原创：MarTechApe

尽管我们现在处于前所未有的不确定性时期，但现在的行业趋势清楚了展现出了数据科学和其他计算机科学相关领域的超高价值。在本文中，我们将介绍2020年数据科学的现状，深入探讨其平均薪资水平。

今天的文章分为5个部分，你可以选择你感兴趣的部分阅读：

全美数据科学家的工资中位数
工作年限对数据科学家薪酬的影响
工作地区对数据科学家薪酬的影响（旧金山、西雅图、纽约等地）
数据科学家与相关行业的薪资比较
Facebook, Google, Amazon, Apple 哪家数据科学家工资更高（Base、Stock、Bonus分类讨论）

1. 数据科学家的薪水是多少？

PayScale（一个薪资洞察平台）上检索到的结论是，数据科学家的当前中位数工资为95,973美元，浮动范围从66k到134k。（注意，这是全美所有公司的中位数，如果你只看科技大厂的话，其薪水会比这个数字大很多。）

更令人眼红的是，PayScale的报告还告诉我们，数据科学家有平均$ 9000的奖金，$ 976 - $ 25,000的分红和$ 1000 - $ 10,000的佣金。

2. 工作经验如何影响薪酬？

下图反映出在数据科学领域，从业经验的长短和薪酬确实有直接的相关性。（同样的，这是全美所有公司的中位数）

图中还反映出了一个关键点：当一个人正式成为数据科学家之后，他其实可以很快就达到行业工资的中位数。我们可以看到，平均来说，一个人在做数据科学家五年后就可以获得超过业内工资中位数的薪酬了。

3. 工作地区对薪酬的影响

不出所料，硅谷看似是最赚钱的地方。但如果考虑到购买力的问题，有些看起来令人艳羡的数字在考虑到该地区的生活成本之后也许也不足为奇。

我们可以使用CoL计算器来研究旧金山和亚特兰大之间的生活成本差异。

下图的结果表明，即使旧金山的工作薪水比其他地区平均要高30％，但在减掉必须的生活费用支出后，你的收入可能依然要比另一个在亚特兰大工作的人要少。

而且如果你仔细看两张图右下角的数据就会发现：亚特兰大在每一项生活成本上都要便宜得多！让我们来做个详细计算：全国平均租金：$1,468。亚特兰大：$1380 ，旧金山：$3392。乘上12个月，那么每年光是房租的净差额就有24,144美元！更不必提其他诸如水电费，食物，和日用品的费用（这些费用在两个城市之间的差异也很大）。因此，当你在拿到了一份六位数薪资的工作之后，请仔细算算账，确保它带给你的购买力真的是六位数薪资的水平！

4. 与相关行业的薪资比较

现在我们对数据科学家的收入已经有了很好的了解，那么如果与其他计算机科学相关的职位比较起来会是什么样子呢？

这份清单为我们清楚地描述了类似职业的薪资范围。可以看到，数据科学家的薪水比高级软件工程师的还要高出10,000美元。同样的，数据科学家的工资中位数也显著的高于列出的每个职业，很令人惊讶是吧？

让我们再来看看Stack Overflow Coding Salary Calculator，它能告诉我们世界各地和代码相关的工作的薪资趋势。

我们能从图中发现，不同职位角色的薪酬高低会因国家/地区而异。但数据工程师和数据科学家在每个收集数据的国家/地区中都上榜了前三位。数据角色如此稳定的排名背后的意义就是：所有国家都在同等程度上要求和重视数据科学家！

5. Facebook、Amazon、Apple、Google，哪家的数据科学家工资高？

在对比不同的公司的数据科学家薪水时，有一个好用的神器就是Levels.fyi。在这个网站上，你能看到不同工作经验、在公司不同的年数、以及不同地区对每一家公司的数据科学家年薪的影响。还能看到相同职位的年薪区间。

那我们就用Levels.fyi来看一看Facebook、Google、Amazon、Apple这四家公司，对于工作年数为0-5年这个区间内的数据科学家来说，其年薪中位数分别是多少！

可以看出，总体而言，这四家公司的数据科学家的薪酬，差距并不大。Apple的薪酬总数是相对最高的，主要是因为Apple数据科学家有着最高的基准工资。（不过需要注意：在这个样本中，Apple的中位数是一位有着5年工作经验的数据科学家，工作年限高于了其他公司的样本中位数）。Google和Amazon数据科学家有着最高的股票。而Facebook的数据科学家有着最高的奖金。

结论

虽然在这篇文章里我们一直在探讨金钱，但我们探讨的目的绝不是教大家按薪水高低选择工作。因为实际上比薪水更重要的是，我们应该珍视从自己的职业角色中获得的乐趣。如果你能找到自己真正有热情的职业并做好做精，金钱会随之而来。所以建议大家不要左顾右盼，追逐金钱，首要任务是找到自己对事业的激情！

如果你想成为数据科学家，走上这条有“钱途”的道路，那么你可以做的就是从现在开始打造自己的数据科学实战履历、行业项目工作经验。如何才能积累这样的工作经验，在面试的时候向面试官证明自己能够胜任这份工作呢？

MarTechApe的《A/B测试企业级实战训练营》以真实商业场景中的复杂A/B测试问题为项目背景，让学员在两个月的时间里，使用百万量级原始数据，搭建完整的A/B测试流程！

在过去开办的三期《训练营》中，我们为顶尖科技公司输送数据能力强、实验经验丰富、统计基础扎实的数据人才。不论你本来是什么背景，都能通过这门课程，打开盛行“测试文化”的互联网高科技公司的大门！

以下为往期学员的战绩榜：

今天，MarTechApe《A/B测试企业级实战训练营》正式开启第4期报名！
每一期训练营，我们只招收20名学生。先到先得，遵循阶梯价位，优惠逐额递减，越早报名越优惠！

1. 你将获得

真枪实弹的A/B测试项目实操，百万量级真实数据+五大应用案例，从零学会A/B测试的里里外外！
为你建立一个完整的、专业的、深度还原大公司的的A/B测试项目，让你在面试时可以自信展示自己亲自做的案例，成功拿下offer！
从0到100真实操作A/B测试项目的全套流程：数据清洗、数据自动化处理、实验设计、实验执行、结果分析、报告展示。
经历真实工作场景中的、各大互联网科技公司里使用的A/B测试流程，以及适应不同商业场景的各类实验/准实验方法。学会工作中最重要的分析方法！
深度学习A/B测试实战中常见的测试陷阱及避免方法。
牢固掌握公司里A/B测试项目中的实际SQL与Python应用，为A/B测试搭建数据库、清理数据、创建数据集。
学会用Python自动化实现A/B测试，为你的老板提高100%的工作效率！
接受系统的统计训练，打下坚实牢固的统计基础，彻底明白A/B测试的统计原理、分析方法、实验设计方法、抽样准则。
各大互联网、科技公司A/B testing面试题解题步骤示范与详细解析。对互联网科技公司的深度剖析和指标介绍，让你自如面对各类面试考验！
专业的Bootcamp经历简历模版与认证证书，可以晒到LinkedIn等求职网站，大大提高面试邀请率！
福利升级：训练营以往只内推成功从训练营中毕业的学生。但在疫情期间，所有A/B测试实战训练营学员，均可获得全职或实习岗位的内推机会！

2. 训练营老师介绍

Emma老师

美国知名电商Wayfair高级商业分析专家
拥有多年电商A/B测试实战经验，及新人教授经验
精通Advanced SQL, Python等数据分析工具
设计推出的A/B测试，为公司带来上千万美元的收入

Emma老师对学员知无不言，有问必答！无论是面试中遇到的问题，还是工作中遇到的困惑。

3. 训练营课程内容

整个Bootcamp历时8周，每周3小时课程，共计24小时课时。
周末线上实时授课，课后完成老师布置的作业，助教团队在班级群内随时答疑，直播录像永久回放。
五大课程模块：
- A/B测试商业训练（案例、变量设计、测试计划）
- A/B测试数据技能训练（数据源概况、SQL数据库建立、Python自动化分析）
- A/B测试实验设计训练（A/B测试 vs 准实验、实验步骤、真实商业环境中的实验挑战）
- A/B测试统计训练（统计分析、深度解析）
- A/B测试面试训练
课程内容涵盖了A/B测试在各大互联网科技公司中的完整工作流程：
- A/B测试统计基础与应用场景
- A/B测试实验设计
- A/B测试假设检验、变量选择、流量计算与实验周期计算
- A/B测试各类应用场景中的实验变体与前后测实战分析
- 用SQL与Python完成A/B测试项目实战
- A/B测试结果解读与高阶统计
- 结果展示
每位学员将有一套亲自做的A/B测试成果作品
每位学员获得A/B测试面试真题解题辅导
结课后，每位学员获得提升简历的Industry Project Experience完美描述，所有学员获得内推机会！

1. A/B测试商业训练

了解A/B测试在顶流科技公司中的各类应用场景
了解A/B测试适用的商业问题与它的局限
了解科技公司产品团队如何使用A/B测试
面对商业问题，如何设计有效的假设？
如何制定A/B测试的实验计划与执行框架？

2. A/B测试数据技能

搭建一个真实的A/B测试实验数据库
了解A/B测试中常面临的数据问题
用SQL对数据进行清洗与转制，完成样本选取、组别分配、变量选取等实验步骤，为A/B测试做好数据准备
用Python搭建A/B测试分析流程

学员在项目中重点使用SQL与Python，全方位了解A/B测试中涉及的数据库搭建、样本选取、实验组与测试组分配、变量选取等数据分析步骤。并且充分掌握用Python搭建A/B测试结果分析流程，实现A/B测试自动化，对真实工作中的A/B测试分析了如指掌。简而言之，项目后，你不仅将牢固掌握SQL与Python等最热门的数据分析软件，还将成为真正的A/B测试技术流，完全掌握A/B测试这项数据分析工作中最重要的技能。

3. A/B测试实验设计

充分了解A/B测试的实验步骤
设立零假设与被择假设
确认实验指标，设计实验变量
根据指标类型确认统计检验方法
估算样本量，确定实验周期
置信区间与统计功效
A/B测试中的各类偏差
样本量不够或其他实验条件不满足时的实验设计
了解准实验与A/B测试的应用区别
为项目案例设计A/B测试实验

学员在项目中将透彻学习实验方法与实验设计。在这个环节中，将研究如何制定实验方案，以提高实验效率，缩小随机误差的影响，并使实验结果能有效地进行统计分析。学习在工作场景中如何用A/B测试等实验来提高用户激活/活跃/留存等关键的产品指标，提升产品功能表现，真正理解A/B测试的商业价值与业务地位。

4. A/B测试统计训练