这些年来，LinkedIn上总是能收到类似的站内信，累计下来和不下20个人聊过天。仔细想想，大部分人问的问题都很类似，需求也基本相同（想找工作/实习）。今天想挑几个大家都好奇的问题来说说。
先简单介绍一下我的经历。我学的是经济+统计，本科毕业后就直接工作了。第一份工作是经济咨询 (economic consulting)，不同于管理咨询，有非常多的数据分析需求。两年后跳到了F家。刚开始的title是Operations Analyst，后来转title成了Data Scientist。在F家做了将近5年后跳到了N家，title比较奇怪叫Analytics Engineer，但和F家的Data Scientist基本做的是同类型工作。总体来说，我走的主要是Analytics Track外加一些Inference Track（下面会聊不同的Track），比较少做modeling。
好了进入正题吧，罗列一下大家都好奇的问题 + 一些常见的误区吧。
Photo Credit: Franki Chamaki
1. 个人技能
1.1 问题：“Data Scientist / Data Analyst / Business Analyst…到底有什么区别”
数据分析行业的title特别多，让人非常困惑。遇到过new grad说只想看Data Scientist title的工作，不考虑Data Analyst。也遇到过new grad说担心Data Scientist的要求太高，只想关注Data Analyst的工作。然而实际上，数据分析行业对于title并没有统一的定义。举个例子，F家的Data Scientist, Analytics需要的技能基本等同于G家的Product Analyst，也基本等同于N家的Analytics Engineer。如果一个求职者不知道这些，只是一味地去找“Data Scientist” title的职位，那可能会错过很多其实相似的职位。为什么会出现这个情况呢？除了没有统一的定义之外，很多公司为了能吸引更多的求职者，会尽量把title写成Data Scientist —— 科学家听起来多厉害呀。这个方法亲测有效，可以吸引一大波求职者😝 那求职的时候改怎么应对这样的title不统一的情况呢？有3点:
- 依靠大体上的判断：从大体上来分，Data Scientist的technical skill expectation一般还是比Data Analyst更高，尤其是在一个公司又有Data Scientist又有Data Analyst这两种职位上的。当然，这个说法并不一定适用于cross company comparison，比如G家的PA = F家的DS
- 看具体职位的Job Description：这是一个最靠谱的手段。Title太迷惑，但Job Description是骗不了人的。可认真读一下Job Description上面的Requirements和Responsibilities
- 了解自己的需求：在读Job Description的时候，思考的维度不用局限于这是不是想象中的Data Scientist，而是应该关注对岗位的描述感不感兴趣，背景和要求匹配不匹配。真正找到喜欢又合适的岗位才是最重要的，title都是排在后面的
1.2 误区：“Data Scientist = 做Modeling的”， “厉害的Data Scientist主要是Technical特别强”
这个恐怕是对Data Scientist一个很常见的误解，也是比较狭义的定义。广义上来分析一下Data Scientist到底是做些什么的吧。
- 从支持的业务部门来分，基本可以分成Product Org和Business Org。有一些大一点的公司还会有Infra Org和Research Org。根据Org的不同，Data Scientist需要解决的问题不同。比如Product Org的目标是把产品变得更好，通过改feature，改设计来增加日活等等，key lever is the product。有一些公司也会把算法归于product的范畴之下, key lever就是核心算法啦（插一句，很多公司的核心算法是software engineer做的，并不是Data Scientist）。Business Org的目标是增加revenue，key lever是sales and marketing programs，也有一些internal product和process来助力sales和marketing。有些公司会把Product Org的数据分析岗叫做Product Analyst，而Business Org的数据分析岗叫做Business Analyst。这个是业务部分的分法
- 虽然业务部门不同，但数据分析岗的skillset基本还是处于一个大框架的范畴下的（如图）。大方向上可以分3个Track：Analytics，Inference，和Modeling。观察下来，现实中的Data Scientist基本都会主攻一个Track，然后偶尔也做其他另外两个Track的项目。比如像我这种Analytics Track的，70%的时间都在做Analytics，而30%在做Inference (causal inference, A/B testing)。框架的底层是不管哪个track都需要的skillset，比如数据处理能力（sql/python/r），包括build data pipeline的能力（够用就好，不用到达data engineer的程度），visualization能力等等。软实力非常重要，而且是随着经验增长，越来越重要，逐渐变成区分出好的Data Scientist和一般的Data Scientist的标杆。当然也有一些nuances，比如纯modeling的领域，硬实力的“够用”要求会比analytics的“够用”高。篇幅有限，就不一一赘述啦
针对这个误区最后啰嗦一句，不管是哪个部门，不管是哪个Track，归根结底，知道什么是最重要的问题并且能解决问题的能力是最重要的。解决问题的手段只是工具。当然，有更多的工具可以帮你解决更多的问题。
2. 部门职能
2.1 问题：“Data Science function和其他部门如何合作的？”
短的回答：Data Science是自己的一条线，和其他线合作，contribute at high level vision as well as in execution。
长的回答得先从Org structure来说起。Product org一般是Product Manager + Engineer + Data Scientist，外加Design，UX等等。Business org一般是Program Manager + Engineer + Data Scientist，外加sales，marketing等等。还有一些大点的公司有Infra org和Research org，和上述的架构也类似。可能有人会认为，在这样的结构下，Product Manager定方向，engineer执行，data scientist通过a/b test来看执行的结果。但实际上并不是这样干巴巴地划分的。首先，能做好本职工作肯定是基本要求：一个写不出code的engineer和做不出分析的data scientist肯定不是好的合作对象。其次，everyone contributes to the strategy，而不是只做好自己的那一小块。产品经理的本职是定方向，组织大家，最后拍板，但所有人所有部门都得have a seat at the table，献计献策。很多项目的想法是data scientist driven或者engineer driven或者business driven的。比如，数据分析发现了这个机会，和大家聊聊；business有一个idea，和大家聊聊。总体来说，除了自己function的技能过硬外，重要的是不要局限自己，而是始终有一个thought leader的mindset来思考如何能把这个项目做得更好。纯执行的data scientist不是好的data scientist。
2.2 误区：“Data Scientist每天的主要工作是在屏幕后面产出”
从时间分配上来讲，初期的Data Scientist可能会有80%的时间是一个人在屏幕后面做manager分配的project的的。但随着经验的积累，开会的时间会越来越多，甚至达到50%以上。因为做对的事比做出一点事更重要，而开会和沟通是找到什么是对的事情的重要手段。也会花很多时间分享自己的finding和educate others about data。做的东西再fancy，合作的人不能理解或者insights不能落地的话，都是空谈。
3. 职业发展
3.1 问题：“Data Science的Career Path是什么样的？”
可以一路爬变成越来越Senior的Data Scientist。当然，最“自然”的路是爬corporate ladder，变成Data Science Manager等等。Data Science Management的空缺一般比特别Senior Data Scientist的多，而且也更容易scale and show your impact。也有很多人发现自己更喜欢做产品，那可以变成产品经理，当一个产品经理里面最懂数据的。特别喜欢写码的，可以考虑直接转software engineer。换跑道并不容易，需要很多努力，但是是可以实现的。
3.2 误区：“小公司会学得更多成长更快，大公司的分工太细，impact和成长都会受限制”
这个并不是绝对的。大小公司个有优缺点。
- 小公司：优点是可以接触非常广的业务面，从想法到实践需要的时间很短，可以快速地尝试和学习，也会促进很多新的思维。缺点是小公司可能没什么解决问题的体系，系统学习会困难很多。人员关系也有它的复杂层面。还有一个缺点是资源有限，体现在1）可能会被抓壮丁做一些其他活 2）受资源的限制无法做某些活 3）一直在survival mode，压力可能会更大。破解方法是找靠谱的小公司来确保上面说到的风险会被弱化，比如，有够靠谱的前辈来带路就能让系统学习容易很多
- 大公司：优点是资源很多，可以向很多不同的同事学习，许多公司也提供系统学习的方式，而且可以快速了解成熟的运作模式，也有机会了解各方各面的业务。缺点是从想法到实践流程会比小公司慢很多，所以学习速度可能会下降。另外，大公司真的很大，在一个地方呆久了容易被那个地方的思维所局限。破解方法是保持一颗好奇心，不断地激起自我学习的意识
这篇就先写这么多啦。以上都是基于我个人的经历，而我个人的经历也有限，希望大家能多和不一样类型的业界人士聊聊/读读相关文章，扩充自己对行业的了解。数据分析是一个很有意思也很有弹性的行业，希望能有越来越多的人在了解这个行业之后，开心地投入进来💪
评论
发表评论