数据领域的职业将让您接触到广泛的技术、技能和利益相关者。您将有机会参与对企业核心领域产生重大影响的项目，通常与高度跨职能团队合作，或与其他技术同事协作。
从初级到高级数据科学岗位的晋升路径，会因行业和专业方向而大不相同，但对大多数数据科学家而言，这通常需要2-5年。具备合适的知识和技能，薪资很容易达到六位数。在未来10年，数据科学家的需求预计将显著增长，尽管随着新工具、最佳实践和方法论的不断涌现，岗位本身可能会呈现出很大不同。
数据职业的成长可以有多种形式，但无论您的目标是什么，都有一些基本的建议与做法值得牢记。继续阅读，了解我们的最佳实践，帮助您在整个职业生涯中持续稳步前进。
1. 明确成功的定义
为了工作而工作本身并非坏事；持续练习被认为是有益的，许多人也从中受益。然而，如果您没有一个明确的成长目标，可能就难以获得满足感。坐下来定义对您而言“成功”的样子至关重要。这不仅能确保您朝着正确方向前进，还能为您提供一种评估长期进展的方式。您的成功不一定要与晋升、收入或职称挂钩。您也许希望实现长期目标，例如发表论文或完成博士学位。也许您想带领一支团队，或打造一款被数百万人使用的产品。通过定义您心中的成功愿景，您就能明确在正确方向上成长所需采取的步骤。
2. 持续学习
您是否听过别人谈论他们的成长型思维？研究表明，拥有这种思维方式的人往往比认为天赋是与生俱来的那类人取得更多成就。数据职业不易，许多从业者会经历挫折与失败。从错误中学习常被视为成功的关键指标之一；即使是成功的企业家也会谈论他们曾经的多次失败以及从中汲取的经验。
持续提升技能的另一个重要原因，是跟上行业变化的高速节奏。Elad Cohen 在DataFramed（约49分钟处）中提到，无论您是否认为自动化会简化数据科学工作流的一部分，很多人往往低估了10年后的技术样貌。如果您不持续学习与成长，行业本身可能会比您的步伐更快。
3. 持续打造作品集
作品集的重要性怎么强调都不为过。尽管它常与寻求第一份工作的初级数据科学家联系在一起，但作品集也是您职业生涯中收集代表作的好去处。作品集还可以成为您投入热情主题的出口，尤其当您在日常工作中缺少这样的机会时。最后，扩充作品集还能激励您践行“持续发展新技能”这一最佳实践。
在整个职业生涯中维护作品集，将确保您可以：
- 当您更换岗位、公司，甚至转为自由职业时，分享您的作品
- 沉淀一些最有意思的工作，便于日后拓展
- 为热爱项目的产出提供展示空间，其他数据科学家也乐于看到
- 打造个人品牌，为职业生涯的其他方向打开大门
4. 投入于模型部署能力
目前，高校教授的数据科学与业界落地之间最大的脱节之一就是 MLOps。简而言之，MLOps 是一套工具、实践、技术、文化与心态，用于确保机器学习系统的可靠、可扩展部署。当下数据团队面临的最大挑战之一，是如何以可扩展且高效的方式部署机器学习模型，这也是为何有估计显示，投入生产的企业模型比例低至8%。因此，过去一年中 MLOps 成为数据科学增长最快的领域之一并不令人意外。
对于当今许多数据科学家而言，投入于模型部署能力至关重要，即便您已有多年经验。意识到自己知识上的空白并明确弥补步骤，是成长的良好方式。您不必对每个新工具都精通，但理解MLOps 的核心概念或其他新进展，并学习如何应用其方法，将让您受益匪浅，并为后续的专业化打下基础。如果您有兴趣开始学习 MLOps，可以在这篇博文中找到一些免费的入门资源。
5. 选择一个专长方向
数据科学是一个异常广泛的领域。在这本电子书中，DataCamp 将数据科学定义为“一个跨学科领域，旨在从数据中提取有意义的见解”。不同学科从数学、统计学、机器学习、编程到数据可视化等应有尽有。一个人不可能在所有这些领域都具备专家级知识，尤其当在某一单一领域实现技术落地就需要大量知识储备时。举例来说，想要部署一个自然语言模型，同时达到满意的准确率并避免偏差，您需要理解多少理论？
当您在多个方向都有一定涉猎后，值得花时间思考自己想在哪些方面深入。成为某一领域的专家，是打开新大门并让您更接近成功愿景的极佳方式。
6. 扩展您的人脉网络
建立人脉是推动职业成长最重要的方式之一，形式多样，例如参加活动、与业内人士或同事安排“咖啡聊天”，甚至亲自进行演讲。人脉能帮助您了解其他组织的发展动态，以及您可能需要学习的新技能，或您所在组织未来可能需要的能力。如果您打算换工作，这也是叩开另一家公司大门的最便捷方式。
许多人觉得社交网络令人望而生畏，但在数据社区中有多种建立人脉和寻找活动的方式。我们在此整理了一份2022年最值得参加的数据科学会议清单，助您开启人脉之旅。
7. 对抗冒名顶替综合征
哈佛商业评论将冒名顶替综合征定义为“怀疑自己的能力并感觉自己是个骗子”，许多数据科学家在职业生涯中的某个阶段都曾有过这种感受。资深数据科学家具备的知识广度与深度，在职业早期看起来像是异常高的门槛。即使在后期，您也很可能会遇到在数据科学众多细分领域中具备深厚知识的专家。过去几年，“冒名顶替综合征”这一术语变得更加常见，许多高管也开始公开谈论他们的经历。因此，已经有许多书籍可帮助您理解它如何影响您，以及如何应对。这篇 Reddit 帖子也汇集了多位数据科学家分享他们与冒名顶替综合征的经历。
8. 关注就业市场
职业成长与您朝九晚五如何度过高度相关。如果您每天的工作与您对长期成功的定义不一致，您或许需要重新评估现状。这可能意味着与经理沟通以调整日常工作内容，或在公司内部进行平调。不过，了解就业市场动态始终是值得的。您可能会发现自己的技能需求旺盛，而其他公司能提供不同的岗位，或更优的薪酬与福利。
Wonsulting 的 Jerry Lee（一家职业发展公司）建议，每年都在感兴趣的公司进行面试，以保持面试手感并确保现任公司重视您。重要性取决于您的长期目标与成功标准，但紧跟市场脉搏始终是明智之举。
9. 保持前沿视野
除了提升自身技能，了解您所在领域前沿研究、科技公司与市场领军者的动态同样重要。您不必总是深入细节——在高层次上理解最新技术的潜力，是保持信息灵通的好方式。如果您还能与人脉就此类技术展开交流，了解他们如何应用，或向他们传授新知，更是加分！
进行这类高层次扫描的一个好资源是Adam Votava，他在 LinkedIn 上每周发布“Keeping Up with Data”专栏。这些行文流畅的总结，是关注最新研究、商业新闻，甚至新发布 Python 包的绝佳方式。您也可以订阅我们的每周盘点视频通讯，获取来自数据科学、科技与研究社区的最有趣资讯。
10. 思考您工作的影响
职业成长应带您实现个人的成功指标——但组织的成功呢？思考您的工作产生了哪些影响同样重要，无论是通过高效工具节省时间、为同事创建信息性仪表盘，还是用训练良好的模型节省生产成本。理解您在整个组织中的影响，能确保您可以：
- 为晋升或岗位变动提供业务论据
- 为公司资助培训课程提供正当理由
- 在会议上介绍您的工作
- 如果计划换岗，能够在面试中表现出色
11. 构建领导力
第12条最佳实践将涵盖数据科学中不同类型的管理职业路径。但在此之前，您需要以个人贡献者的身份建立领导力。诸如授权、优先级管理、反馈与设定清晰方向等领导技能，都是必不可少的。即使您并不直接管理人员，当您作为个人贡献者被选为项目负责人时，依然可以学习并运用这些技能。
在整个职业过程中，会有许多机会来培养这些技能，但这也可能需要您走出舒适区。走出舒适区，进入伸展区，往往是我们收获最佳学习与成功的地方；请不要回避这些机会，它们代表着绝佳的成长契机，并将在您的职业生涯中持续带来回报。
12. 选择一条职业路径
如今的职业路径并非总是直线。您可能会在不同团队或项目之间横向流动，或在管理岗位与非管理岗位之间切换。Meta 在此处对其部分职业路径进行了分类，并提出“……成为管理者并非晋升。这只是完成工作的另一种方式”。这一理念在组织中相当普遍，尤其是在结构更扁平、许多团队围绕项目而非职能组织的公司。对 Meta 而言，核心职业路径包括：
- 高级个人贡献者：通常不进行人员管理，但会指导初级成员，并能对战略与决策产生重大影响。这条路径以亲自执行与编码为主。
- 技术负责人：在承担技术工作贡献与管理小型团队（通常是其他数据从业者）之间进行分配。
- 人员管理者：传统的管理路径，几乎不参与编码，而是召开高层会议并进行日常人员管理。
明确您在职业生涯后期可能想要达到的方向很有益处。如果人员管理目前并不适合您，您可以更多地投入于技术技能；反之，您可能需要通过建立人脉并寻找学习领导力的机会来发力。
加分项——在数据科学中成功的路径不止一种
本文为组织内的数据科学家提供了大量建议，但在数据职业中获得成功的方式有很多。学术、教学、自由职业与内容创作，都是让您改善世界、学习或研发新事物、或提升收入潜力的路径。不要把自己硬塞进某一家企业或某一条职业路径——思考对您而言成功的样子，然后去践行您的愿景。
更多资源：
数据领域的职业将让您接触到广泛的技术、技能和利益相关者。您将有机会参与对企业核心领域产生重大影响的项目，通常与高度跨职能团队合作，或与其他技术同事协作。
从初级到高级数据科学岗位的晋升路径，会因行业和专业方向而大不相同，但对大多数数据科学家而言，这通常需要2-5年。具备合适的知识和技能，薪资很容易达到六位数。在未来10年，数据科学家的需求预计将显著增长，尽管随着新工具、最佳实践和方法论的不断涌现，岗位本身可能会呈现出很大不同。
数据职业的成长可以有多种形式，但无论您的目标是什么，都有一些基本的建议与做法值得牢记。继续阅读，了解我们的最佳实践，帮助您在整个职业生涯中持续稳步前进。
1. 明确成功的定义
为了工作而工作本身并非坏事；持续练习被认为是有益的，许多人也从中受益。然而，如果您没有一个明确的成长目标，可能就难以获得满足感。坐下来定义对您而言“成功”的样子至关重要。这不仅能确保您朝着正确方向前进，还能为您提供一种评估长期进展的方式。您的成功不一定要与晋升、收入或职称挂钩。您也许希望实现长期目标，例如发表论文或完成博士学位。也许您想带领一支团队，或打造一款被数百万人使用的产品。通过定义您心中的成功愿景，您就能明确在正确方向上成长所需采取的步骤。
2. 持续学习
您是否听过别人谈论他们的成长型思维？研究表明，拥有这种思维方式的人往往比认为天赋是与生俱来的那类人取得更多成就。数据职业不易，许多从业者会经历挫折与失败。从错误中学习常被视为成功的关键指标之一；即使是成功的企业家也会谈论他们曾经的多次失败以及从中汲取的经验。
持续提升技能的另一个重要原因，是跟上行业变化的高速节奏。Elad Cohen 在DataFramed（约49分钟处）中提到，无论您是否认为自动化会简化数据科学工作流的一部分，很多人往往低估了10年后的技术样貌。如果您不持续学习与成长，行业本身可能会比您的步伐更快。
3. 持续打造作品集
作品集的重要性怎么强调都不为过。尽管它常与寻求第一份工作的初级数据科学家联系在一起，但作品集也是您职业生涯中收集代表作的好去处。作品集还可以成为您投入热情主题的出口，尤其当您在日常工作中缺少这样的机会时。最后，扩充作品集还能激励您践行“持续发展新技能”这一最佳实践。
在整个职业生涯中维护作品集，将确保您可以：
4. 投入于模型部署能力
目前，高校教授的数据科学与业界落地之间最大的脱节之一就是 MLOps。简而言之，MLOps 是一套工具、实践、技术、文化与心态，用于确保机器学习系统的可靠、可扩展部署。当下数据团队面临的最大挑战之一，是如何以可扩展且高效的方式部署机器学习模型，这也是为何有估计显示，投入生产的企业模型比例低至8%。因此，过去一年中 MLOps 成为数据科学增长最快的领域之一并不令人意外。
对于当今许多数据科学家而言，投入于模型部署能力至关重要，即便您已有多年经验。意识到自己知识上的空白并明确弥补步骤，是成长的良好方式。您不必对每个新工具都精通，但理解MLOps 的核心概念或其他新进展，并学习如何应用其方法，将让您受益匪浅，并为后续的专业化打下基础。如果您有兴趣开始学习 MLOps，可以在这篇博文中找到一些免费的入门资源。
5. 选择一个专长方向
数据科学是一个异常广泛的领域。在这本电子书中，DataCamp 将数据科学定义为“一个跨学科领域，旨在从数据中提取有意义的见解”。不同学科从数学、统计学、机器学习、编程到数据可视化等应有尽有。一个人不可能在所有这些领域都具备专家级知识，尤其当在某一单一领域实现技术落地就需要大量知识储备时。举例来说，想要部署一个自然语言模型，同时达到满意的准确率并避免偏差，您需要理解多少理论？
当您在多个方向都有一定涉猎后，值得花时间思考自己想在哪些方面深入。成为某一领域的专家，是打开新大门并让您更接近成功愿景的极佳方式。
6. 扩展您的人脉网络
建立人脉是推动职业成长最重要的方式之一，形式多样，例如参加活动、与业内人士或同事安排“咖啡聊天”，甚至亲自进行演讲。人脉能帮助您了解其他组织的发展动态，以及您可能需要学习的新技能，或您所在组织未来可能需要的能力。如果您打算换工作，这也是叩开另一家公司大门的最便捷方式。
许多人觉得社交网络令人望而生畏，但在数据社区中有多种建立人脉和寻找活动的方式。我们在此整理了一份2022年最值得参加的数据科学会议清单，助您开启人脉之旅。
7. 对抗冒名顶替综合征
哈佛商业评论将冒名顶替综合征定义为“怀疑自己的能力并感觉自己是个骗子”，许多数据科学家在职业生涯中的某个阶段都曾有过这种感受。资深数据科学家具备的知识广度与深度，在职业早期看起来像是异常高的门槛。即使在后期，您也很可能会遇到在数据科学众多细分领域中具备深厚知识的专家。过去几年，“冒名顶替综合征”这一术语变得更加常见，许多高管也开始公开谈论他们的经历。因此，已经有许多书籍可帮助您理解它如何影响您，以及如何应对。这篇 Reddit 帖子也汇集了多位数据科学家分享他们与冒名顶替综合征的经历。
8. 关注就业市场
职业成长与您朝九晚五如何度过高度相关。如果您每天的工作与您对长期成功的定义不一致，您或许需要重新评估现状。这可能意味着与经理沟通以调整日常工作内容，或在公司内部进行平调。不过，了解就业市场动态始终是值得的。您可能会发现自己的技能需求旺盛，而其他公司能提供不同的岗位，或更优的薪酬与福利。
Wonsulting 的 Jerry Lee（一家职业发展公司）建议，每年都在感兴趣的公司进行面试，以保持面试手感并确保现任公司重视您。重要性取决于您的长期目标与成功标准，但紧跟市场脉搏始终是明智之举。
9. 保持前沿视野
除了提升自身技能，了解您所在领域前沿研究、科技公司与市场领军者的动态同样重要。您不必总是深入细节——在高层次上理解最新技术的潜力，是保持信息灵通的好方式。如果您还能与人脉就此类技术展开交流，了解他们如何应用，或向他们传授新知，更是加分！
进行这类高层次扫描的一个好资源是Adam Votava，他在 LinkedIn 上每周发布“Keeping Up with Data”专栏。这些行文流畅的总结，是关注最新研究、商业新闻，甚至新发布 Python 包的绝佳方式。您也可以订阅我们的每周盘点视频通讯，获取来自数据科学、科技与研究社区的最有趣资讯。
10. 思考您工作的影响
职业成长应带您实现个人的成功指标——但组织的成功呢？思考您的工作产生了哪些影响同样重要，无论是通过高效工具节省时间、为同事创建信息性仪表盘，还是用训练良好的模型节省生产成本。理解您在整个组织中的影响，能确保您可以：
11. 构建领导力
第12条最佳实践将涵盖数据科学中不同类型的管理职业路径。但在此之前，您需要以个人贡献者的身份建立领导力。诸如授权、优先级管理、反馈与设定清晰方向等领导技能，都是必不可少的。即使您并不直接管理人员，当您作为个人贡献者被选为项目负责人时，依然可以学习并运用这些技能。
在整个职业过程中，会有许多机会来培养这些技能，但这也可能需要您走出舒适区。走出舒适区，进入伸展区，往往是我们收获最佳学习与成功的地方；请不要回避这些机会，它们代表着绝佳的成长契机，并将在您的职业生涯中持续带来回报。
12. 选择一条职业路径
如今的职业路径并非总是直线。您可能会在不同团队或项目之间横向流动，或在管理岗位与非管理岗位之间切换。Meta 在此处对其部分职业路径进行了分类，并提出“……成为管理者并非晋升。这只是完成工作的另一种方式”。这一理念在组织中相当普遍，尤其是在结构更扁平、许多团队围绕项目而非职能组织的公司。对 Meta 而言，核心职业路径包括：
明确您在职业生涯后期可能想要达到的方向很有益处。如果人员管理目前并不适合您，您可以更多地投入于技术技能；反之，您可能需要通过建立人脉并寻找学习领导力的机会来发力。
加分项——在数据科学中成功的路径不止一种
本文为组织内的数据科学家提供了大量建议，但在数据职业中获得成功的方式有很多。学术、教学、自由职业与内容创作，都是让您改善世界、学习或研发新事物、或提升收入潜力的路径。不要把自己硬塞进某一家企业或某一条职业路径——思考对您而言成功的样子，然后去践行您的愿景。
更多资源：