注意！在谷歌，数据分析中耍头衔花样很危险

全文共2601字，预计学习时长8分钟

图源：Unsplash

不管是在政治圈、学术圈、教育圈亦或是演艺圈、ACG圈。头衔花样越来越多，也越来越被抬升至高地位。

现在，这颗毒瘤甚至蔓延到了科技圈。

但在科技圈（尤其是数据分析）中，耍头衔花样是很危险的！

图源：Unsplash

“既然是数据分析师，你为什么做机器学习的工作？”

一个刚刚毕业的学生这样问我。

在他看来，同时做这两件事的我顶着“数据分析师”这个头衔十分怪异。毕竟，他是大型电子贸易初创企业的数据科学家以及机器学习工程师。

在如今的数据分析界内，这两个头衔很有声望。但是，在谷歌，头衔并不代表什么。不管你是数据分析师还是软件工程师，如果你的日常工作需要机器学习那么你就得使用它。尽管我自称分析师，但是我仍然需要学会技术，使用计算机视觉、图像识别以及机器学习检测Gmail邮件和谷歌浏览器中的钓鱼式攻击。

传统定义下，我是一个全栈数据科学家，可以提取数据，会用可重复使用的产品代码来获取见解或者模型。

数据分析师和数据科学家的传统定义

来源：Skillfin Learning

我的数据科学职业生涯始于在Lazada（东南亚地区最大的在线购物网站之一）期间的实习。

1.使用表格、仪表盘或者可视化工具来生成图表以及提出商业见解的数据科学家。

2.使用机器学习以及严谨统计分析数据和提出见解的数据科学家。

以上两种都被称为数据科学家，他们都需要和数据打交道，但是本质上，这两种数据科学家是不同的。根据Skillfin的定义，第一种被称为数据分析师，而第二个是数据科学家。一些初创公司会把第一种叫做初级数据科学家。当然第二种就是人们通常认为的数据科学家了。

肮脏的头衔花样

图源：Unsplash

“数据科学家”头衔的滥用

似乎数据科学家的头衔在不断地发展，且数量趋向饱和。

5年前，数据科学家这一头衔在新加坡还没有那么流行。然而，随着数据的“风”越来越大，许多研究员、咨询师和教育家都投身于这股浪潮当起了数据科学家。

这也就是为什么现在许多初创企业都滥用“数据科学家”这个头衔了。数据科学家这个词在当今已经被越来越多的人滥用，部分数据科学家重新命名自己，称自己为机器学习工程师或者是研究科学家。

人类生来就喜欢做减法，总是想要将事物简化从而更容易理解。现在，许多公司的职位描述并不符合数据科学家的头衔。关键是，建造仪表盘以及初步分析的是数据分析师，而建造机器学习模型的是数据科学家。

当我把这些告诉一位从初创公司辞职去谷歌的同事，他和我说：

“不久前，我的10位同事从数据科学家的头衔换到了机器学习工程师，他们问我‘你为什么降职到数据分析师了？’我回答道‘我不在乎是否降级，因为我工资变高了’。”

原因

为什么会发生头衔的戏剧性变化？

答案很简单，因为新的头衔意味着名誉和更多的员工。许多初创公司在工作和相应描述上做手脚，以顺应潮流，从而吸引更多刚刚走出校园的毕业生和专家去他们的公司。

还记得刚刚故事开头问我问题的毕业生吧。他和我说，将头衔从数据科学家变为机器学习工程师，他感到十分高兴，因为换头衔这件事情让他觉得自己更有价值了。

而这样做的结果是，许多人都会感到失望。招聘经理本以为他们招聘到的是一位优秀的数据科学家，但其实只是一个不分缘由只处理数据库的小伙。他们的职位描述和岗位头衔并不相符。

员工也会感到失望。我有一些朋友曾经做过数据科学家实习生，当他们发现工作任务只是手动输入数据标签时，都大失所望。

如果你不仔细分析那些头衔，最终受伤的还是你自己。

招聘经理是关键

图源：Unsplash

就我对许多数据科学家和数据专家的面试来看，我发现，重要的是专注于自己的经验和技能。作为教育者，我往往这样告诉自己的学生：专注于你提供的价值。

所有的采访都只秉承一个目的：

怎么回答面试官的问题？

你需要知道对你和你的面试官来说，何种技能是有价值的。不管你的简历有多么天花乱坠，但凡你不能够回答上面试官的问题，那也是无法进入公司的。

在谷歌，面试官会核实你之前的经历，并且考核你会如何适应并且成为公司中的一员。每一个面试官都会给招聘委员会匿名身份的招聘信息，这意味着招聘委员会不知道每一个面试者的姓名、性别甚至是种族。他们只会根据单纯的个人招聘信息来选择满意的雇员。而在这里，头衔起不到什么作用。

面试官的面试结构分明，会提出许多假设式（要是……）以及行为式（有什么……）问题。这些问题对于谷歌公司发现面试人的价值所在十分重要。

在成为公司一员之后，你需要专注于积累技能并且学习新技能。你也可以从卡尔（Cal Newport ）的《深度工作》中学到如何在有限时间内培养技能，从而在纷扰世界中获得学习的能力以及变得有价值。在这本书中，我学到了分批处理工作，并集中精力投入到数据分析以及机器学习中。

结论：关注工作而非头衔

图源：Unsplash

结论是，人们不是根据你的头衔或是矫揉造作的细枝末节，而是你的工作带来的收益来评价你。解决面试官和雇主的问题才是正道。你应该做的是思考如何积累技能和个人价值为未来的职业铺路。

在闲余，我经常运作辅助项目，并且将他们放入Github或者其他的博客。然后我会运作并编写这些应用程序，这样一来，我的学生们和其他数据执行师都能够从此获益。不到几个月，领英（LinkedIn）把我推荐给了谷歌的HR。他通过输入“数据挖掘”和“数据分析”在这里找到了我。这真是令人惊喜！

总而言之，记住这些可行的计划

1.谨慎分析头衔和工作描述，他们可能不是你想找的理想工作。

2.关注简历及面试中展现的个人价值。

3.学习技能并且加以运用，深度工作从而为公司创造更多价值。

如果你的工作对其他人很有价值，你会得到许多机会。这是职业发展的方法。

最后……

衷心希望大家能够在这篇文章中收获职业发展和创新的灵感。

留言点赞关注

我们一起分享AI学习与发展的干货
欢迎关注全平台AI垂类自媒体 “读芯术”

（添加小编微信：dxsxbb，加入读者圈，一起讨论最新鲜的人工智能科技哦～）

注意！在谷歌，数据分析中耍头衔花样很危险相关推荐

大数据分析中使用关系型数据库的关键点
相当一部分大数据分析处理的原始数据来自关系型数据库,处理结果也存放在关系型数据库中.原因在于超过99%的软件系统采用传统的关系型数据库,大家对它们很熟悉,用起来得心应手. 在我们正式的大数据团队,数仓 ...
数据分析中会常犯哪些错误，如何解决的？
错把相关性当成因果性 correlation vs. causation 经典的冰淇凌销量和游泳溺水人数成正比的数据,这并不能说明冰淇凌销量的增加会导致更多的人溺水,而只能说明二者相关,比如因为天热所 ...
浅谈数据分析中的“暗物质”
浅谈数据分析中的"暗物质" 我们分析数据,更重要的是看到数据中所隐藏的暗物质,即数据图中你看不见的数据\逻辑\知识. 开门见山,以下是某新闻媒体WAP\APP\PC三端的分周中和周 ...
二维数组离散程度matlab,(十八)数据分析中的一些概念
(十八)数据分析中的一些概念 HIKAI 29 SEP 2017 0 Comments 矢量.向量.标量矢量和向量是一个东西,只是在不同领域里面用到的不同称呼.矢量常常用在物理学中,向量在数学.几何 ...
数据分析中，你认为用户行为分析最重要的点是什么
数据分析中,你认为用户行为分析最重要的点是什么对着满屏的数据,来做用户行为分析,是不是茫然不知所措? 做用户行为分析首先要确定你的目标.目标是降低成本(比如做渠道分析,优化渠道),增加收入(比如分析 ...
数据分析中的两种偏差
总第171篇/张俊红今天给大家介绍一下数据分析中常见的两种偏差:选择性偏差和幸存者偏差. 1.选择性偏差选择性偏差指的是在研究过程中因样本选择的非随机性而导致得到的结论存在偏差,是由于人为主观的选 ...
比较两组数据的差异用什么图更直观_芯片数据分析中常见的一些图的作用
今天给大家讲讲芯片数据分析中常见的一些图的作用,让大家伙儿知道它们在BB些啥. 箱式图(Box plot) 基因芯片的原始数据是需要进行标准化处理的,主要目的是消除由于实验技术(如荧光标记效率.扫描参 ...
hive建立内部表映射hbase_快手 HBase 在千亿级用户特征数据分析中的应用与实践...
分享嘉宾:陈杨快手编辑整理:Hoh Xil 内容来源:BigData NoSQL 12th Meetup 出品社区:DataFun 注:欢迎转载,转载请注明出处. 快手建设 HBase 差不多有2 ...
《统计会犯错——如何避免数据分析中的统计陷阱》—第2章置信区间的优势
本节书摘来自异步社区<统计会犯错--如何避免数据分析中的统计陷阱>一书中的第2章置信区间的优势,作者[美]Alex Reinhart(亚历克斯·莱因哈特),更多章节内容可以访问云栖社区&q ...

注意！在谷歌，数据分析中耍头衔花样很危险

注意！在谷歌，数据分析中耍头衔花样很危险相关推荐

最新文章

热门文章