看隔壁贴data scientist有感，说说自己对这行的理解（有更新）

写得真好。第一种感觉挺轻松啊。还可以坐做到老

chatbot 只是AI 的一部分，你从这个新闻就看出来fb的AI research 不行也是牛人，不过看你也不是做machine learning 的人，跟你说也是浪费生命...

熊熊ABC 发表于 3/22/2017 5:13:51 PM

笑死了，你要脸吗？谁跟你说fb的ai不行。。。我明明说的是fb已经开始砍ai spending了，也就是ai in general就是不行。真是无理也要辩三分。。。
你知道为什么ai in general 就是不行吗。你是刚入行的吧？这个说法十年前就有了，那时候还没big data什么事呢
人脑的学习过程分为理解，记忆，创造性三步。ai研究了几十年，早前就发现，单纯靠机器学习，永远也不能做到第三步。这就是为什么有过生物和机器结合做ai的理论
像你这种被骗入行蒙在鼓里的ds，本质上就跟生物千老没啥两样

关注关注关注

学习一下～

谢谢楼主的分享，我也在考虑要不要改到data analyst去，因为只有这个专业和我苦逼的专业相关

第三种这个，机会应该很少吧，估计要去研究所或者大公司的research center,都是牛人教授之类，比如IBM的watson, 微软研究中心...

Mark mark 其实ds并不是什么新兴专业，本身就是大杂烩，某些ML的算法也存在好几十年了，对人的要求很高基本上要面面具到。

mark 正在转行DA的道路上 来学习经验

mark~好贴~多谢

第一种有前途吗？竞争激烈的话待遇是不是也一般般，不好跳槽呢？

赞总结。很同意lz的观点

还有补充一下，data scientists 这个行头也是最近一两年才兴起的，一部分的人虽然叫ds，其实也就是data analyst而已，也就是lz说的第一类，工作性质类似，只是换了个名字。

楼主能写写怎么找工作吗？ld找了好几个月了，没有什么盼头呀，哭

AI 没有大数据的技术支持，基本是不可能玩得转。deep learning也是NN的进阶版。60年代就有了。如果不是计算机技术的发展，还是科学幻想。我不明白怎么叫转人工智能，领域内只是越玩越高级了。人生三大梦想，无人驾驶，AI， 时光机，一个个都要实现了吗？

yangwendy 发表于 3/22/2017 5:14:12 PM

前两个和后一个不是一个量级的。因为前两个起码不违反物理定律，只是需要很多人的努力。sad news is时光机目前理论上都不支持，更不要说付诸实践了。所以mm的梦想在有生之年最多只能实现2/3，不过也很多了。

Thanks for sharing!

mark

☆ 发自 iPhone 华人一网 1.11.08

楼主能写写怎么找工作吗？ld找了好几个月了，没有什么盼头呀，哭
sheryl 发表于 3/22/2017 6:57:57 PM

同问

赞好文 顶

mark

我从IT reporting转到lz所谓的第一/二种结合部，本来想往编程走，但是觉得偏business的更有意思，也觉得会越老越吃香，外包机会也少。当然挣的不如编程多，不过年纪大了动不了脑子了 :)

好贴，谢谢楼主的分享！

mark mark

楼主等你等你等你

楼主请教一下, 如果CPA+ 某种语言 这种在您说的第一类发展前景如何呢, 谢谢

mark thanks

总结的很好。我第一和第二都做过。现在主要是第一个。在这个domain 已经很多年了，觉得很合适自己，工作也相对比较轻松。

先简单说一下自己的情况，lz苦逼专业转行过来，大龄，花了一年半时间准备，快两年的时候找到了第一份工作，期间换过一份工作，现在湾区某大公司任data scientist

data scientist 这个行业在大数据时代很火，很多学校也陆续开设了相关的数据专业项目，特点都是培训时间短，强度大，就业率高，所以这学费也是一涨再涨，我之前也研究过各个学校的数据项目，分析过利弊，也申请成功一个，不过各种原因没有读下去。关于数据专业的项目，以后有空再来讲，今天先讲这个行业是怎么回事吧

data scientist其实在每个公司的定位不一样，有些偏business，也就是所谓的data analyst, business intelligent， 有些偏技术，在偏技术的职位里，有偏统计的:比如做实验设计（ab test），做模型的prototype; 有些偏CS的，比如 machine learning in big data framework，现在很火的deep learning.

从收入来讲，基本偏编程的data scientist薪水最高，在编程的data scientist里， 做deep learning算法的薪水最高。某土豪公司的搞machine learning算法的薪水差不多平均half million

但是，咱们也得看自己是哪块料，对哪行感兴趣是不。下面我就慢慢分析每种data scientist是干啥的，以及skill set

偏business的：对技术要求最低，基本会个sql就行，如果再会个基本的语言，比如r, python甚至sas就可以了。对soft skill要求很高，因为要经常跟marketing team, pm team 打交道。日常工作就是pull data, data cleaning, data manipulation，看看有什么insights， 最后的结果有时候做个dash board, 有时候就是excel里弄个pivot table就行。但是一个好的data analyst是可以从这些数据里总结出有价值的insights，如果上面决定take action of your insights，对公司的business还是影响挺大的。其实这个是data analyst工作中最难的一点，真的需要一定的经验才可以培养出来。但是一旦做个1-2年上手了，工作会比较轻松。

偏技术的：先说偏统计的吧。这部分人介于data analyst跟machine learning engineer之间，对技术要求比较全面，既要会sql，也要会用编程语言写一些模型的prototype，比如predict churn rate，用最简单的logistic regression就可以解决，但是你的code不是用一次就行，要每个月，甚至每周都用，所以要搭建一些pipeline可以让这个过程automate一下。所以对编程还是有一定要求的。有些公司用的大数据框架，你可能就得用spark。python的同学都在用pyspark。另外还要有一定的business sense，知道你做的模型能够解决什么business 问题，有什么impact。另外还有一部分人专门做实验设计，这块我不是很懂，所以不多说了。我觉得这部分人其实是个full stack的要求。但是如果你是技术类型的，即便不是统计cs科班出身，努努力还是可以入行的。

偏machine learning的，这些一般都是计算机专业的人在做，需要很懂什么是分布式系统，他们的作用是把模型在大数据框架下impletement出来，或者在原有的模型构建好的pipeline里如何去优化一下这个过程。更高端一些的研究machine learning算法的，这部分人基本都是cs phd们在做。不是科班出身的很难混进去。

先说这么多了，我也是转行过来，可能对行业的理解还不是很透彻，希望对想转行的，或者还在迷茫中的姐妹们有些帮助。欢迎大家补充~~

今晚回来讲一下ds面试准备，还有入行后的发展方向吧, 先去上班了，又是忙碌的一天

whats_up 发表于 3/22/2017 2:45:25 AM

谢谢分享，LZ是什么专业转的？

赞科普

先简单说一下自己的情况，lz苦逼专业转行过来，大龄，花了一年半时间准备，快两年的时候找到了第一份工作，期间换过一份工作，现在湾区某大公司任data scientist

data scientist 这个行业在大数据时代很火，很多学校也陆续开设了相关的数据专业项目，特点都是培训时间短，强度大，就业率高，所以这学费也是一涨再涨，我之前也研究过各个学校的数据项目，分析过利弊，也申请成功一个，不过各种原因没有读下去。关于数据专业的项目，以后有空再来讲，今天先讲这个行业是怎么回事吧

data scientist其实在每个公司的定位不一样，有些偏business，也就是所谓的data analyst, business intelligent， 有些偏技术，在偏技术的职位里，有偏统计的:比如做实验设计（ab test），做模型的prototype; 有些偏CS的，比如 machine learning in big data framework，现在很火的deep learning.

从收入来讲，基本偏编程的data scientist薪水最高，在编程的data scientist里， 做deep learning算法的薪水最高。某土豪公司的搞machine learning算法的薪水差不多平均half million

但是，咱们也得看自己是哪块料，对哪行感兴趣是不。下面我就慢慢分析每种data scientist是干啥的，以及skill set

偏business的：对技术要求最低，基本会个sql就行，如果再会个基本的语言，比如r, python甚至sas就可以了。对soft skill要求很高，因为要经常跟marketing team, pm team 打交道。日常工作就是pull data, data cleaning, data manipulation，看看有什么insights， 最后的结果有时候做个dash board, 有时候就是excel里弄个pivot table就行。但是一个好的data analyst是可以从这些数据里总结出有价值的insights，如果上面决定take action of your insights，对公司的business还是影响挺大的。其实这个是data analyst工作中最难的一点，真的需要一定的经验才可以培养出来。但是一旦做个1-2年上手了，工作会比较轻松。

偏技术的：先说偏统计的吧。这部分人介于data analyst跟machine learning engineer之间，对技术要求比较全面，既要会sql，也要会用编程语言写一些模型的prototype，比如predict churn rate，用最简单的logistic regression就可以解决，但是你的code不是用一次就行，要每个月，甚至每周都用，所以要搭建一些pipeline可以让这个过程automate一下。所以对编程还是有一定要求的。有些公司用的大数据框架，你可能就得用spark。python的同学都在用pyspark。另外还要有一定的business sense，知道你做的模型能够解决什么business 问题，有什么impact。另外还有一部分人专门做实验设计，这块我不是很懂，所以不多说了。我觉得这部分人其实是个full stack的要求。但是如果你是技术类型的，即便不是统计cs科班出身，努努力还是可以入行的。

偏machine learning的，这些一般都是计算机专业的人在做，需要很懂什么是分布式系统，他们的作用是把模型在大数据框架下impletement出来，或者在原有的模型构建好的pipeline里如何去优化一下这个过程。更高端一些的研究machine learning算法的，这部分人基本都是cs phd们在做。不是科班出身的很难混进去。

先说这么多了，我也是转行过来，可能对行业的理解还不是很透彻，希望对想转行的，或者还在迷茫中的姐妹们有些帮助。欢迎大家补充~~

今晚回来讲一下ds面试准备，还有入行后的发展方向吧, 先去上班了，又是忙碌的一天

whats_up 发表于 3/22/2017 2:45:25 AM

mark

mark mark

收到不少短信，实在没有时间一一回复，大家有问题都放在楼里吧，我有时间就帮着回答下

谢谢lz热心分享，赞！

跟我想法一样

生物坑跳出来的，做Data analyst，差不多就是r programming,偶尔一丢丢Python。
公司有专门的specialist根据数据结果写分析。 出什么数据也是比较八股的。
比起博后来，工资高了一截，轻松很多，家里有事就wfk，只有urgent request时候有点压力。
感觉太简单了，没有安全感，还在自学Data scientist的课，有机会换个技术要求高点的。

data scientist是干啥的

先简单说一下自己的情况，lz苦逼专业转行过来，大龄，花了一年半时间准备，快两年的时候找到了第一份工作，期间换过一份工作，现在湾区某大公司任data scientist

data scientist 这个行业在大数据时代很火，很多学校也陆续开设了相关的数据专业项目，特点都是培训时间短，强度大，就业率高，所以这学费也是一涨再涨，我之前也研究过各个学校的数据项目，分析过利弊，也申请成功一个，不过各种原因没有读下去。关于数据专业的项目，以后有空再来讲，今天先讲这个行业是怎么回事吧

data scientist其实在每个公司的定位不一样，有些偏business，也就是所谓的data analyst, business intelligent， 有些偏技术，在偏技术的职位里，有偏统计的:比如做实验设计（ab test），做模型的prototype; 有些偏CS的，比如 machine learning in big data framework，现在很火的deep learning.

从收入来讲，基本偏编程的data scientist薪水最高，在编程的data scientist里， 做deep learning算法的薪水最高。某土豪公司的搞machine learning算法的薪水差不多平均half million

但是，咱们也得看自己是哪块料，对哪行感兴趣是不。下面我就慢慢分析每种data scientist是干啥的，以及skill set

偏business的：对技术要求最低，基本会个sql就行，如果再会个基本的语言，比如r, python甚至sas就可以了。对soft skill要求很高，因为要经常跟marketing team, pm team 打交道。日常工作就是pull data, data cleaning, data manipulation，看看有什么insights， 最后的结果有时候做个dash board, 有时候就是excel里弄个pivot table就行。但是一个好的data analyst是可以从这些数据里总结出有价值的insights，如果上面决定take action of your insights，对公司的business还是影响挺大的。其实这个是data analyst工作中最难的一点，真的需要一定的经验才可以培养出来。但是一旦做个1-2年上手了，工作会比较轻松。

偏技术的：先说偏统计的吧。这部分人介于data analyst跟machine learning engineer之间，对技术要求比较全面，既要会sql，也要会用编程语言写一些模型的prototype，比如predict churn rate，用最简单的logistic regression就可以解决，但是你的code不是用一次就行，要每个月，甚至每周都用，所以要搭建一些pipeline可以让这个过程automate一下。所以对编程还是有一定要求的。有些公司用的大数据框架，你可能就得用spark。python的同学都在用pyspark。另外还要有一定的business sense，知道你做的模型能够解决什么business 问题，有什么impact。另外还有一部分人专门做实验设计，这块我不是很懂，所以不多说了。我觉得这部分人其实是个full stack的要求。但是如果你是技术类型的，即便不是统计cs科班出身，努努力还是可以入行的。

偏machine learning的，这些一般都是计算机专业的人在做，需要很懂什么是分布式系统，他们的作用是把模型在大数据框架下impletement出来，或者在原有的模型构建好的pipeline里如何去优化一下这个过程。更高端一些的研究machine learning算法的，这部分人基本都是cs phd们在做。不是科班出身的很难混进去。

先说这么多了，我也是转行过来，可能对行业的理解还不是很透彻，希望对想转行的，或者还在迷茫中的姐妹们有些帮助。欢迎大家补充~~

今晚回来讲一下ds面试准备，还有入行后的发展方向吧, 先去上班了，又是忙碌的一天

入行后data scientist的发展

忙了一天，娃又生病，刚把娃哄好，准备睡觉前更新下，今天的内容不会太多，主要是说一下入行以后的发展方向，其实很多人刚入行做某个方向，后面越做要么越偏码工，要么越偏business。这次从我上面说的第二种，也就是full stack的data scientist说起吧。

其实第二种的，地位有点略尴尬，因为很多时候大家都是在为business服务，大家刚入行的时候都报着想做个fancy的machine learning模型出来，然后给公司带来多么多么大的impact，但是你到了公司就知道，基本所有公司的数据都“不怎么地”，太多的bad data，首先就要花大量的时间去做data clearning，你数据不好，不论做什么分析，都是trash in trash out，毫无价值。数据整理好以后，也不是就生搬硬套弄个模型进来就完事。不像我们在学校写作业，甚至kaggle里面的数据竞赛，objective都很明确。很多时候我们其实并不了解business的需要，都不知道这些数据能干啥，所以即便你会用deep learning的工具包，不了解business的需要，也做不出啥有价值的东西。即便你找到一个很值得去用模型预测的变量，你的模型预测准确率非常好，但是你只能准备预测出很小一部分人的行为，也是白搭。举个最简单的例子：某公司想target一部分客户，那么我们把客户的profile数据弄出来，去预测这个客户会不会购买我们的产品，我们希望去target那些更有可能购买我们产品的客户。我们用random forest去预测，准确率高达95%，但是其实我们预测出来的购买产品的不到population的10%，你这个模型对于marketing的人来说是没有价值的。他们会觉得，你只有这么点人可以target，那么这个campaign也不用去做了。当然了，你可以调整模型预测的阈值来获取更多的可以target的客户，这里就不讨论技术了，只是举个简单的例子。

所以做第二种的，大多数人最后都要么朝着business 方向发展，变成了data/product analyst，如果痛恨business，讨厌跟marketing人打交道，就喜欢安安静静写写code，这部分人最后都成了data engineer甚至software engineer。有那么一小部分人（反正我没见过），真心热爱machine learning，都去做算法了，他们的title大部分是research scientist。

当然了，我也见过第一种最后变成了data engineer/software engineer的。

最后，我想说的是，对于刚入行的人，如果你的工作内容是第一种跟第二种，还是多花些时间去了解下你们行业的business，不要太盲目追求那些buzz words。干了一段时间后，应该就知道自己的兴趣所在了。

关于面试准备，如何转行，等我慢慢更新吧，谢谢大家的关注

whats_up 发表于 3/22/2017 2:45:25 AM

HAO TIE MARK!!!!!!!!!!!

data scientist是干啥的

先简单说一下自己的情况，lz苦逼专业转行过来，大龄，花了一年半时间准备，快两年的时候找到了第一份工作，期间换过一份工作，现在湾区某大公司任data scientist

data scientist 这个行业在大数据时代很火，很多学校也陆续开设了相关的数据专业项目，特点都是培训时间短，强度大，就业率高，所以这学费也是一涨再涨，我之前也研究过各个学校的数据项目，分析过利弊，也申请成功一个，不过各种原因没有读下去。关于数据专业的项目，以后有空再来讲，今天先讲这个行业是怎么回事吧

data scientist其实在每个公司的定位不一样，有些偏business，也就是所谓的data analyst, business intelligent， 有些偏技术，在偏技术的职位里，有偏统计的:比如做实验设计（ab test），做模型的prototype; 有些偏CS的，比如 machine learning in big data framework，现在很火的deep learning.

从收入来讲，基本偏编程的data scientist薪水最高，在编程的data scientist里， 做deep learning算法的薪水最高。某土豪公司的搞machine learning算法的薪水差不多平均half million

但是，咱们也得看自己是哪块料，对哪行感兴趣是不。下面我就慢慢分析每种data scientist是干啥的，以及skill set

偏business的：对技术要求最低，基本会个sql就行，如果再会个基本的语言，比如r, python甚至sas就可以了。对soft skill要求很高，因为要经常跟marketing team, pm team 打交道。日常工作就是pull data, data cleaning, data manipulation，看看有什么insights， 最后的结果有时候做个dash board, 有时候就是excel里弄个pivot table就行。但是一个好的data analyst是可以从这些数据里总结出有价值的insights，如果上面决定take action of your insights，对公司的business还是影响挺大的。其实这个是data analyst工作中最难的一点，真的需要一定的经验才可以培养出来。但是一旦做个1-2年上手了，工作会比较轻松。

偏技术的：先说偏统计的吧。这部分人介于data analyst跟machine learning engineer之间，对技术要求比较全面，既要会sql，也要会用编程语言写一些模型的prototype，比如predict churn rate，用最简单的logistic regression就可以解决，但是你的code不是用一次就行，要每个月，甚至每周都用，所以要搭建一些pipeline可以让这个过程automate一下。所以对编程还是有一定要求的。有些公司用的大数据框架，你可能就得用spark。python的同学都在用pyspark。另外还要有一定的business sense，知道你做的模型能够解决什么business 问题，有什么impact。另外还有一部分人专门做实验设计，这块我不是很懂，所以不多说了。我觉得这部分人其实是个full stack的要求。但是如果你是技术类型的，即便不是统计cs科班出身，努努力还是可以入行的。

偏machine learning的，这些一般都是计算机专业的人在做，需要很懂什么是分布式系统，他们的作用是把模型在大数据框架下impletement出来，或者在原有的模型构建好的pipeline里如何去优化一下这个过程。更高端一些的研究machine learning算法的，这部分人基本都是cs phd们在做。不是科班出身的很难混进去。

先说这么多了，我也是转行过来，可能对行业的理解还不是很透彻，希望对想转行的，或者还在迷茫中的姐妹们有些帮助。欢迎大家补充~~

今晚回来讲一下ds面试准备，还有入行后的发展方向吧, 先去上班了，又是忙碌的一天

入行后data scientist的发展

忙了一天，娃又生病，刚把娃哄好，准备睡觉前更新下，今天的内容不会太多，主要是说一下入行以后的发展方向，其实很多人刚入行做某个方向，后面越做要么越偏码工，要么越偏business。这次从我上面说的第二种，也就是full stack的data scientist说起吧。

其实第二种的，地位有点略尴尬，因为很多时候大家都是在为business服务，大家刚入行的时候都报着想做个fancy的machine learning模型出来，然后给公司带来多么多么大的impact，但是你到了公司就知道，基本所有公司的数据都“不怎么地”，太多的bad data，首先就要花大量的时间去做data clearning，你数据不好，不论做什么分析，都是trash in trash out，毫无价值。数据整理好以后，也不是就生搬硬套弄个模型进来就完事。不像我们在学校写作业，甚至kaggle里面的数据竞赛，objective都很明确。很多时候我们其实并不了解business的需要，都不知道这些数据能干啥，所以即便你会用deep learning的工具包，不了解business的需要，也做不出啥有价值的东西。即便你找到一个很值得去用模型预测的变量，你的模型预测准确率非常好，但是你只能准备预测出很小一部分人的行为，也是白搭。举个最简单的例子：某公司想target一部分客户，那么我们把客户的profile数据弄出来，去预测这个客户会不会购买我们的产品，我们希望去target那些更有可能购买我们产品的客户。我们用random forest去预测，准确率高达95%，但是其实我们预测出来的购买产品的不到population的10%，你这个模型对于marketing的人来说是没有价值的。他们会觉得，你只有这么点人可以target，那么这个campaign也不用去做了。当然了，你可以调整模型预测的阈值来获取更多的可以target的客户，这里就不讨论技术了，只是举个简单的例子。

所以做第二种的，大多数人最后都要么朝着business 方向发展，变成了data/product analyst，如果痛恨business，讨厌跟marketing人打交道，就喜欢安安静静写写code，这部分人最后都成了data engineer甚至software engineer。有那么一小部分人（反正我没见过），真心热爱machine learning，都去做算法了，他们的title大部分是research scientist。

当然了，我也见过第一种最后变成了data engineer/software engineer的。

最后，我想说的是，对于刚入行的人，如果你的工作内容是第一种跟第二种，还是多花些时间去了解下你们行业的business，不要太盲目追求那些buzz words。干了一段时间后，应该就知道自己的兴趣所在了。

关于面试准备，如何转行，等我慢慢更新吧，谢谢大家的关注

whats_up 发表于 3/22/2017 2:45:25 AM

LZ妹子，我觉得你们组不能只盯着internal client, 毕竟DS是给公司制造新的效益的。只服务marketing真的好窄，而且那些人还挺难相处。

我这儿DS工作要求写project/product proposal, 找business partner，帮我找客户。外面客户给钱再做事。pivot partner一开始不给钱也行，但是没有钱景的项目，最后都是死。公司很现实。跟sale/marketing合作，他们可以帮忙和客户沟通，但是做决定和demo还要自己上啊。有好的项目，sale都想过来帮忙的，

DS工作内容好像差别很大，我公司是DS管DE和DA。DS转行做DA的可能性不大。工资少一半啊。我觉得做DE不错，性价比高。

开发算法？I wish。我们组的计划里面有发表文章，申请专利这些。但是公司做事，第一目标永远是钱钱钱。

LZ妹子，我觉得你们组不能只盯着internal client, 毕竟DS是给公司制造新的效益的。只服务marketing真的好窄，而且那些人还挺难相处。

我这儿DS工作要求写project/product proposal, 找business partner，帮我找客户。外面客户给钱再做事。pivot partner一开始不给钱也行，但是没有钱景的项目，最后都是死。公司很现实。跟sale/marketing合作，他们可以帮忙和客户沟通，但是做决定和demo还要自己上啊。有好的项目，sale都想过来帮忙的，

DS工作内容好像差别很大，我公司是DS管DE和DA。DS转行做DA的可能性不大。工资少一半啊。我觉得做DE不错，性价比高。

开发算法？I wish。我们组的计划里面有发表文章，申请专利这些。但是公司做事，第一目标永远是钱钱钱。

yangwendy 发表于 3/23/2017 10:15:17 AM

其实我的职位就是marketing data scientist，所以基本就是服务marketing的，我自己的工作是做一些automation，加analytics，因为产品比价新，所以压力还是挺大的。另外真的是看公司了，有些da不是单纯的就pull data, clean data，报告个结果就完事。她们会做很多有价值的分析，有了几年经验后对领域了解的很好，还是挺值钱的，我老板就是这样子。不过我个人兴趣还是更想往data engineer发展

其实我的职位就是marketing data scientist，所以基本就是服务marketing的，我自己的工作是做一些automation，加analytics，因为产品比价新，所以压力还是挺大的。另外真的是看公司了，有些da不是单纯的就pull data, clean data，报告个结果就完事。她们会做很多有价值的分析，有了几年经验后对领域了解的很好，还是挺值钱的，我老板就是这样子。不过我个人兴趣还是更想往data engineer发展

whats_up 发表于 3/23/2017 10:53:09 AM

lz总结的真好，你们那里是大数据平台吗

太好了，谢谢

好贴，等楼主更新

第三种公司招的很少，第一种和第二种需求量 大一些。 最好先做第二种， 有经验了再做第一种。

mark

干货帖！！马克一下慢慢读。。

Mark data scientist

期待面试准备部分

lz说得很好。在公司里真的挖数据，绝大多数数据都是非常dirty的。要么培养自己的business insight，要么往纯马工靠。大热的cs算法跟实际business问题的结合是非常大的空白，有这种能力的人不多。如果做得好非常有前途，至于title叫啥，不重要。

我觉得应该有学校开个类似的专业，现在的大多数BI还是不够cs。

mm写的很好，谢谢分享。也有考虑过转行ds，但是一直觉的定位不够明确犹豫。看mm的介绍觉得很有启发。

https://www.fool.com/investing/2017/02/28/facebook-incs-chatbots-hit-a-70-failure-rate.aspx

看来你很擅长张嘴就来，表演起来驾轻就熟

scootie 发表于 3/22/2017 4:40:01 PM

“Despite those missteps, Facebook probably won't stop investing in chatbots anytime soon. ”这个news最后并没有说cut AI spending啊。事实上这说明AI还有很长的路要走，还有很多问题待解决啊。Problems occurring doesn't mean it's a deadlock, it's just a road never taken.

老公第三种，本科学历，10年工作经历一直做的这领域。最近在转人工智能，他说大数据已经不火了
dadele 发表于 3/22/2017 4:34:09 PM

big data在不同setting下的概念很不一样。一开始出现big data，带来了很多计算问题，当时的计算机性能有限，有很多人研究efficient的算法。现在计算机性能高多了，这方面需求低了。但是现在的big data又有新的问题出现。AI前进的动力之一就是big data。Feifei的数据库为什么对AI的贡献如此大？因为是big data。

外行帮顶

赞好文

data science mark

回复 1楼whats_up的帖子

谢谢分享。

楼主写的好

mak ds

生物坑跳出来的，做Data analyst，差不多就是r programming,偶尔一丢丢Python。
公司有专门的specialist根据数据结果写分析。 出什么数据也是比较八股的。
比起博后来，工资高了一截，轻松很多，家里有事就wfk，只有urgent request时候有点压力。
感觉太简单了，没有安全感，还在自学Data scientist的课，有机会换个技术要求高点的。
盈盈红烛三生约 发表于 3/23/2017 8:54:47 AM

跟薄厚比当然收入高了。那要是生物类找到工作的人比呢？我火坑专业硕士一枚，一直有工作，但是也很有危机感，觉得吃青春饭，怕再老点被雷了找不到下家。不知道要不要转 。

跟薄厚比当然收入高了。那要是生物类找到工作的人比呢？我火坑专业硕士一枚，一直有工作，但是也很有危机感，觉得吃青春饭，怕再老点被雷了找不到下家。不知道要不要转 。

lianqiao 发表于 3/24/2017 2:29:33 AM

我身边的case其实data analyst跟生化类的research scientist（硕士毕业的）收入差不多。生化类的真的找到了工作，工资并不差。但是如果被雷，data类的想重新找，比生化类的强多了。大公司可能layoff的可能性低一些，但假如遇到另一半要跳槽relocate这样的事情呢？另一个就是看兴趣吧。真的喜欢做实验，没必要非逼着自己搞data。我当年做个project天天clean data都想吐了。

赞楼主~学习啦

呼唤楼主快来更新啊！！！

感谢分享！

多谢lz分享

多谢lz分享 mark DS

楼主，我又来催更了。 你要是忙完了就来更新帖子哈，真的很想看你的面试准备！！谢谢拉

Mark, mark..........

赞，多谢总结分享。。。。。。。。。。。。。。。。。。。。

我们部门有过2个博士、一个统计、一个信息技术、都是被年底review 低的、2个都自动走人了、偏商业、确实eq需要高一些、发现好多技术大拿都有适应商业环境的困扰、不太会沟通结果、不太会沟通、因为商业4环境常常自己要去琢磨数据在那儿、项目结果是不是于企业利益挂钩、与老板利益挂钩、如何与不同级别、团队合作、 项目结果付出与汇报的比例、这些在商业环境里对 做分析的要求很高、而且如何用非技术语言解析数据也重要

我从IT reporting转到lz所谓的第一/二种结合部，本来想往编程走，但是觉得偏business的更有意思，也觉得会越老越吃香，外包机会也少。当然挣的不如编程多，不过年纪大了动不了脑子了 :)
GTAgal 发表于 3/22/2017 7:59:36 PM

也是觉得#1、越老越吃香、但是基本是soft skill和 business experience 越来越抢、对从数据里看出insight的能力越来越强、就是说白了、从数据里看出东西的明感度越来越强

马克一下！期待楼主讲讲面试找工作

我身边的case其实data analyst跟生化类的research scientist（硕士毕业的）收入差不多。生化类的真的找到了工作，工资并不差。但是如果被雷，data类的想重新找，比生化类的强多了。大公司可能layoff的可能性低一些，但假如遇到另一半要跳槽relocate这样的事情呢？另一个就是看兴趣吧。真的喜欢做实验，没必要非逼着自己搞data。我当年做个project天天clean data都想吐了。

Cath226 发表于 3/24/2017 9:18:18 AM

da的工资就是六七万的样子，确实跟生化硕士差不多，但现在工作虽然好找，将来也不好讲，毕竟读的人太太多了，周围全是，学校每年扩招20%，还有很多速成班，很多转行的

多谢lz分享 ~~

我们部门有过2个博士、一个统计、一个信息技术、都是被年底review 低的、2个都自动走人了、偏商业、确实eq需要高一些、发现好多技术大拿都有适应商业环境的困扰、不太会沟通结果、不太会沟通、因为商业4环境常常自己要去琢磨数据在那儿、项目结果是不是于企业利益挂钩、与老板利益挂钩、如何与不同级别、团队合作、 项目结果付出与汇报的比例、这些在商业环境里对 做分析的要求很高、而且如何用非技术语言解析数据也重要
chinacreek 发表于 3/28/2017 10:45:20 PM

确实。有的business还有production的deadline，到时间要publish数据报告给client，那真是一天也不能耽误，压力蛮大的。

顶 大三狗学习一下

回复 1楼whats_up的帖子

谢谢楼主分享！！！

mark 学习一下

马克一下，新手现在正在刷sql，多学习学习~  data science

感谢分享

我是纯粹来膜拜mm的， mm大牛！

mark 一下。

写的不错

data scientist是干啥的

先简单说一下自己的情况，lz苦逼专业转行过来，大龄，花了一年半时间准备，快两年的时候找到了第一份工作，期间换过一份工作，现在湾区某大公司任data scientist

data scientist 这个行业在大数据时代很火，很多学校也陆续开设了相关的数据专业项目，特点都是培训时间短，强度大，就业率高，所以这学费也是一涨再涨，我之前也研究过各个学校的数据项目，分析过利弊，也申请成功一个，不过各种原因没有读下去。关于数据专业的项目，以后有空再来讲，今天先讲这个行业是怎么回事吧

data scientist其实在每个公司的定位不一样，有些偏business，也就是所谓的data analyst, business intelligent， 有些偏技术，在偏技术的职位里，有偏统计的:比如做实验设计（ab test），做模型的prototype; 有些偏CS的，比如 machine learning in big data framework，现在很火的deep learning.

从收入来讲，基本偏编程的data scientist薪水最高，在编程的data scientist里， 做deep learning算法的薪水最高。某土豪公司的搞machine learning算法的薪水差不多平均half million

但是，咱们也得看自己是哪块料，对哪行感兴趣是不。下面我就慢慢分析每种data scientist是干啥的，以及skill set

偏business的：对技术要求最低，基本会个sql就行，如果再会个基本的语言，比如r, python甚至sas就可以了。对soft skill要求很高，因为要经常跟marketing team, pm team 打交道。日常工作就是pull data, data cleaning, data manipulation，看看有什么insights， 最后的结果有时候做个dash board, 有时候就是excel里弄个pivot table就行。但是一个好的data analyst是可以从这些数据里总结出有价值的insights，如果上面决定take action of your insights，对公司的business还是影响挺大的。其实这个是data analyst工作中最难的一点，真的需要一定的经验才可以培养出来。但是一旦做个1-2年上手了，工作会比较轻松。

偏技术的：先说偏统计的吧。这部分人介于data analyst跟machine learning engineer之间，对技术要求比较全面，既要会sql，也要会用编程语言写一些模型的prototype，比如predict churn rate，用最简单的logistic regression就可以解决，但是你的code不是用一次就行，要每个月，甚至每周都用，所以要搭建一些pipeline可以让这个过程automate一下。所以对编程还是有一定要求的。有些公司用的大数据框架，你可能就得用spark。python的同学都在用pyspark。另外还要有一定的business sense，知道你做的模型能够解决什么business 问题，有什么impact。另外还有一部分人专门做实验设计，这块我不是很懂，所以不多说了。我觉得这部分人其实是个full stack的要求。但是如果你是技术类型的，即便不是统计cs科班出身，努努力还是可以入行的。

偏machine learning的，这些一般都是计算机专业的人在做，需要很懂什么是分布式系统，他们的作用是把模型在大数据框架下impletement出来，或者在原有的模型构建好的pipeline里如何去优化一下这个过程。更高端一些的研究machine learning算法的，这部分人基本都是cs phd们在做。不是科班出身的很难混进去。

先说这么多了，我也是转行过来，可能对行业的理解还不是很透彻，希望对想转行的，或者还在迷茫中的姐妹们有些帮助。欢迎大家补充~~

今晚回来讲一下ds面试准备，还有入行后的发展方向吧, 先去上班了，又是忙碌的一天

入行后data scientist的发展

忙了一天，娃又生病，刚把娃哄好，准备睡觉前更新下，今天的内容不会太多，主要是说一下入行以后的发展方向，其实很多人刚入行做某个方向，后面越做要么越偏码工，要么越偏business。这次从我上面说的第二种，也就是full stack的data scientist说起吧。

其实第二种的，地位有点略尴尬，因为很多时候大家都是在为business服务，大家刚入行的时候都报着想做个fancy的machine learning模型出来，然后给公司带来多么多么大的impact，但是你到了公司就知道，基本所有公司的数据都“不怎么地”，太多的bad data，首先就要花大量的时间去做data clearning，你数据不好，不论做什么分析，都是trash in trash out，毫无价值。数据整理好以后，也不是就生搬硬套弄个模型进来就完事。不像我们在学校写作业，甚至kaggle里面的数据竞赛，objective都很明确。很多时候我们其实并不了解business的需要，都不知道这些数据能干啥，所以即便你会用deep learning的工具包，不了解business的需要，也做不出啥有价值的东西。即便你找到一个很值得去用模型预测的变量，你的模型预测准确率非常好，但是你只能准备预测出很小一部分人的行为，也是白搭。举个最简单的例子：某公司想target一部分客户，那么我们把客户的profile数据弄出来，去预测这个客户会不会购买我们的产品，我们希望去target那些更有可能购买我们产品的客户。我们用random forest去预测，准确率高达95%，但是其实我们预测出来的购买产品的不到population的10%，你这个模型对于marketing的人来说是没有价值的。他们会觉得，你只有这么点人可以target，那么这个campaign也不用去做了。当然了，你可以调整模型预测的阈值来获取更多的可以target的客户，这里就不讨论技术了，只是举个简单的例子。

所以做第二种的，大多数人最后都要么朝着business 方向发展，变成了data/product analyst，如果痛恨business，讨厌跟marketing人打交道，就喜欢安安静静写写code，这部分人最后都成了data engineer甚至software engineer。有那么一小部分人（反正我没见过），真心热爱machine learning，都去做算法了，他们的title大部分是research scientist。

当然了，我也见过第一种最后变成了data engineer/software engineer的。

最后，我想说的是，对于刚入行的人，如果你的工作内容是第一种跟第二种，还是多花些时间去了解下你们行业的business，不要太盲目追求那些buzz words。干了一段时间后，应该就知道自己的兴趣所在了。

关于面试准备，如何转行，等我慢慢更新吧，谢谢大家的关注

whats_up 发表于 3/22/2017 2:45:25 AM

写得真好！谢谢分享！

data scientist是干啥的

先简单说一下自己的情况，lz苦逼专业转行过来，大龄，花了一年半时间准备，快两年的时候找到了第一份工作，期间换过一份工作，现在湾区某大公司任data scientist

data scientist 这个行业在大数据时代很火，很多学校也陆续开设了相关的数据专业项目，特点都是培训时间短，强度大，就业率高，所以这学费也是一涨再涨，我之前也研究过各个学校的数据项目，分析过利弊，也申请成功一个，不过各种原因没有读下去。关于数据专业的项目，以后有空再来讲，今天先讲这个行业是怎么回事吧

data scientist其实在每个公司的定位不一样，有些偏business，也就是所谓的data analyst, business intelligent， 有些偏技术，在偏技术的职位里，有偏统计的:比如做实验设计（ab test），做模型的prototype; 有些偏CS的，比如 machine learning in big data framework，现在很火的deep learning.

从收入来讲，基本偏编程的data scientist薪水最高，在编程的data scientist里， 做deep learning算法的薪水最高。某土豪公司的搞machine learning算法的薪水差不多平均half million

但是，咱们也得看自己是哪块料，对哪行感兴趣是不。下面我就慢慢分析每种data scientist是干啥的，以及skill set

偏business的：对技术要求最低，基本会个sql就行，如果再会个基本的语言，比如r, python甚至sas就可以了。对soft skill要求很高，因为要经常跟marketing team, pm team 打交道。日常工作就是pull data, data cleaning, data manipulation，看看有什么insights， 最后的结果有时候做个dash board, 有时候就是excel里弄个pivot table就行。但是一个好的data analyst是可以从这些数据里总结出有价值的insights，如果上面决定take action of your insights，对公司的business还是影响挺大的。其实这个是data analyst工作中最难的一点，真的需要一定的经验才可以培养出来。但是一旦做个1-2年上手了，工作会比较轻松。

偏技术的：先说偏统计的吧。这部分人介于data analyst跟machine learning engineer之间，对技术要求比较全面，既要会sql，也要会用编程语言写一些模型的prototype，比如predict churn rate，用最简单的logistic regression就可以解决，但是你的code不是用一次就行，要每个月，甚至每周都用，所以要搭建一些pipeline可以让这个过程automate一下。所以对编程还是有一定要求的。有些公司用的大数据框架，你可能就得用spark。python的同学都在用pyspark。另外还要有一定的business sense，知道你做的模型能够解决什么business 问题，有什么impact。另外还有一部分人专门做实验设计，这块我不是很懂，所以不多说了。我觉得这部分人其实是个full stack的要求。但是如果你是技术类型的，即便不是统计cs科班出身，努努力还是可以入行的。

偏machine learning的，这些一般都是计算机专业的人在做，需要很懂什么是分布式系统，他们的作用是把模型在大数据框架下impletement出来，或者在原有的模型构建好的pipeline里如何去优化一下这个过程。更高端一些的研究machine learning算法的，这部分人基本都是cs phd们在做。不是科班出身的很难混进去。

先说这么多了，我也是转行过来，可能对行业的理解还不是很透彻，希望对想转行的，或者还在迷茫中的姐妹们有些帮助。欢迎大家补充~~

今晚回来讲一下ds面试准备，还有入行后的发展方向吧, 先去上班了，又是忙碌的一天

入行后data scientist的发展

忙了一天，娃又生病，刚把娃哄好，准备睡觉前更新下，今天的内容不会太多，主要是说一下入行以后的发展方向，其实很多人刚入行做某个方向，后面越做要么越偏码工，要么越偏business。这次从我上面说的第二种，也就是full stack的data scientist说起吧。

其实第二种的，地位有点略尴尬，因为很多时候大家都是在为business服务，大家刚入行的时候都报着想做个fancy的machine learning模型出来，然后给公司带来多么多么大的impact，但是你到了公司就知道，基本所有公司的数据都“不怎么地”，太多的bad data，首先就要花大量的时间去做data clearning，你数据不好，不论做什么分析，都是trash in trash out，毫无价值。数据整理好以后，也不是就生搬硬套弄个模型进来就完事。不像我们在学校写作业，甚至kaggle里面的数据竞赛，objective都很明确。很多时候我们其实并不了解business的需要，都不知道这些数据能干啥，所以即便你会用deep learning的工具包，不了解business的需要，也做不出啥有价值的东西。即便你找到一个很值得去用模型预测的变量，你的模型预测准确率非常好，但是你只能准备预测出很小一部分人的行为，也是白搭。举个最简单的例子：某公司想target一部分客户，那么我们把客户的profile数据弄出来，去预测这个客户会不会购买我们的产品，我们希望去target那些更有可能购买我们产品的客户。我们用random forest去预测，准确率高达95%，但是其实我们预测出来的购买产品的不到population的10%，你这个模型对于marketing的人来说是没有价值的。他们会觉得，你只有这么点人可以target，那么这个campaign也不用去做了。当然了，你可以调整模型预测的阈值来获取更多的可以target的客户，这里就不讨论技术了，只是举个简单的例子。

所以做第二种的，大多数人最后都要么朝着business 方向发展，变成了data/product analyst，如果痛恨business，讨厌跟marketing人打交道，就喜欢安安静静写写code，这部分人最后都成了data engineer甚至software engineer。有那么一小部分人（反正我没见过），真心热爱machine learning，都去做算法了，他们的title大部分是research scientist。

当然了，我也见过第一种最后变成了data engineer/software engineer的。

最后，我想说的是，对于刚入行的人，如果你的工作内容是第一种跟第二种，还是多花些时间去了解下你们行业的business，不要太盲目追求那些buzz words。干了一段时间后，应该就知道自己的兴趣所在了。

关于面试准备，如何转行，等我慢慢更新吧，谢谢大家的关注

whats_up 发表于 3/22/2017 2:45:25 AM

超级强帖留个名，谢谢楼主无私分享

data scientist是干啥的

先简单说一下自己的情况，lz苦逼专业转行过来，大龄，花了一年半时间准备，快两年的时候找到了第一份工作，期间换过一份工作，现在湾区某大公司任data scientist

data scientist 这个行业在大数据时代很火，很多学校也陆续开设了相关的数据专业项目，特点都是培训时间短，强度大，就业率高，所以这学费也是一涨再涨，我之前也研究过各个学校的数据项目，分析过利弊，也申请成功一个，不过各种原因没有读下去。关于数据专业的项目，以后有空再来讲，今天先讲这个行业是怎么回事吧

data scientist其实在每个公司的定位不一样，有些偏business，也就是所谓的data analyst, business intelligent， 有些偏技术，在偏技术的职位里，有偏统计的:比如做实验设计（ab test），做模型的prototype; 有些偏CS的，比如 machine learning in big data framework，现在很火的deep learning.

从收入来讲，基本偏编程的data scientist薪水最高，在编程的data scientist里， 做deep learning算法的薪水最高。某土豪公司的搞machine learning算法的薪水差不多平均half million

但是，咱们也得看自己是哪块料，对哪行感兴趣是不。下面我就慢慢分析每种data scientist是干啥的，以及skill set

偏business的：对技术要求最低，基本会个sql就行，如果再会个基本的语言，比如r, python甚至sas就可以了。对soft skill要求很高，因为要经常跟marketing team, pm team 打交道。日常工作就是pull data, data cleaning, data manipulation，看看有什么insights， 最后的结果有时候做个dash board, 有时候就是excel里弄个pivot table就行。但是一个好的data analyst是可以从这些数据里总结出有价值的insights，如果上面决定take action of your insights，对公司的business还是影响挺大的。其实这个是data analyst工作中最难的一点，真的需要一定的经验才可以培养出来。但是一旦做个1-2年上手了，工作会比较轻松。

偏技术的：先说偏统计的吧。这部分人介于data analyst跟machine learning engineer之间，对技术要求比较全面，既要会sql，也要会用编程语言写一些模型的prototype，比如predict churn rate，用最简单的logistic regression就可以解决，但是你的code不是用一次就行，要每个月，甚至每周都用，所以要搭建一些pipeline可以让这个过程automate一下。所以对编程还是有一定要求的。有些公司用的大数据框架，你可能就得用spark。python的同学都在用pyspark。另外还要有一定的business sense，知道你做的模型能够解决什么business 问题，有什么impact。另外还有一部分人专门做实验设计，这块我不是很懂，所以不多说了。我觉得这部分人其实是个full stack的要求。但是如果你是技术类型的，即便不是统计cs科班出身，努努力还是可以入行的。

偏machine learning的，这些一般都是计算机专业的人在做，需要很懂什么是分布式系统，他们的作用是把模型在大数据框架下impletement出来，或者在原有的模型构建好的pipeline里如何去优化一下这个过程。更高端一些的研究machine learning算法的，这部分人基本都是cs phd们在做。不是科班出身的很难混进去。

先说这么多了，我也是转行过来，可能对行业的理解还不是很透彻，希望对想转行的，或者还在迷茫中的姐妹们有些帮助。欢迎大家补充~~

今晚回来讲一下ds面试准备，还有入行后的发展方向吧, 先去上班了，又是忙碌的一天

入行后data scientist的发展

忙了一天，娃又生病，刚把娃哄好，准备睡觉前更新下，今天的内容不会太多，主要是说一下入行以后的发展方向，其实很多人刚入行做某个方向，后面越做要么越偏码工，要么越偏business。这次从我上面说的第二种，也就是full stack的data scientist说起吧。

其实第二种的，地位有点略尴尬，因为很多时候大家都是在为business服务，大家刚入行的时候都报着想做个fancy的machine learning模型出来，然后给公司带来多么多么大的impact，但是你到了公司就知道，基本所有公司的数据都“不怎么地”，太多的bad data，首先就要花大量的时间去做data clearning，你数据不好，不论做什么分析，都是trash in trash out，毫无价值。数据整理好以后，也不是就生搬硬套弄个模型进来就完事。不像我们在学校写作业，甚至kaggle里面的数据竞赛，objective都很明确。很多时候我们其实并不了解business的需要，都不知道这些数据能干啥，所以即便你会用deep learning的工具包，不了解business的需要，也做不出啥有价值的东西。即便你找到一个很值得去用模型预测的变量，你的模型预测准确率非常好，但是你只能准备预测出很小一部分人的行为，也是白搭。举个最简单的例子：某公司想target一部分客户，那么我们把客户的profile数据弄出来，去预测这个客户会不会购买我们的产品，我们希望去target那些更有可能购买我们产品的客户。我们用random forest去预测，准确率高达95%，但是其实我们预测出来的购买产品的不到population的10%，你这个模型对于marketing的人来说是没有价值的。他们会觉得，你只有这么点人可以target，那么这个campaign也不用去做了。当然了，你可以调整模型预测的阈值来获取更多的可以target的客户，这里就不讨论技术了，只是举个简单的例子。

所以做第二种的，大多数人最后都要么朝着business 方向发展，变成了data/product analyst，如果痛恨business，讨厌跟marketing人打交道，就喜欢安安静静写写code，这部分人最后都成了data engineer甚至software engineer。有那么一小部分人（反正我没见过），真心热爱machine learning，都去做算法了，他们的title大部分是research scientist。

当然了，我也见过第一种最后变成了data engineer/software engineer的。

最后，我想说的是，对于刚入行的人，如果你的工作内容是第一种跟第二种，还是多花些时间去了解下你们行业的business，不要太盲目追求那些buzz words。干了一段时间后，应该就知道自己的兴趣所在了。

关于面试准备，如何转行，等我慢慢更新吧，谢谢大家的关注

whats_up 发表于 3/22/2017 2:45:25 AM

mark
thank you for sharing

data scientist是干啥的

先简单说一下自己的情况，lz苦逼专业转行过来，大龄，花了一年半时间准备，快两年的时候找到了第一份工作，期间换过一份工作，现在湾区某大公司任data scientist

data scientist 这个行业在大数据时代很火，很多学校也陆续开设了相关的数据专业项目，特点都是培训时间短，强度大，就业率高，所以这学费也是一涨再涨，我之前也研究过各个学校的数据项目，分析过利弊，也申请成功一个，不过各种原因没有读下去。关于数据专业的项目，以后有空再来讲，今天先讲这个行业是怎么回事吧

data scientist其实在每个公司的定位不一样，有些偏business，也就是所谓的data analyst, business intelligent， 有些偏技术，在偏技术的职位里，有偏统计的:比如做实验设计（ab test），做模型的prototype; 有些偏CS的，比如 machine learning in big data framework，现在很火的deep learning.

从收入来讲，基本偏编程的data scientist薪水最高，在编程的data scientist里， 做deep learning算法的薪水最高。某土豪公司的搞machine learning算法的薪水差不多平均half million

但是，咱们也得看自己是哪块料，对哪行感兴趣是不。下面我就慢慢分析每种data scientist是干啥的，以及skill set

偏business的：对技术要求最低，基本会个sql就行，如果再会个基本的语言，比如r, python甚至sas就可以了。对soft skill要求很高，因为要经常跟marketing team, pm team 打交道。日常工作就是pull data, data cleaning, data manipulation，看看有什么insights， 最后的结果有时候做个dash board, 有时候就是excel里弄个pivot table就行。但是一个好的data analyst是可以从这些数据里总结出有价值的insights，如果上面决定take action of your insights，对公司的business还是影响挺大的。其实这个是data analyst工作中最难的一点，真的需要一定的经验才可以培养出来。但是一旦做个1-2年上手了，工作会比较轻松。

偏技术的：先说偏统计的吧。这部分人介于data analyst跟machine learning engineer之间，对技术要求比较全面，既要会sql，也要会用编程语言写一些模型的prototype，比如predict churn rate，用最简单的logistic regression就可以解决，但是你的code不是用一次就行，要每个月，甚至每周都用，所以要搭建一些pipeline可以让这个过程automate一下。所以对编程还是有一定要求的。有些公司用的大数据框架，你可能就得用spark。python的同学都在用pyspark。另外还要有一定的business sense，知道你做的模型能够解决什么business 问题，有什么impact。另外还有一部分人专门做实验设计，这块我不是很懂，所以不多说了。我觉得这部分人其实是个full stack的要求。但是如果你是技术类型的，即便不是统计cs科班出身，努努力还是可以入行的。

偏machine learning的，这些一般都是计算机专业的人在做，需要很懂什么是分布式系统，他们的作用是把模型在大数据框架下impletement出来，或者在原有的模型构建好的pipeline里如何去优化一下这个过程。更高端一些的研究machine learning算法的，这部分人基本都是cs phd们在做。不是科班出身的很难混进去。

先说这么多了，我也是转行过来，可能对行业的理解还不是很透彻，希望对想转行的，或者还在迷茫中的姐妹们有些帮助。欢迎大家补充~~

今晚回来讲一下ds面试准备，还有入行后的发展方向吧, 先去上班了，又是忙碌的一天

入行后data scientist的发展

忙了一天，娃又生病，刚把娃哄好，准备睡觉前更新下，今天的内容不会太多，主要是说一下入行以后的发展方向，其实很多人刚入行做某个方向，后面越做要么越偏码工，要么越偏business。这次从我上面说的第二种，也就是full stack的data scientist说起吧。

其实第二种的，地位有点略尴尬，因为很多时候大家都是在为business服务，大家刚入行的时候都报着想做个fancy的machine learning模型出来，然后给公司带来多么多么大的impact，但是你到了公司就知道，基本所有公司的数据都“不怎么地”，太多的bad data，首先就要花大量的时间去做data clearning，你数据不好，不论做什么分析，都是trash in trash out，毫无价值。数据整理好以后，也不是就生搬硬套弄个模型进来就完事。不像我们在学校写作业，甚至kaggle里面的数据竞赛，objective都很明确。很多时候我们其实并不了解business的需要，都不知道这些数据能干啥，所以即便你会用deep learning的工具包，不了解business的需要，也做不出啥有价值的东西。即便你找到一个很值得去用模型预测的变量，你的模型预测准确率非常好，但是你只能准备预测出很小一部分人的行为，也是白搭。举个最简单的例子：某公司想target一部分客户，那么我们把客户的profile数据弄出来，去预测这个客户会不会购买我们的产品，我们希望去target那些更有可能购买我们产品的客户。我们用random forest去预测，准确率高达95%，但是其实我们预测出来的购买产品的不到population的10%，你这个模型对于marketing的人来说是没有价值的。他们会觉得，你只有这么点人可以target，那么这个campaign也不用去做了。当然了，你可以调整模型预测的阈值来获取更多的可以target的客户，这里就不讨论技术了，只是举个简单的例子。

所以做第二种的，大多数人最后都要么朝着business 方向发展，变成了data/product analyst，如果痛恨business，讨厌跟marketing人打交道，就喜欢安安静静写写code，这部分人最后都成了data engineer甚至software engineer。有那么一小部分人（反正我没见过），真心热爱machine learning，都去做算法了，他们的title大部分是research scientist。

当然了，我也见过第一种最后变成了data engineer/software engineer的。

最后，我想说的是，对于刚入行的人，如果你的工作内容是第一种跟第二种，还是多花些时间去了解下你们行业的business，不要太盲目追求那些buzz words。干了一段时间后，应该就知道自己的兴趣所在了。

关于面试准备，如何转行，等我慢慢更新吧，谢谢大家的关注

whats_up 发表于 3/22/2017 2:45:25 AM

这个帖子为啥马不上

mark！

data scientist是干啥的

先简单说一下自己的情况，lz苦逼专业转行过来，大龄，花了一年半时间准备，快两年的时候找到了第一份工作，期间换过一份工作，现在湾区某大公司任data scientist

data scientist 这个行业在大数据时代很火，很多学校也陆续开设了相关的数据专业项目，特点都是培训时间短，强度大，就业率高，所以这学费也是一涨再涨，我之前也研究过各个学校的数据项目，分析过利弊，也申请成功一个，不过各种原因没有读下去。关于数据专业的项目，以后有空再来讲，今天先讲这个行业是怎么回事吧

data scientist其实在每个公司的定位不一样，有些偏business，也就是所谓的data analyst, business intelligent， 有些偏技术，在偏技术的职位里，有偏统计的:比如做实验设计（ab test），做模型的prototype; 有些偏CS的，比如 machine learning in big data framework，现在很火的deep learning.

从收入来讲，基本偏编程的data scientist薪水最高，在编程的data scientist里， 做deep learning算法的薪水最高。某土豪公司的搞machine learning算法的薪水差不多平均half million

但是，咱们也得看自己是哪块料，对哪行感兴趣是不。下面我就慢慢分析每种data scientist是干啥的，以及skill set

偏business的：对技术要求最低，基本会个sql就行，如果再会个基本的语言，比如r, python甚至sas就可以了。对soft skill要求很高，因为要经常跟marketing team, pm team 打交道。日常工作就是pull data, data cleaning, data manipulation，看看有什么insights， 最后的结果有时候做个dash board, 有时候就是excel里弄个pivot table就行。但是一个好的data analyst是可以从这些数据里总结出有价值的insights，如果上面决定take action of your insights，对公司的business还是影响挺大的。其实这个是data analyst工作中最难的一点，真的需要一定的经验才可以培养出来。但是一旦做个1-2年上手了，工作会比较轻松。

偏技术的：先说偏统计的吧。这部分人介于data analyst跟machine learning engineer之间，对技术要求比较全面，既要会sql，也要会用编程语言写一些模型的prototype，比如predict churn rate，用最简单的logistic regression就可以解决，但是你的code不是用一次就行，要每个月，甚至每周都用，所以要搭建一些pipeline可以让这个过程automate一下。所以对编程还是有一定要求的。有些公司用的大数据框架，你可能就得用spark。python的同学都在用pyspark。另外还要有一定的business sense，知道你做的模型能够解决什么business 问题，有什么impact。另外还有一部分人专门做实验设计，这块我不是很懂，所以不多说了。我觉得这部分人其实是个full stack的要求。但是如果你是技术类型的，即便不是统计cs科班出身，努努力还是可以入行的。

偏machine learning的，这些一般都是计算机专业的人在做，需要很懂什么是分布式系统，他们的作用是把模型在大数据框架下impletement出来，或者在原有的模型构建好的pipeline里如何去优化一下这个过程。更高端一些的研究machine learning算法的，这部分人基本都是cs phd们在做。不是科班出身的很难混进去。

先说这么多了，我也是转行过来，可能对行业的理解还不是很透彻，希望对想转行的，或者还在迷茫中的姐妹们有些帮助。欢迎大家补充~~

今晚回来讲一下ds面试准备，还有入行后的发展方向吧, 先去上班了，又是忙碌的一天

入行后data scientist的发展

忙了一天，娃又生病，刚把娃哄好，准备睡觉前更新下，今天的内容不会太多，主要是说一下入行以后的发展方向，其实很多人刚入行做某个方向，后面越做要么越偏码工，要么越偏business。这次从我上面说的第二种，也就是full stack的data scientist说起吧。

其实第二种的，地位有点略尴尬，因为很多时候大家都是在为business服务，大家刚入行的时候都报着想做个fancy的machine learning模型出来，然后给公司带来多么多么大的impact，但是你到了公司就知道，基本所有公司的数据都“不怎么地”，太多的bad data，首先就要花大量的时间去做data clearning，你数据不好，不论做什么分析，都是trash in trash out，毫无价值。数据整理好以后，也不是就生搬硬套弄个模型进来就完事。不像我们在学校写作业，甚至kaggle里面的数据竞赛，objective都很明确。很多时候我们其实并不了解business的需要，都不知道这些数据能干啥，所以即便你会用deep learning的工具包，不了解business的需要，也做不出啥有价值的东西。即便你找到一个很值得去用模型预测的变量，你的模型预测准确率非常好，但是你只能准备预测出很小一部分人的行为，也是白搭。举个最简单的例子：某公司想target一部分客户，那么我们把客户的profile数据弄出来，去预测这个客户会不会购买我们的产品，我们希望去target那些更有可能购买我们产品的客户。我们用random forest去预测，准确率高达95%，但是其实我们预测出来的购买产品的不到population的10%，你这个模型对于marketing的人来说是没有价值的。他们会觉得，你只有这么点人可以target，那么这个campaign也不用去做了。当然了，你可以调整模型预测的阈值来获取更多的可以target的客户，这里就不讨论技术了，只是举个简单的例子。

所以做第二种的，大多数人最后都要么朝着business 方向发展，变成了data/product analyst，如果痛恨business，讨厌跟marketing人打交道，就喜欢安安静静写写code，这部分人最后都成了data engineer甚至software engineer。有那么一小部分人（反正我没见过），真心热爱machine learning，都去做算法了，他们的title大部分是research scientist。

当然了，我也见过第一种最后变成了data engineer/software engineer的。

最后，我想说的是，对于刚入行的人，如果你的工作内容是第一种跟第二种，还是多花些时间去了解下你们行业的business，不要太盲目追求那些buzz words。干了一段时间后，应该就知道自己的兴趣所在了。

关于面试准备，如何转行，等我慢慢更新吧，谢谢大家的关注

whats_up 发表于 3/22/2017 2:45:25 AM

谢谢楼主分享心得！赞一个

mark......

thanks for sharing

楼主不更新了么

马一个，lz还更新吗

Mark.........

MARK MARK

thanks for sharing