美国数据科学专业项目解析

本次数据科学专业解析由传兮留学联合创始人，本科毕业于南航电气工程及其自动化，研究生转专业毕业于加州伯克利IEOR，现任某互联网大厂电商推荐算法工程师的精英Mentor——Joyce分享。

一、什么是DS专业

DS全称Data Science（数据科学），本专业结合了统计和计算机的知识，将统计类模型通过编程方式运用出来。相比于计算机科学（Computer Science）或者是商业分析（Business Analytics）部分，它会更加重视算法在各个领域的应用。如果想做数据工作尤其是转专业情况下，一般会考虑申请管科、工业工程类专业，这与2020年后国外学校的分析学、BA专业互通性很高。

卡耐基梅隆大学列举了比较全面的Data Science的应用领域，如公共政策分析、舆情分析、大数据平台。国内的阿里云、国外的亚马逊云，都会有算法工程师去研究如何预估机器性能，这就是智能化地管理数据平台的模式。

大家都很熟悉的工商管理（Business Administration），就有DS的商业应用，即商业分析方向。智能信息系统（Intelligent Information System）指的是大数据平台本身，对于存储的一些非结构化的数据，如人说的话、语音播放的音频还有图像，会做这些数据的数据处理（Data Processing）和数据应用（Data Application）。语言技术（Language Technologies）应用就是大家所熟悉的自然语言处理（NLP），即如何用计算机语言去理解人类语言的学科。此外DS还有一些在教育学领域的应用。

二、DS专业在国内外的就业领域及岗位待遇

基本上，DS专业毕业的同学都可以找到数据分析师的工作。国内互联网大中小厂、物联网大厂（如顺丰科技、大疆、大华等偏向于传感器、供应链和运输的企业）、人工智能风口公司（商汤科技、旷视科技等）都会有数据分析师的岗位。国外的互联网大厂像FLAG（Facebook, LinkedIn, Amazon, Google）或者是Uber、Lyft等偏运输方向的企业都会有数据分析师的岗位。和国内不同的是，国外的咨询公司会招数据分析师，其次国外一些跨国际的制造业大公司也会需要分析师帮助分析整个生产链的数据流程。

第二个就业方向是产品经理。有很多同学不想毕业之后一直做编程，就可以选择做互联网公司的产品经理，该类岗位需要有数据分析能力。这种情况下同学们本身所学的DS专业对就业会有很大助力，在工作中和研发沟通时也会更加顺利。国外主要是一些科技企业中大厂会有这类产品经理的职位。

第三类职位是算法工程师（Algorithm Engineer），该岗位在国内常见，在国外很少这样命名，但它其实是数据科学一个偏工程方向的叫法。算法工程师岗位一般都需要上大数据平台去操作，会有较多工程类的工作。国内外互联网大中小厂、自动驾驶相关企业都会有这类岗位，这类岗位的算法工程师常接触NLP图像处理或者是音频处理。

数据科学家（Data Scientist）领域在国内有较少岗位。国内的Algorithm Engineer在国外叫做Data Scientist，这两类岗位只有国内外的区别。国内只有一些咨询类岗位会叫做数据科学家，其余都叫算法工程师；国外互联网中大厂、制造业大厂、咨询公司都会叫Data Scientist。

金融方向，DS专业会有量化金融分析师的岗位。量化需要很好的编程能力和业务结合能力，因此与金融专业同学相比，DS专业的同学在这个赛道会有更强的竞争力。

除此之外，DS还有一个和产品经理有共同之处的就业领域——咨询顾问/战略（Consultant）。对于该领域，同学们可以去做四大咨询或者MBB咨询的咨询顾问，以及一些科技大厂的战略顾问，利用自己所学的技能为公司提供决策。咨询类岗位也会有大量数据分析和数据应用的技能需求。

三、DS专业技术细分

此处的DS专业技术细分特指国内情况，国外对DS专业技术区分并不细致。国内DS专业技术领域主要细分为分析、量化金融、计算机视觉、自然语言处理和推荐/广告/搜索。

为什么说数据分析师和产品经理的薪资会略少于算法工程师，这与应用领域和行业特点有关。

比如说，几乎我们所列出的公司都有数据分析师岗位。数据分析师所做的更多的是在业务已经上线、公司成立多年的背景下，把公司某块业务和其他公司做对比，以及业务和运营要看的一些报表，用户的生命周期管理等。比较高级的数据分析、能和数据科学家相比的，就是战略决策分析，如公司方向的走向分析。其特点是不会给公司直接带来收益，而是间接提供一些结论或建议。所以这种情况下数据分析师带来的收益不是很直观，因此起薪没有这么高，越初期越无法提供直接价值。这个岗位特点就是所做的行业是垂直的，比如电商的分析师一直就是在分析电商，其项目经验就是垂直的，项目可迁移程度很高，所有工作都是定制化需求，都是由一个甲方提供的。

量化金融的技术难度与其他技术领域不太一样，因为量化追求模型的可解释性，要能讲明白模型为什么这么做，量为什么这么取，对技术能力没有太高要求，主要是想让客户明白用某个算法的道理。这种情况下量化主要是给客户做资产配置的分析与优化，包括对投资者情绪的一些分析，欺诈检测，股票价格预测等。所以量化对技术需求没有那么高。量化金融的特点是行业很垂直，项目迁移度很强，为不同客户做资产配置的底层逻辑相似。此外，该行业的定制化需求特别多，通常会搭建一些量化金融的平台，每个公司对于平台都有自己的想法，所以实际上金融领域的定制化开发很多，不是可以轻易迁移的。

再就是计算机视觉，它和自然语言处理在国外都叫Data Scientist，或者叫SDE，就是CS同学会找的岗位，在国内会对这两个领域进行细分。这两个技术领域对技术的要求很高，很多都是CS毕业的同学直接在做，但DS也有这些领域的应用，就是非结构化数据在数据科学领域的应用。这两个岗位在国内竞争激烈，校招时如果没有一篇论文，面试机会也很难拿到。但它们在国内外都有一个特点就是行业不垂直，做的项目跨度很大，所用技术点不同，定制化开发需求很多，因此是很看重科研能力的专业。

自然语言处理（NLP）和计算机识别其实有共同之处，国内主要用在问答系统，如小爱同学的文本预测、翻译软件的翻译功能、对大型文本的关键字提取。自然语言处理虽然也是处理文字，但处理出的结果用途不同，比如分类、检测或信息提取，因此所用的技术点和参考论文都不一样。这一领域和计算机视觉的特点一样，即行业不垂直、项目可迁移程度弱、定制化开发多。

最后就是电商领域的数据科学，涉及推荐/广告/搜索。在国内统称为“推广搜”，在国外就是Data Scientist的职位。该领域的岗位是数据科学当前最能直接产生价值的岗位。所做的搜索算法、推荐算法可以直接促成用户的订单成交，再如Tik Tok可以直接消费到用户时间，这都直接产生了商业价值。因此该领域所用数据科学的算法是最成熟、最落地的，各方面都趋于完备，达到了算力的瓶颈。电商领域行业垂直、项目可迁移程度强、定制化开发基本无，因为无论去哪个电商，做的都是一个信息流。

【未完待续】