确要求，更注重思考和解决问题的能力；
还有一种是data engineer，比较偏技术，编程工作量也大。要找到源数据，处理好然后放入数据库，有运维的要求；
再一种是data scientist，其实对机器学习的要求没有那么深，他不管你机器学习那些算法的。（算法工程师才是要深钻算法的那个）。

按照答主的意思，data analyst 和 data engieer是tech path；business analyst和data scientist是business path。

另一个技能图

借用这张图表示DS的发展路径

个人的选择

数据工程师是起步，数据科学家是过度，算法工程师是目标吧。
其实职位叫什么不重要，如何在所处的环境里，挖掘别人没有发现的领域，做出自己的思考和贡献才是重要。最终自己走出怎样的职业道路，一方面是自己选择，另一方面也是环境的塑造。