2011 年，哈佛商业评论称数据科学为“21 世纪最性感的职业”。此后，对数据科学的需求只增不减。Fortune 报道自 2016 年以来，数据科学家职位发布数量增长了 480%。增长之迅猛，以至于截至 2020 年仍然短缺 25 万名数据科学专业人士。
遗憾的是，渴望进入数据科学领域的人往往会感到气馁。随便看一眼数据科学岗位的职位描述，就会发现一长串令人望而生畏的技能清单。激烈的竞争也让一些申请者与心仪的岗位失之交臂。
然而，许多人没有意识到，数据科学家的职业轨迹并非线性。并非名为“数据科学家”的工作，同样也能为您积累宝贵的数据科学技能！这些技能包括统计学、数据处理、机器学习、编程、商业敏锐度和叙事表达——这些都是数据科学家的必备能力。
以下是一些可以作为通往数据科学家目标垫脚石的岗位。这些技术与非技术岗位都能帮助您进入行业。
非技术类数据岗位
数据/分析传译者
被麦肯锡称为“不可或缺的新角色”，分析传译者帮助业务领导者明确业务优先级，并将这些业务目标传达给数据专业人士。分析传译者负责争取业务领导层的支持，并确保数据团队构建的解决方案能够创造业务价值。
“您需要不断拆解技术概念，让所有人说同一种语言，”Fortive 的技术分析师 Gruschow 这样描述她的角色。据麦肯锡称，优秀的分析传译者应具备企业家精神、良好的项目管理能力，以及总体上的技术素养（尽管不一定需要精通编程）。如果您具备这些技能，分析传译者这个角色或许非常适合您。
数据科学产品经理
数据科学产品经理（PM）负责数据科学产品从概念到上线的路线图。TA 们与业务团队协作，识别数据科学如何解决业务痛点；随后与数据专业人士和开发人员紧密合作，制定产品需求，监督产品开发，并定义成功指标。
产品经理需要与多元的相关方持续沟通（来源）
每家公司的数据科学产品各不相同。商业智能公司的数据科学产品经理可能负责数据可视化工具的开发；而流媒体公司的产品经理可能负责应用内推荐功能的路线图。擅长相关方管理且对数据科学有广泛理解的人，非常契合这一角色。
数据战略顾问
数据战略顾问负责设计、构建并实施能够提升业务表现的数据战略。顾问与业务领导者合作，评估公司的数据能力，并提出迈向数据驱动型组织的路线图。
顾问会识别企业如何利用数据技术解决问题。具体策略会因企业成熟度而异。对于新创组织，顾问可能建议实施数据管理与数据治理工具；对于成熟组织，顾问可能建议采用创新的云端解决方案。有咨询背景的人会对该岗位颇感兴趣。此外，若具备对各类数据框架（如数据治理、数据管理、商业智能、高级分析、机器学习与云平台）的实践认知，也将非常契合该岗位。
技术项目经理
技术项目经理负责规划、组织并推进技术类数据科学项目。项目经理管理项目可用资源，确保项目按时、按预算并在范围内交付。
由于项目经理从立项到上线全程负责，其职责非常多元：制定项目大纲、安排任务进度、评估项目阶段、与相关方沟通以及把握产品愿景。为管理跨职能项目团队，他们会采用如 Scrum、敏捷等开发方法。
敏捷方法论（来源）
技术项目岗位适合有管理经验的人选。拥有数据科学、软件工程或 UI/UX 等技术背景的候选人在获得技术项目经理职位时更具优势。
技术写作者
随着数据科学产品的数量与规模不断增长，对技术文档的需求也与日俱增。规范且简洁的文档是开发者向终端用户传达使用说明的最佳方式之一。
Twilio 的技术文档示例（来源）
技术写作者通过提供入门指南、深入的产品文档以及技术产品的 API 参考来弥补这一缺口。他们还会与开发工程师、产品经理和项目经理密切合作，共同设计文档。技术写作者应具备技术背景，以便更顺畅地与技术团队沟通。如果您有意从事技术写作，建议在开始求职前，在个人作品集中加入技术写作样例。
技术类数据岗位
商业智能分析师
商业智能（BI）分析师通过数据分析与可视化，帮助组织做出数据驱动的业务决策。BI 分析师的日常工作包括解读关键数据以产出洞察。为传达这些洞察，BI 分析师会以仪表板或演示文稿的形式维护指标与可视化。因此，BI 分析师通常熟练使用数据库工具（SQL）、商业智能工具（如 Tableau）以及电子表格工具（如 Excel）。
对 BI 分析师而言，一个令人兴奋的项目是实现现有报告流程的自动化。例如，HelloFresh 的 BI 分析师通过创建实时仪表板，消除了手工数据报告的需要。随后，市场团队基于这些报告优化营销活动，从而提升客户留存。
PowerBI 仪表板示例
数据分析师
数据分析师与 BI 分析师有很多相似之处。与 BI 分析师一样，数据分析师负责提供准确的业务指标，并为业务相关方挖掘可操作的洞察，以支撑数据驱动的决策。
在某些公司，数据分析师也会参与高级分析项目。这类项目可能需要数据分析师与产品、业务和工程团队合作，推动关键业务决策。例如，数据分析师可能会负责构建客户分群，以据此制定面向不同分群的差异化策略。
数据分析师可以开展客户分群（来源）
根据岗位范围不同，数据分析师可能不仅需要掌握 SQL、BI 工具和电子表格工具，还需掌握一种编程语言（如 Python 或 R）。在从事高级分析项目时，扎实的统计学知识也会大有裨益。
营销运营分析师
营销运营分析师负责实施营销流程并分析营销绩效。这些流程可能包括利用 CRM 软件进行线索管理和客户互动。营销分析师会分析客户与供应商数据，发掘机会并优化营销流程。例如，分析师可能进行漏斗分析，找出客户转化流程中的薄弱环节。
漏斗分析示例（来源：Clevertap）
此外，营销运营分析师还能通过假设检验来优化营销表现。通过规范的 A/B 测试，分析师可能发现，在邮件标题中加入表情符号能显著提高年轻受众的点击率。对于擅长营销的人而言，这是一个极佳的入门岗位。对应届毕业生也很友好，因为据 NCSU 报告，多达 45% 的营销运营分析师岗位要求不足 2 年工作经验，且 80% 的岗位要求学士学位。
财务分析师
财务分析师审视财务数据、识别投资机会，并评估业务建议的结果。具体而言，他们分析宏观经济因素、微观经济条件与公司基本面的相互作用。财务数据是财务分析师的基本盘。为评估公司的健康状况，他们会考察毛利率、净利率、增长率、股本回报率、每股收益等指标。
分析师还会使用统计方法（如回归分析）和高级财务建模（如折现现金流分析）对公司的未来表现与价值进行预测。
财务分析师进行简单回归分析的示例（来源）
据Investopedia称，拥有学士学位——最好是会计、经济学、金融或统计学——或 MBA 的人，成为财务分析师的机会更大。
机器学习工程师（MLE）
根据 LinkedIn 的数据，MLE 是 2022 年增长最快的 25 个职位头衔之一。MLE 负责设计、构建并将机器学习模型投入生产。因此，他们精通模型架构设计、机器学习流水线编排以及生产环境中的 ML 方案监控。
例如，网约车公司的 MLE 可能会监控其生产环境中撮合乘客与司机的匹配 AI 的耗时。MLE 会与数据科学家合作，确保该耗时不超过预设阈值。MLE 这一角色适合编程能力强的人，例如软件工程师或数据工程师。MLE 还应具备扎实的数学与统计基础，以及对机器学习模型的深刻理解。
构建您的数据职业生涯
急于求职且一心只看“数据科学家”职位的人，可能会在求职过程中忽略这些岗位。我们的建议是：只要能在工作中学习数据科学技能，就不要害怕选择“数据科学家”之外的职位。正如史蒂夫·乔布斯所言，“向前看时，您无法把点点滴滴串联起来……所以您必须相信，这些点总会在未来以某种方式连接起来。”
本文最初发表于 DataCamp 认证社区，这是一个仅向成功完成任一 DataCamp 认证的学习者开放的平台。想获取更多帮助您站在数据行业前沿的内容，立即获取认证！
2011 年，哈佛商业评论称数据科学为“21 世纪最性感的职业”。此后，对数据科学的需求只增不减。Fortune 报道自 2016 年以来，数据科学家职位发布数量增长了 480%。增长之迅猛，以至于截至 2020 年仍然短缺 25 万名数据科学专业人士。
遗憾的是，渴望进入数据科学领域的人往往会感到气馁。随便看一眼数据科学岗位的职位描述，就会发现一长串令人望而生畏的技能清单。激烈的竞争也让一些申请者与心仪的岗位失之交臂。
然而，许多人没有意识到，数据科学家的职业轨迹并非线性。并非名为“数据科学家”的工作，同样也能为您积累宝贵的数据科学技能！这些技能包括统计学、数据处理、机器学习、编程、商业敏锐度和叙事表达——这些都是数据科学家的必备能力。
以下是一些可以作为通往数据科学家目标垫脚石的岗位。这些技术与非技术岗位都能帮助您进入行业。
非技术类数据岗位
数据/分析传译者
被麦肯锡称为“不可或缺的新角色”，分析传译者帮助业务领导者明确业务优先级，并将这些业务目标传达给数据专业人士。分析传译者负责争取业务领导层的支持，并确保数据团队构建的解决方案能够创造业务价值。
“您需要不断拆解技术概念，让所有人说同一种语言，”Fortive 的技术分析师 Gruschow 这样描述她的角色。据麦肯锡称，优秀的分析传译者应具备企业家精神、良好的项目管理能力，以及总体上的技术素养（尽管不一定需要精通编程）。如果您具备这些技能，分析传译者这个角色或许非常适合您。
数据科学产品经理
数据科学产品经理（PM）负责数据科学产品从概念到上线的路线图。TA 们与业务团队协作，识别数据科学如何解决业务痛点；随后与数据专业人士和开发人员紧密合作，制定产品需求，监督产品开发，并定义成功指标。
产品经理需要与多元的相关方持续沟通（来源）
每家公司的数据科学产品各不相同。商业智能公司的数据科学产品经理可能负责数据可视化工具的开发；而流媒体公司的产品经理可能负责应用内推荐功能的路线图。擅长相关方管理且对数据科学有广泛理解的人，非常契合这一角色。
数据战略顾问
数据战略顾问负责设计、构建并实施能够提升业务表现的数据战略。顾问与业务领导者合作，评估公司的数据能力，并提出迈向数据驱动型组织的路线图。
顾问会识别企业如何利用数据技术解决问题。具体策略会因企业成熟度而异。对于新创组织，顾问可能建议实施数据管理与数据治理工具；对于成熟组织，顾问可能建议采用创新的云端解决方案。有咨询背景的人会对该岗位颇感兴趣。此外，若具备对各类数据框架（如数据治理、数据管理、商业智能、高级分析、机器学习与云平台）的实践认知，也将非常契合该岗位。
技术项目经理
技术项目经理负责规划、组织并推进技术类数据科学项目。项目经理管理项目可用资源，确保项目按时、按预算并在范围内交付。
由于项目经理从立项到上线全程负责，其职责非常多元：制定项目大纲、安排任务进度、评估项目阶段、与相关方沟通以及把握产品愿景。为管理跨职能项目团队，他们会采用如 Scrum、敏捷等开发方法。
敏捷方法论（来源）
技术项目岗位适合有管理经验的人选。拥有数据科学、软件工程或 UI/UX 等技术背景的候选人在获得技术项目经理职位时更具优势。
技术写作者
随着数据科学产品的数量与规模不断增长，对技术文档的需求也与日俱增。规范且简洁的文档是开发者向终端用户传达使用说明的最佳方式之一。
Twilio 的技术文档示例（来源）
技术写作者通过提供入门指南、深入的产品文档以及技术产品的 API 参考来弥补这一缺口。他们还会与开发工程师、产品经理和项目经理密切合作，共同设计文档。技术写作者应具备技术背景，以便更顺畅地与技术团队沟通。如果您有意从事技术写作，建议在开始求职前，在个人作品集中加入技术写作样例。
技术类数据岗位
商业智能分析师
商业智能（BI）分析师通过数据分析与可视化，帮助组织做出数据驱动的业务决策。BI 分析师的日常工作包括解读关键数据以产出洞察。为传达这些洞察，BI 分析师会以仪表板或演示文稿的形式维护指标与可视化。因此，BI 分析师通常熟练使用数据库工具（SQL）、商业智能工具（如 Tableau）以及电子表格工具（如 Excel）。
对 BI 分析师而言，一个令人兴奋的项目是实现现有报告流程的自动化。例如，HelloFresh 的 BI 分析师通过创建实时仪表板，消除了手工数据报告的需要。随后，市场团队基于这些报告优化营销活动，从而提升客户留存。
PowerBI 仪表板示例
数据分析师
数据分析师与 BI 分析师有很多相似之处。与 BI 分析师一样，数据分析师负责提供准确的业务指标，并为业务相关方挖掘可操作的洞察，以支撑数据驱动的决策。
在某些公司，数据分析师也会参与高级分析项目。这类项目可能需要数据分析师与产品、业务和工程团队合作，推动关键业务决策。例如，数据分析师可能会负责构建客户分群，以据此制定面向不同分群的差异化策略。
数据分析师可以开展客户分群（来源）
根据岗位范围不同，数据分析师可能不仅需要掌握 SQL、BI 工具和电子表格工具，还需掌握一种编程语言（如 Python 或 R）。在从事高级分析项目时，扎实的统计学知识也会大有裨益。
营销运营分析师
营销运营分析师负责实施营销流程并分析营销绩效。这些流程可能包括利用 CRM 软件进行线索管理和客户互动。营销分析师会分析客户与供应商数据，发掘机会并优化营销流程。例如，分析师可能进行漏斗分析，找出客户转化流程中的薄弱环节。
漏斗分析示例（来源：Clevertap）
此外，营销运营分析师还能通过假设检验来优化营销表现。通过规范的 A/B 测试，分析师可能发现，在邮件标题中加入表情符号能显著提高年轻受众的点击率。对于擅长营销的人而言，这是一个极佳的入门岗位。对应届毕业生也很友好，因为据 NCSU 报告，多达 45% 的营销运营分析师岗位要求不足 2 年工作经验，且 80% 的岗位要求学士学位。
财务分析师
财务分析师审视财务数据、识别投资机会，并评估业务建议的结果。具体而言，他们分析宏观经济因素、微观经济条件与公司基本面的相互作用。财务数据是财务分析师的基本盘。为评估公司的健康状况，他们会考察毛利率、净利率、增长率、股本回报率、每股收益等指标。
分析师还会使用统计方法（如回归分析）和高级财务建模（如折现现金流分析）对公司的未来表现与价值进行预测。
财务分析师进行简单回归分析的示例（来源）
据Investopedia称，拥有学士学位——最好是会计、经济学、金融或统计学——或 MBA 的人，成为财务分析师的机会更大。
机器学习工程师（MLE）
根据 LinkedIn 的数据，MLE 是 2022 年增长最快的 25 个职位头衔之一。MLE 负责设计、构建并将机器学习模型投入生产。因此，他们精通模型架构设计、机器学习流水线编排以及生产环境中的 ML 方案监控。
例如，网约车公司的 MLE 可能会监控其生产环境中撮合乘客与司机的匹配 AI 的耗时。MLE 会与数据科学家合作，确保该耗时不超过预设阈值。MLE 这一角色适合编程能力强的人，例如软件工程师或数据工程师。MLE 还应具备扎实的数学与统计基础，以及对机器学习模型的深刻理解。
构建您的数据职业生涯
急于求职且一心只看“数据科学家”职位的人，可能会在求职过程中忽略这些岗位。我们的建议是：只要能在工作中学习数据科学技能，就不要害怕选择“数据科学家”之外的职位。正如史蒂夫·乔布斯所言，“向前看时，您无法把点点滴滴串联起来……所以您必须相信，这些点总会在未来以某种方式连接起来。”
本文最初发表于 DataCamp 认证社区，这是一个仅向成功完成任一 DataCamp 认证的学习者开放的平台。想获取更多帮助您站在数据行业前沿的内容，立即获取认证！