不知道大家是否留意到，各大行業(yè)、名企都在招“數(shù)據(jù)分析師”？
近期，Linkedin在最新相關職業(yè)的調查中發(fā)現(xiàn)，機器學習和數(shù)據(jù)科學工程師已經超過傳統(tǒng)軟件工程師，躍升為最高薪群體，年薪中位數(shù)高達$129,000。
IBM預測：未來3年，企業(yè)對數(shù)據(jù)科學類崗位需求量將猛增28%。到2020年，所有美國數(shù)據(jù)科學類崗位數(shù)量將增加36萬個，總數(shù)達到270萬。
美國灣區(qū)的科技公司和紐約華爾街無疑是對這方面人才需求最迫切的地方。除此之外，機器學習和數(shù)據(jù)科學工程師在西雅圖、洛杉磯、華盛頓和波士頓也都炙手可熱。在各行各業(yè)的H1B審核越來越嚴格的情況下，數(shù)據(jù)科學類崗位H1B持有數(shù)呈大幅上升趨勢，同時，收入也在逐年增長。
Robert Half Technology 對數(shù)據(jù)科學的評價：“Data Scientist（數(shù)據(jù)科學家）可能是你能在名片上寫下的最熱頭銜之一，并且你離硅谷越近，這個職位就越有價值。數(shù)據(jù)科學家跟麒麟一樣稀有，而且每天的工作都需要有充滿好奇心的數(shù)據(jù)奇才那樣的思維體系。
需要有廣泛的數(shù)據(jù)科技技能和處理，分析原始數(shù)據(jù)的天賦，以及用一個吸引人可信服的方式來與同伴分享自身的深刻見解。這也難怪為什么像谷歌和微軟這些公司都非�？释襁@樣的人才。”
進入數(shù)據(jù)科學行業(yè)需要哪些知識技能？
根據(jù)2016年O’Reilly對數(shù)據(jù)科學職位薪酬的研究，所有研究對象（983個樣本：45個國家+美國45個州）的薪酬中位數(shù)是87000美元，其中，五分之三的樣本來自于美國，他們的薪酬中位數(shù)為106000美元。與美國東北部與中西部相比，西北部的薪酬中位數(shù)更高（105000美元對比98000美元），而加州擁有最高的薪酬中位數(shù)。
專業(yè)技能方面，調查顯示，Python和Spark是對薪水貢獻最大的兩大工具，最受歡迎的工具是Excel和SQL，接下來是R以及Python。超過90%的被調查者表示會花時間在編碼上，80%至少會Python、R以及Java中的一種，8%的人會使用全部三種語言。
總的來說，影響薪酬高低的因素有很多，而能力越大相應地也就獲得的越多。最后看兩個應聘數(shù)據(jù)分析師的面試題目：
騰訊：『給40億個不重復的unsigned int的整數(shù)，沒排過序的，然后再給一個數(shù)，如何快速判斷這個數(shù)是否在那40億個數(shù)當中?』
微軟：『請寫一個方程，優(yōu)化我們在 Twitter 和 Facebook 上的廣告費用支出�！�
......
所以，悄悄的告訴慧德小編，要不要讀一個悄咪咪超越了CS成為高金行業(yè)的專業(yè)呢？
哈佛大學-MSc in Data Science
世界頂級大學，美國哈佛大學（Harvard University），前一段時間新增設了一個碩士項目——Master of Science in Data Science，2018年秋為第一屆招生。
The Harvard Faculty of Arts and Sciences is pleased to announce the launch of a new Master of Science (SM) degree in Data Science.
數(shù)據(jù)科學專業(yè)對口的工作職位？
與 Data Science 相關的職位可能有很多種不同的叫法，不同公司根據(jù)不同的背景，有以下叫法：
Data Scientist：科技公司中用的比較多，很多要求 PhD 的學歷。
Data Analyst：金融業(yè)用的比較多。
Risk Manager / Risk Management：金融公司里用的比較多。
Business Analyst：與 Data Analyst 類似，但更加注重商業(yè)，技術方面的要求相對較低。
Data Engineer：一般是科技公司采用這個職位，偏向 CS 專業(yè)，需要負責數(shù)據(jù)存儲、實時處理的工作，對系統(tǒng)、programming 的要求更多。
Statistician：如 Google。偏向統(tǒng)計，要求較為深入地理解概率統(tǒng)計。
Statistic Scientist：如亞馬遜。
Research Scientist：與 Data Analyst 相關。
擇業(yè)時，有哪些公司可以選擇？
各行各業(yè)都在利用大數(shù)據(jù)來解決問題，所以有很多公司有相關職位。
科技公司：Twitter，Microsoft，BAT，搜狗，美團，滴滴
金融公司：Capital One（從建立之初就開始用一些數(shù)據(jù)方法進行風險控制等方面的工作），高盛，Blackrock，Hedge Fund
咨詢公司：Polunteer（幫助美國政府部門解決反恐、審查等工作），麥肯錫，IBM（傳統(tǒng)咨詢公司也慢慢轉向 data 方向）
專門做數(shù)據(jù)分析平臺的公司：Kotara，Hotten，Databreaks
其他公司：Horizon（電信），Comecrack（傳媒），消費品公司，醫(yī)療公司
數(shù)據(jù)科學的主要工作？
分為四部分：歸納問題、準備探索數(shù)據(jù)、模型訓練檢驗調整、報告和產品。
1. 歸納問題
客戶給公司的任務，或者頭頭給分析師的任務，不是一個具體的任務（用 xx 模型來做 xx 數(shù)據(jù)），而是一個具體的商業(yè)問題。比如，上個季度為什么盈利下降了。這就是一個歸納問題的環(huán)節(jié)，需要有專業(yè)知識幫助我們找到方向。
2. 準備探索數(shù)據(jù)
歸納問題結束之后，會產生很多假設，這就需要尋找數(shù)據(jù)驗證假設。
尋找數(shù)據(jù)一般是竭盡所能，比如收入不好與市場推廣有關，就會去尋找廣告商的數(shù)據(jù)。
尋找數(shù)據(jù)以后，要檢查數(shù)據(jù)質量，是否有異動、缺失等等。數(shù)據(jù)質量能夠決定模型的準確率。所以花在“清洗整理”數(shù)據(jù)上的時間要占到總時間的 60% 甚至更多，有時候也需要跟客戶進行交流。
檢查完質量以后，做一些探索性分析。
3. 模型訓練檢驗調整
先確定模型基本類型（回歸、聚類等），選取比較合適的模型進行搭建，用 test 對模型進行檢驗。檢驗的同時再去尋找模型最優(yōu)的參數(shù)配置，對模型進行預測，如果預測結果很好的話，建模過程就結束了。
4. 報告和產品
在咨詢公司中，模型做完以后，會和客戶進行交流，看是否符合實際。在科技公司中，模型往往會發(fā)展成一個產品。放在公司平臺上測試，或者發(fā)布到網上。
面試準備
Data scientist 需要具備的能力：
1. Hacking skills（programming skills）；
2. Math and statistics knowledge；
3. Sustained expertise。
硬實力方面
數(shù)學方面的知識在各大公司，如 Google，相關職位的面試中很喜歡被提及，主要集中在概率論的基礎理論，比如獨立分布，隨機數(shù)等等。
有一道題供大家思考，現(xiàn)有一個隨機數(shù)生成器，等概率生成 1~4 四個數(shù)字。問如何改進生成五個數(shù)字。這是一道與概率、工程學相關的題。
在統(tǒng)計方面涉及比較多的是 ABtest 實驗設計理論。這個問題在做過 research 以后才會更加了解。比如要做一個藥物測試，測試其效果，就會涉及一個大樣本雙盲測試。大家就需要了解其前提假設與操作。
模型方面的內容是重頭戲，問的比較多的是回歸分析和機器學習。根據(jù)職位不同，問的也有可能不同。比如給一個回歸模型，系數(shù)應該如何計算，T 檢驗是什么之類的問題。再比如，加權回歸，Principle Component Regression。
除了回歸分析，很多公司也會問關于機器學習的模型。主要會集中在問 Classification，比如 Logistic Regression 、FBM、Tree model。各自有什么特點，適合于哪些情景等，也會展開問。比如問 Tree model 下三個模型的異同點，解決的問題，適合用在怎樣的數(shù)據(jù)上面，包括模型的評價，術語。
很多公司要求你有一定的編程能力。希望大家在準備時刷一些 lecal 的中低難度的題，高難度的不需要。C++，Python，Java 等語言一般都可以用，但是推薦用 Python 和 Java，尤其是 Python，因為 Python 在數(shù)據(jù)挖掘方面運用的很多，對熟悉語法有幫助。也有公司會問 Pascal 和 R 語言的問題。
軟實力方面
如果想去金融、咨詢行業(yè)工作，一定要注重提升軟實力。
要注意三點。
第一，熟悉自己的簡歷。在面試的一開始都會要求過簡歷，或者說一下自己 highlight 的地方。建議要熟悉自己簡歷的內容。推薦一個回答問題的 SAR 結構，就是 Situation-Action-Result 結構，按照這個清晰的條理來展現(xiàn)自己。
第二，準備一段非常好的團隊合作的經歷。這在科技公司中可能要求不高，但是在金融、咨詢公司是很看重團隊合作的，要求你有一定的 leadership。一定要體現(xiàn)你在團隊出現(xiàn)問題的時候能冷靜面對，積極溝通的能力。
第三，在面試之前研究一下公司及所在行業(yè)。準備一些聊天的話題，面試官可能把你從一個房間帶到另一個房間的路上，聊一些比較好玩的而不是老生常談的話題，這對氣氛、心態(tài)有很大的幫助。
