转眼又到了一年一度投简历找工作的时候，相信很多小伙伴都曾被招聘网站上数以万计的job listing和五花八门的job title晃花了眼。Product Data Analyst, Business Intelligence, Data Engineer, Data Scientist, 这些和data science相关的各种各样的title到底有什么区别？又该怎样高效找到自己想要的职位呢？曾就职于Spotify的Instagram数据科学家Yorgos Askalidis将用亲身经验为你逐个解析，看完本文你就能知道，该往哪些职位投简历了。

Yorgos Askalidis在Spotify工作的三年里，职位曾经从Data Analyst变成Data Scientist，不过他的职务并没有发生变化。后来在职位没有改变的情况下，他又从产品转到了财务。如今的求职市场上，数据科学、数据工程和数据可视化之间交叉的职务也在不断涌现。每一个职务都影响着不同的利益相关者，对技术和能力的要求也有所不同。这些职务都做些什么，需要哪些技能，又适合怎样的人呢？

1. Product Data Analyst 产品数据分析师

产品数据分析师是在科技等领域的公司里非常常见的职务，通常专注于和业务或产品相关的分析。作为产品数据分析师，你将和产品经理，设计师、用户研究员等人紧密合作，通过数据和分析为他们的决策提供依据。这些决策可能是启动某个功能，或者是制定高级策略。在日常工作中，你将定义关键指标，并通过数据挖掘、分析和可视化来跟踪这些指标。根据团队和产品的不同，你可能还会设计和评估A/B测试并进行统计建模。

你的大多数利益相关者都是非技术人员。你需要提升自己的数据素养，并且展现自己分析成果的价值。虽然分析的质量也很重要，但你的工作表现取决于你能带来多大的影响。所以，对于你的分析结果，记得常常问自己一句“so what？”，你要能够表达出你的分析结果对最终用户意味着什么，以及你有什么建议采取的措施。

这个职位在影响力方面有很大的自由度。只要你的分析结果能够说服决策者采取行动，就是一场胜利。但这种自由度的潜在弊端是，很多时候你没有一个定义明确的问题亟待解决，缺乏目标可能会导致注意力分散。因此，你要培养重点意识和识别高影响力项目的能力。

“分析师”一词往往暗示较低级的职位，因此许多公司（尤其是在技术领域）使用“数据科学家”来代替。但建议不要对职位名称过多关注，而应该关注职务说明、团队、公司，当然还有潜在的薪水。

关键技能：产品常识，跨学科协作，A/B测试，指标定义，数据可视化，利益相关方沟通。

如果你对分析和建模而不是对产品的影响更感兴趣，那么接下来的两个角色可能更适合你。

2. Business Intelligence, Analytics & Reporting 商业智能、分析和报告

这一职务类型与产品数据分析师类似，其重点更倾向于服务于利益相关者的分析和报告需求，例如市场营销或市场策略，而不是产品团队。担任此职务时，你将与公司中的关键决策者紧密合作，并且创建报告重要指标运行状况的可视化工具。你可能需要设定一些目标，并进行一些初步的预测，以此作为要跟踪的指标的基准，然后定期更新这些指标的状况。

你还可能成为处理利益相关者的各种临时请求的关键人物，因此你必须掌握如何将模糊的问题转换为特定的数据分析。你还必须学会按照自己的方式对请求进行优先级排序，或者为利益相关者创建自助服务工具，来节约你自己的时间。

你推动的决策是这个职务的关键绩效指标。当你升入更高层的职务，你不仅需要回应利益相关者给你问题，还可以主动提出自己的方向。

关键技能：利益相关者沟通，数据可视化，设置和跟踪指标，产品的全局观，用数据说故事（data storytelling)。

3. Modeling Analyst 建模分析师

建模分析师在财务团队（如预测团队）中非常常见，并且通常围绕着预测和因果推断研究明确定义的问题或指标。该职务涉及数学模型的开发，以便评估或预测指标，例如客户的留存率或生命周期价值。

该职务通常和其他数据科学家组成团队，工作表现根据分析和模型改进的数量和质量进行评估，而不是对产品的影响力。这个职务很像做学术研究，经常阅读各种建模和机器学习技术方面的新发现，并找到将其应用于你的公司环境的方法。

该职务通常不涉及大量后端或数据工程，因此主要侧重于“离线”分析，即使用静态历史数据而不是实时数据分析。

关键技能：数学建模，统计，时间序列处理

4. Machine Learning Engineer 机器学习工程师

这个职务非常抢手，当今互联网提供的大多数面向用户的应用程序背后都有他们的存在，例如我们每天接触的推荐系统或Spotify的“Discover Weekly”播放列表。在这个角色中你需要结合数据科学和数据工程：你不仅需要对统计和机器学习模型有深入的了解，还需要实现可扩展的后端解决方案以将模型交付生产。

与产品数据分析师相比，该职务的技术性更强，甚至可能比建模分析师更强。与建模分析师相似，该职务通常和其他技术角色组成团队，比如其他的机器学习工程师和数据科学家。主要表现指标将是你的后端工作质量和你交付的机器学习模型。

关键技能：机器学习模型，统计，后端工程

以上四个职位类别涵盖了大多数“传统”的数据科学职位，但当今市场正出现新的混合数据科学家职位，以响应市场对精通数据工程和数据可视化的数据科学家的需求。

5.Hybrid Data Engineer/Data Scientist 数据工程师 + 数据科学家

数据是所有数据分析和数据科学的“粮食”，但是数据的原始状态常常是存在多种格式和数据集的表中。为了进行有意义的分析，必须将大量数据源加载、组合、清理和重新格式化，之后才可以查询这些表进行分析或模型训练。通常情况下，这个过程需要定期进行，以保证分析反映了最新数据。简单地说，此过程称为“数据管道搭建（data pipelining）”，通常由数据工程师负责这类的项目。

大多数公司拥有专业的数据工程师团队，他们的任务是创建和维护高质量的业务数据库，数据科学家可以查询这些数据库以进行分析。但是对于许多分析而言，数据科学家不得不创建自己的临时数据管道。这些管道和表格的维护工作可能会变得很麻烦，特别是在其上构建了dashboard或自助服务工具的情况。这就是发挥混合职务作用的时候。由这样的混合数据工程师/数据科学家组成的团队将负责创建和维护对分析和dashboard友好的表格，从而提供数据流水线服务，以支持公司中的其他数据科学家和利益相关者。

即使你不想担任这种混合角色，也建议你学习一些基本的数据工程技能，它会成为你数据科学工具库中的重要工具，并且可能在求职时为你带来优势。

关键技能：数据管道搭建（data pipelining），分析

6. Hybrid Data Visualization Expert 混合数据可视化专家

与上述数据工程师/数据科学家的混合职务相同，数据可视化专家主要专注于为数据科学家和其他利益相关者提供数据可视化的服务。

数据可视化是许多数据科学家工作中最重要的部分之一，可视化有助于最大化数据分析的影响力。精心设计的dashboard可以让你的利益相关者自己进行探索，并腾出你宝贵的时间用于其他分析。

设计一个好的dashboard非常耗时，并且需要掌握相关的技能，这就是为什么要创造混合数据可视化专家的职务。在这个角色中，你将与团队中的产品数据分析师和数据工程师紧密合作，以了解利益相关者的需求，并创建dashboard来服务他们。这些dashboard可以跟踪团队、业务、产品等的关键绩效指标。

该职务属于数据科学领域，因为它需要对指标和分析有深入的了解。你的利益相关者既有团队中的其他数据科学家，也有非技术的产品经理和执行官，他们将使用你的报告和dashboard来制定决策。

如果你是具有某些数据工程技能的数据可视化专家，那么这一类的职位非常适合你。

关键技能：数据可视化，tableau（或其他可视化工具），讲故事（storytelling）。

Spotify就是应用这些混合职务的一个成功案例。Spotify创建了一个核心团队，其任务是定义、跟踪、维护和可视化公司的关键指标。此外他们也通过提供可靠的数据源，使数据科学家对他们的分析、机器学习训练和报告更有信心。

Spotify还有另一种混合职位：负责开发给其他数据科学家使用的工具的数据科学家。

7. Data Science Platforms & Tools Developer 数据科学平台和工具开发人员

这类职务通常只存在于大型公司中，它的工作重心是通过创建工具和平台来支持公司中的其他数据科学团队。比如统一且简化的开发、分享代码的方式，或者应用标准化方法（例如聚类和贝叶斯统计）的R和Python package，方便所有数据科学家使用。

为了能够理解各种数据科学需求并提供解决方案，这类职务需要大量的量化技能，并且可能需要个人贡献者的经验。它还需要掌握定性技能，以便及时从同行那里收集反馈并了解他们的需求，以及正在开发的解决方案如何满足这些需求。

关键技能：具有个人数据科学工作经验，开发云解决方案和/或python包的技能，用户研究技能

哪种职务适合你？

上文中的职务可以通过影响、方法、平台三分法来区分。如果你是一位才华横溢的数据科学家，对推动洞察和对产品及业务的影响感兴趣，而对使用的方法和技术的关注较少，那么你可能更适合担任产品数据分析师或商业智能职位。如果你有兴趣跟进最新的机器学习模型和方法，并把它应用于公司的庞大数据源，那么你可能更适合建模分析师和机器学习工程师的职位。最后，如果你想在公司中扮演更横向的角色，来帮助其他团队更好地开展工作，那么你可能会对作为平台的数据服务角色感兴趣，例如平台和工具开发人员。

如果你对数据相关职位很感兴趣，却被五花八门的job title搞得眼花缭乱，想知道它属于哪一类的数据科学职务，你应该认真阅读职位描述，看它更强调影响力、方法还是平台。此外，询问职位的利益相关者，如何评估表现等等也是面试中非常适合用作Q&A的问题。

MarTechApe的宝藏级项目《营销组合建模训练营》Marketing Mix Modeling Bootcamp对于想从事数据分析的人来说是一段不可或缺的项目经历——通过整理和挖掘数据中的信息，总结商业洞察；建立模型来回答商业问题，优化营销预算、精准预测销售走势，帮助决策者作出最优决策。

整个项目里会手把手带你经历全套的企业内营销分析流程，从数据源概况、数据处理与可视化，到统计建模、深度诊断。同时配备SQL面试辅导和简历指导。每位学员将有一套亲自打磨的Data成果作品和一套Model成果作品，以及一段完整的可以写在简历中为客户解决实际问题的经历。

现在项目第10期已开始招生，如果你希望通过这样一个项目在此番春招季中加速斩获理想Offer，就快来报名我们的《营销组合建模训练营》吧！以下是项目具体介绍：

好的项目可以帮助你学习到必要的概念并敲开理想工作的大门。从2018年起，我们已举办了共9期《营销组合建模训练营》，往期的学生们拿到了全美顶级的面试机会以及全职工作OFFER，组成了训练营的荣誉之墙：

现在，《营销组合建模企业级训练营》已经开始第10期的招募！

1.营销组合模型训练营是什么？

营销组合模型训练营（Marketing Mix Modeling Bootcamp）是MarTechApe的宝藏项目，由全球最大广告集团 WPP美国办公室的数据总监以及营销分析经理共同授课。在训练营中，你将学习在真实商业情境中如何用营销组合模型解决广告营销最核心的问题——科学合理地评估不同广告对品牌和销售的影响，以统计模型的结果来科学优化广告预算。

训练营的学员收获了:

真正意义上的“用数据和模型解决营销中最重要的问题”的经历。
熟练掌握SQL、R、Tableau等时下最流行的数据处理语言，并用这些技能解决实际问题。
大大提高Media/Advertising Industry的商业意识，熟悉不同媒介渠道的广告活动对不同商业指标的不同回报率（ROI）与有效性（Effectiveness），学会用“营销效果”的视角看待营销活动，理解各大公司市场营销部门、消费者洞察部门的痛点。
跳出学校作业的框架，上手真正商业情境中、实际工作中的实战案例。让校园与实际工作无缝衔接。将学到的Analytics思维方式泛化到其他应用场景，面对Case Study建立系统性解决思路。
提升项目演示Presentation技能，学会如何从原始数据中挖掘具有意义的故事。为客户解决实际问题，提高Business KPI。
完成项目后，辅导老师将帮助你利用这一个惊艳的项目背景打造最引人注目的简历；所有学员获得内推机会，优秀学员获得一对一面试辅导。

2.学员对训练营评价如何？

Marketing Mix Modeling Bootcamp开办至今，收获了大量好评，学员们都觉得Bootcamp的质量非常高，在节课后给我们发来了很多让我们非常感动的评论：

3.训练营老师是谁？

1. 全球最大广告传媒集团WPP | 数据总监

商业分析高级专家
拥有7年数据分析经历
各类SQL、Tableau疑难杂症的go-to person

2. 全球最大广告代理公司GroupM | 营销分析经理

营销效果分析专家。为十多个每年广告预算上亿美元的大客户提供营销效果评估、销售预测等解决方案
拥有6年Marketing Mix Modeling等高阶分析经验，具有丰富的训练新人和带领团队的经验
毕业于Columbia University统计学系

现在Marketing Mix Modeling Bootcamp第十期

已正式开放报名！

接下来我们就看看训练营的具体课程内容吧！

4.在Bootcamp中可以学到哪些内容？

整个bootcamp分为广告数据源概况、数据处理与可视化、统计建模、深度诊断，共计24小时课时，在两个月内完成。
周末Online Live授课，课后完成老师布置的作业，助教团队在班级群随时答疑，直播录像永久回放。
课程内容涵盖了数据分析岗位的完整工作流程（analytics cycle）：
- 数据收集 Data Acquisition
- 数据处理和清洗 Data Processing
- 数据可视化与商业洞察 Data Visualization & Data Story-telling
- 统计建模 Modeling
- 模型优化 Optimization
- 销售预测 Simulation
- 深度诊断 Side Diagnostics
- 结果展示 Presentation
每位学员将有一套亲自做的Data成果作品和一套Model成果作品，以及一段完整的为客户解决实际问题的经历。
结课后，每位学员获得提升简历的Project Experience完美描述，所有学员获得内推机会！优秀学员获得额外一对一面试辅导。
报名的学员可在开课前一周获得详细的Syllabus。

学员在前四周会聚焦在数据处理和商业洞察上。学员会面对大量的营销活动数据（如Display、Search、Social、Video、TV等广告数据），根据Media Data的数据源与结构来处理纷繁复杂的数据。并用可视化来呈现出数据洞察。你将学会如何搭建一个数据库、如何利用SQL去处理未经处理的、大型原始数据集，并利用Tableau对数据进行可视化分析。你还将完成对一份数据的商业分析。简而言之，我们将以Data Processing >> Data Visualization >> Insights Generation这样一套体系，系统加强你的数据分析能力以及商业意识。

在真实的世界里，模型用来回答各类不同的商业问题，帮助决策者作出最优的决策。在本次bootcamp的第四～第八周中，你将建立一个真正的Marketing Mix Model！掌握模型最核心的秘诀，调整各类模型参数、学会解读模型结果、优化营销预算、精准预测销售走势。在这个过程中，学会将商业问题翻译成模型问题，用不同的分析手段来回答不同的营销问题，真正做到数据驱动战略决策。

在向你的观众解释Marketing Mix Modeling的模型结果时，Side Diagnostics（深度诊断）往往是一个让你的受众通过商业意义来理解模型结果的重要手段。模型的解释力以及与商业可行性的融合性是决定你的受众是否“买账”的关键因素。因此，Marketing Mix Modeling专门加入深度诊断部分，教你如何用统计的方法说服你的受众！