数据科学近年来十分火爆，但它同时又是一条定义模糊、不断变化的职业道路。市面上有各种各样的和数据科学相关的职位，相似的职位名称却可能有十分不同的工作内容，不同公司的文化、组织模式、业务特点也会影响数据科学从业者的职业道路发展。

如何成为数据科学家？长远来看，数据科学家的职业规划又该怎么做？无论是数据专业的同学们，还是数据分析师职场新人，都对此有许多疑问。

本次「她数据」沙龙探讨了如何进入数据科学行业、数据科学（科技公司vs传统行业）有哪些职业发展道路、如何判断自己适合哪条道路，如何在职场上更进一步等问题。

活动嘉宾：

Daniel Lin：Instagram（Facebook）数据科学家，金融行业工作经历

Yu Yu：BNY Mellon数据科学总监，金融与保险业经历，曾任商学院教授

Andrea Aho：Shopify数据科学经理

Zhenyu Zhao：Airbnb高级数据科学家，前微软数据科学家，生物学博士

Rosie Min：WarnerMedia数据科学高级总监，咨询业工作经历

嘉宾们也分享了最近疫情之下所在公司的招聘情况，有求职意愿的同学不要错过下面的活动回顾！

1. 你是怎样进入数据科学行业的？做数据科学的工作有哪些需要注意的地方？

Andrea：我的本科专业是天体物理和商科。毕业后先在广告公司担任程序化广告优化师，接触了SQL。进入Shopify后，我的第一份工作是商业智能分析师（Business Intelligence Analyst）。随着技术的熟练和对业务的了解，我逐渐从分析师转变成数据科学家。我的一大兴趣是在公司里与作为数据科学家与创新团队合作创造新产品。这个兴趣和对这个领域的钻研帮助我成为帮助新产品上市策略的数据科学SME（subject matter expert, 领域专家）。我刚刚被提拔为数据科学经理工作，主要内容领导团队创新数据分析。这条职业发展路线不是一个刻意规划，更多是遵循兴趣、专业能力与经历的自然而然的结果。

Rosie：当我刚开始做数据分析工作时，"数据科学"这个概念还不存在。我当时的岗位名称就是数据分析师。随着工作需求的变化，我们分析师需要承担的工作也越来越复杂和全面。我们在工作中需要不断学习新的技能。2014年之前，项目主要用的是SAS，然后开始用R，2017年后开始用Python，因为生产模型和软件工程师对接更方便。

Sarah Nagle，现任亚马逊旗下广告科技业务（Amazon Advertising）的高级合作伙伴运营经理。Sarah深耕广告科技行业，有丰富的商务合作和程序化广告经验，曾在广告公司、广告平台和出版商这三种不同类型的公司担任团队领导角色。Daniel：在加入Instagram之前，我在金融公司做量化分析师。即便领域不同，技能和思考模型是相通的。我在本科时也对经济学分析感兴趣，而Facebook/Instagram的数据科学家很需要随机试验、计量方法等经济学方法。在找/换工作时，向目标公司内的业内人士了解公司对应聘者有什么需求很重要。

Zhenyu：在成为数据科学家之前，我在读生物学博士。我现在做的工作主要是自然语言处理和推荐系统算法的研究。很巧的是，生物学中分析蛋白质序列的方法论和自然语言处理是十分相似的。所以转型做数据科学有技术基础，并不是转到一个完全不同的方向。另外我也参与Kaggle竞赛。数据科学家的工作覆盖面很广，包括但不限于数据分析、机器学习应用、算法研究等，对于想要尝试进入数据科学的人，或是想尝试自己日常工作难以触碰的领域的人，Kaggle是一个好的起点和试验场。

Yu：我进入工业界数据科学领域之前绕了许多弯。之前在学术领域工作的性质是在一个比较窄的前沿领域做研究，可能不会影响很多人，成败的压力也全在个人。相对来说，工业界竞争压力较小，有更多的社交和工作弹性。不过即使经历一些弯路，其中锻炼的能力也能对现在的工作有所帮助。

2. 你的工作时间是如何分配的？在你的团队，对数据科学家如何考核和晋升？

Yu：我所在的数据科学团队相当于一个内部咨询部门。高科技公司有更强的工程师文化，所以可能不需要太多介绍数据、模型、和技术的价值。在传统行业，企业文化可能不那么偏重数据和技术，所以数据科学家十分需要在搭建解决方案之外注意自己是否解决了业务上的需求，用相关业务伙伴听得懂的语言解释技术做了什么。作为管理者，我工作中一半时间是解释数据和技术应用对业务的影响，另外一半是人事管理，观察下属的工作进度并给出反馈。

Rosie：20%时间花在招募新人，80%花在新产品发布的分析工作上，挖掘洞察，比如：找到并设计一个合适的标记用户流失的信号，将分析过程和产出流程化，助力营销策略。虽然是管理者，但经理和总监都需要撸起袖子直接上手做项目。

Daniel：Facebook每六个月会有考核，非常注重考核项目的成果和对业务的实际影响。数据科学家做的事更多对业务是非直接的影响，比如提供洞察，辅助搭建新产品原型，以及通过数据分析引导产品更新。

Zhenyu: 在Airbnb，每个职位功能有不同的职业道路（产品经理、数据科学家），这和Facebook类似。在数据科学范围内，有数据分析(analytics)、推论统计(inference)、算法(algorithm)三个方向，每个方向都有各自的评判和考核标准。考核是否晋升的一大要素是工作内容是否对公司产生了实际影响。每个考核期会进行打分，由上级主管来考虑是否推荐升职。针对每个细分方向，分别由一个委员会评估所有达到了晋升标准的人来决定最终人选。数据科学的工作内容，比如可视化、数据处理流程、模型、程序等，很少能展示直接的成果，所以作为数据科学家，需要了解自己的工作是如何转化为业务指标的变化的。

3. 你所在的团队最近在招聘吗？理想的应聘者需要有哪些特质？对求职者有什么建议？

Daniel: Facebook现在还在持续招数据科学家和工程师。公司会考虑来自各种背景和行业的候选人。对于数据科学家和产品经理的岗位，最关键的是好的量化/数据性思维，编程技能，以及产品思维。

Rosie：WarnerMedia最近刚刚推出新的流媒体产品，所以有很多招聘需求！主要在招的是数据科学家、数据工程师、和机器学习工程师。由于是新产品的快速增长期，如果候选人有在独角兽公司工作经验的是加分项。在筛选简历时，主要会看最近的工作岗位的相关程度、学历、和专业，偏好计算机专业背景。面试时，期待求职者理解并能解释机器学习算法的区别和应用，比如“XGBoost的某个参数是在调整什么，如果改变了会对模型结果有什么影响，最终对业务有什么影响”。这是由于数据科学家的工作很少能直接看到对业务的影响，所以需要和产品、营销、内容部门的伙伴有效沟通。对非管理岗的个人贡献者（individual contributor）的期望是能了解业务并知道自己的技术工作如何影响业务，对管理岗的期望是掌握如何解决一个商业问题的思考框架（具像化问题、需要什么数据、预计项目时长、所需资源和技术）。

Andrea：Shopify正在寻找可以补充团队能力多样性的数据科学家。我的团队最近在招的一个岗位是营销和产品分析的结合，期望候选人有营销方面的知识，并知道如何去优化新用户的获取。

Yu：求职的时候，其实是一个双向选择过程。有时面试官也不一定准备充分，或者经历不匹配，所以如果只是经历了一次不好的面试，不要气馁！有多种原因。

4. 你认为个人贡献者和管理岗的工作性质有什么不同？怎么去为了不同的选项而做职业规划？

Andrea：我选择成为经理主要是因为兴趣。主要我很喜欢以产品思维去为各类业务找到相应的解决方案。成为经理可以让我更多地去探索和参与这样的创新机会，而不是专精于技术。作为经理，我会尽量帮助我的组内成员达成他们的职业目标。

Zhenyu：传统行业和科技公司之间有区别，而且每个公司和职位也有区别，所以不能一概而定，你需要专注于你自己的职业目标。如果所在的环境不能给你通向自己职业目标的机会和经历，那么你可能需要考虑换工作。科技公司会更多依靠数据和技术，有属于技术个人贡献者的晋升通道，资深的个人贡献者也可以在公司决策中有很大的影响力。我选择个人贡献者的道路更多是因为自己的兴趣和性格偏好。我喜欢解决技术问题，公司也有针对技术岗的晋升和表彰。管理岗的工作风格是更为辅助性的，主要职责是帮助你的团队移除达成目标路上的阻碍。

Daniel：Facebook的经理相对传统企业，需要有很多技术知识和动手能力，所以个人贡献者和管理者的区别并不是那么大。选择个人贡献者路径的人更喜欢具体实操项目。向高层发展的话，高级个人贡献者的岗位比经理要少，因为公司需要很多经理去领导各个团队，但不需要许多高级个人贡献者去影响技术决策。

Rosie：每个公司常见的职业道路不同，所以你需要了解所在公司的规则。有些公司个人贡献者可以晋升为总监，成为管理者；有些公司会有principal级别，待遇和总监一样。相比经理，总监会有更大的职责，参与追踪多个项目的进展，并需要和上级领导层保持有效沟通，向高层展示工作成果。

Yu：科技公司和传统行业有些区别。有些公司你可以又是管理者同时又上手做项目，有些就不是。很多传统行业的公司缺少技术方面的个人贡献者晋升渠道，到一定层面后，想要提高待遇，就必须进入管理职位。在这样的岗位，对业务部门展现技术的价值就是非常重要的能力。但是，也需要考虑自己性格喜好。如果你不喜欢管理项目和人，就不要强迫自己，不然可能是自己的职业道路走了弯路，又损害了公司利益。

5. 在传统行业的公司，如何说服你的上级和其他业务部门，展示数据科学项目的价值？

Rosie：数据科学项目成功与否的一大要素是上层的支持程度。不同经历的领导会对改变有不同的喜好。现在大部分人都知道要相信数据，但数据科学的产出对很多人来说仍是个黑箱。数据科学家需要将大图景细分成连续的各个操作阶段，并解释各个阶段会如何帮助公司实现目标。需要在公司内部做很多的“销售”。

Yu：同样，CEO（高管）的支持很重要。数据科学项目的价值有时很难具体衡量，或是没有表现出改善了公司主营业绩，这时如果公司资源紧张，就可能考虑缩减数据团队规模。

Zhenyu：领导层希望看到实际影响。好的数据科学项目提案需要包含“画饼”（opportunity sizing），展示项目会带来多大影响。这需要有对产品和业务的理解。

Daniel：在Facebook做产品分析和建模时，需要在一开始立项时就思考受影响的业务指标是什么，并建立一套流程来追踪标记它，来清晰展现项目的价值。

Andrea：准备好告诉其他业务团队，他们的业务指标会受到什么影响。

关于「她数据」

自诞生于2018年年末起，「她数据」在美国逐渐建立了影响力，在纽约、波士顿、旧金山等主要城市举办了14场线下活动——平均每月一场活动。我们吸引了各行各业的领军人物作为演讲嘉宾参与活动，分享职业经历与行业机会，行业覆盖科技、电商、传媒、社交、医疗、时尚、金融、娱乐等。嘉宾中不乏各大知名公司的总监与总裁。

2019年，作为演讲嘉宾出席「她数据」活动的行业领袖们包括：

2019年共有60位行业领袖作为「她数据」分享嘉宾参与活动，以上为其中的40位嘉宾。

数以千记的「她数据」社群成员通过每个月的线下活动沉淀行业讯息与求职资讯，第一时刻了解各大公司数据分析团队的职位开放与内部信息。「她数据」成员利用活跃的求职资讯与成员间内推资源获得快速的职业飞跃与职场晋升。

对于希望从其他行业转型到数据分析领域的人们来说，「她数据」更是不可或缺的行业课堂与人脉圈。高效迅速地了解行业需求建立行业人脉，快速转型理想的职业。

她数据往期活动照片+_+Women+In+Analytics+2019+Photo+Gallery.png

「她数据」Annual Pass全年畅享计划是我们在2020年推出的全年活动优惠方案，只需年费50刀，就可以参加一整年的所有活动。简单计算一下，如果每次活动都单独报名，那一年需要大约400+刀的活动费用，是50刀Annual Pass的8倍多。据统计，「她数据」活跃会员每年平均参加5-6次活动，比起每次单独报名，购买Annual Pass显然是更为经济的选择。