年薪120K, 岗位年增长29%, 为何data岗还是招不到人?
有这样一份工作：
- 薪资能和程序员媲美，平均年薪高达$120K
- 对各个专业背景的求职者都十分友好
- 机会多多，每年的岗位数量增长率高达29%
（数据来源：indeed.com)
但是，就是这样一份“美差”，却面临着招不到人的“危险”。
这个岗位，就是数据科学家。
2019年1月最新的Indeed求职报告显示，具备数据科学相关技能的求职者的年增长率只有14%，而岗位增长率高达29%，人才远低于工作岗位的增长速度。
为什么会出现这样的情况？
也许，求职者们还不知道数据相关岗位求职的正确打开方式。
到底如何全面、充分地提升自己的技能，打破心理障碍，高效率地成为一名合格的数据相关岗位从业者？
我们采访了资深数据科学家马老师，给大家分享马老师的经验之谈：
马老师简介：
- 北京大学数学学士、硕士，南加州大学石油工程学博士
- 曾于Chevron和ConocoPhillips从事数据科学工作，曾任初创公司首席数据科学家。
(以下内容来自马老师采访）
作为一个曾经的数据科学求职者，我想结合自己这些年来的经历和经验，向大家介绍一下数据行业求职的现状和趋势。
数据科学岗位必备技能清单
对于不同行业、不同体量的公司，数据岗位的命名和分工差异不小。
但是，即使具体任务不太一样，日常工作涉及到的核心技能还是“万变不离其宗”。
我认为上图较为清晰地展示了数据科学的知识体系：数学与统计学知识、计算机科学知识、某一特定领域的专业背景是一名合格的数据科学家必备的technical skills。
说来容易，但当你认真去思考这个问题，你会发现这三大模块包含的内容很广，产生的交叉学科也非常多，概率统计、机器学习、深度学习、神经网络、各种算法……这些东西你都要有所涉及。
这就给想要从事数据科学工作的求职者出了个难题：要求必备的技能太多了，我能学得完吗？应该从哪里开始学起？
结合我自己的经历，我觉得大家可以从Hard Skills和Soft Skills两个方面去着手准备：
Hard Skills
01 | 重视编程能力，打好算法基础
编程是数据科学流程中解决问题的重要工具，在数据的收集、处理、挖掘、建模等环节都有至关重要的作用。
SQL和Python是现在最流行的语言，如果你能掌握更基层的语言，那么你工作时的灵活性和可扩展性会大大提高，职业发展道路也会越走越宽。
02 | 找到兴趣点，掌握domain knowledge
举个例子，适合电商的model，并不一定适用于解决一些传统行业（如货运、航空）的问题。数据科学中的问题都需要具体情况具体分析，不是会某几种model就可以走遍天下的。
所以作为数据科学家，你不仅要熟悉数据科学的知识，最好还具备某个行业的专业背景。
03 | 关注技术的更新，保持不断学习
大数据技术风靡全球之后，Hadoop、Spark、Flink相继被各大公司用于不同场景。未来会出现什么样的新技术，让人十分期待。
虽说要解决实际问题并不是越fancy、越复杂的技术越好，但是要想始终在就业市场中保持强大的竞争力，学习就不能止步不前。
除此之外，有2个soft skills是我认为每一个数据科学家都应该具备的：
Soft Skills
01 | 良好的沟通交流能力
在整个数据科学的工作流程中，交流沟通是避免不了的。
如何准确理解上级给你的目标是什么，如何和不同部门的同事沟通，做完research之后要给全组、乃至全公司做report……
完成这些工作，不仅需要数据科学家能准确无误地理解各个部门的需求，也需要数据科学家能够清楚易懂地表达自己的成果。
02 | 敏锐的商业嗅觉
在工业界中，优秀的数据科学家往往能从数据中找到别人发现不了的商业价值，为公司提供新的商业模式。所以，business sense是让一个DS脱颖而出的重要品质。
总的来说，数据科学家是个technical skills和soft skills并重的岗位，大家如果对这个行业感兴趣的话，需要全面发展自己的各项技能和能力。
转行做数据科学家，如何化“不利”为“有利”？
这就需要巧妙“利用”好我上文提到过domain knowledge。
接下来我想分享一下自己在工作中的亲身体会。
我的PhD背景是石油专业，第一段工作经历就能在大型石油公司ConocoPhillips。当时我的职责概括起来，就是对石油生产上的数据归纳总结，得到一些business insights。
通俗点来讲，我的任务是要通过分析数据来降低生产成本、提高产量。
石油公司都需要钻井、产油，但是井钻在哪里、如何根据油价来计划产量，如何让井能持续、稳定地产油……这些问题可能都是作为数据科学家的我需要解决的问题。
我需要从各种不同来源的历史数据中，找到规律，选取合适的模型进行预测，来指导之后的操作。这是我的工作风格。
当时组里还有另外一名数据科学家。他是数据科学科班出身，数据科学背景很强。然而，他完全不了解石油领域的专业知识，这就导致他不是很明白石油公司的商业运作模式。
所以，在进行数据分析时，他在选择模型的时候会不停地试错，效率比较低。
我和他相比，最大的优势在于我具备石油领域相关技术背景。我能根据专业知识进行数据的预处理，选择较为合适的模型，而这是提高效率的关键。
这个道理推广到其他行业也是一样的。
你的专业背景可能是金融、销售、环境、运输，即使你不是数据科学背景出身，只要你磨练好扎实的硬实力，学会“扬长避短”，你的转专业背景可以成为你的优势，让你在某一个特定的领域成为佼佼者。
E/N/D
来Offer人工智能与数据科学强化课程4月3日开班，火热招生中！
微信添加来Offer课程顾问：laiofferhelper6为好友咨询免费试听。
更多北美CS求职信息请至：https://www.laioffer.com
