上岸算法 I 北美数据岗职位分析

北美IT公司有个很有趣的现象,单身的码农们很多都找同公司的data scientist作为自己心仪的另一半。为什么呢?因为大数据研究显示,data scientist是一个盛产帅哥美女的岗位呀~那我们就来研究一下这个盛产男神女神的data scientist岗位到底是做什么的呢?

大型科技公司的data scientist一般分为inference、analytics、modeling/algorithms三个板块,分别做的是假设检验和实验设计、数据智能和产品分析、机器学习和数据建模。

大型IT公司的Data Scientist分工比较明确,特别是general hiring的公司,一般一个岗位focus在inference、analytics和modeling其中的一到两种。像微软、亚麻这样按组招聘的公司,DS具体的职责岗位根据对应的组会有很大的差异。其他行业,零售公司或者startup的DS比较full stack,什么都要做;医药行业侧重于inference;金融行业侧重于modeling。下面来具体说一下每家大IT巨头对data scientist、data analyst、machine learning engineer、data engineer、research scientist的划分。

Google:谷歌曾经有个岗位叫quantitative analyst,即QA,是他们硬核的data scientist。可能是觉得QA这个名字实在是太不吸引人了,所以加上了大名鼎鼎的前缀——Data Scientist。谷歌家还有一种data scientist叫data scientist, product analytics。谷歌的data scientist岗一半偏QA,一半偏PA,面试的时候HR会和面试者确认。除此之外,和ML相关的岗位还有software engineer machine learning,也就是MLE,也有的software engineer是做data engineering,即DE。

Facebook:data scientist, analytics是product analytics,infra data scientist和core data scientist做的活更偏Machine Learning。Research Scientist对应的头衔是PHD Scientist。和谷歌一样,Facebook和ML相关的岗位还有software engineer machine learning,也就是MLE,以及Data Engineer。

Amazon:亚马逊有四类和Data密切相关的工作——business intelligence engineer、data scientist、research scientist、applied scientist。其中,BI Engineer是analytics和data engineer的结合。他们的data scientist做一些analytics和一部分的machine learning modeling。A家的Research Scientist做ML的research但是coding部分偏少。听上去最最接地气的applied scientist是他们家要求最高给钱最多的岗,非常硬核,不要被名字中的applied所迷惑了,这个岗位需要ML和coding都很强的科班人才。

Airbnb:他家的data scientist是出了名地分track的,analytics,inference和algorithms三个。analytics就是product analytics,inference主要做假设检验和实验设计,algorithms做Machine Learning models。

LinkedIn:LinkedIn的DS也有三个track——strategy and insights类似于analytics,inference and algorithms类似于inference and modeling,以及data engineering,LinkedIn也有software engineer machine learning,但是和data scientist不在一个org。LinkedIn的ML非常硬核,基本只招PHD,做很多算法。

Uber:黑车家的product analyst是做analytics的data scientist,而data scientist干的活偏inference和modeling,同时Uber也有另设的MLE。

Lyft:research scientist偏modeling,data scientist偏inference和analytics。他们本来对应的岗位是analyst和scientist,后来顺应行业趋势把analyst改成data scientist,把原来的scientist改成research scientist。

Apple:Apple因为是按组招人所以比较mixed。同样是data scientist,有的组做dashboard有的组做machie learning engineer。有些DS和其他公司的MLE是一样的,所以要了解得通过工作描述、HR介绍、面试的时候多和组里的人问问。

Microsoft:和Apple一样,微软常见的也是按组招人所以比较mixed,有的是analytics,有的做Deep Learning。

Twitter:Twitter的DS是综合性的,Algorithm、Analytics、Inference都做。面试的时候可以问:analytics,inference,和ML modeling这三大DS板块中,你们组平时的项目在这三种领域占的比例大致是多少?通过这个问题就可以基本上了解他们组的工作性质。

由此可见,虽然都叫Data Scientist,但是每家科技巨头的DS工作范围可都不太一样呢。不管你是喜欢硬核的deep learning,还是注重沟通的analytics;不管你是擅长设计实验的inference,还是专注建造机器学习模型的algorithms,需要知道的是DS这个领域的spectrum非常的广泛。面试的时候还是每个领域都要或多或少地准备到的。只有发挥长板优势、补足短板不足,才能在朝夕万变的市场潮流中快速上岸,拿到大包。同时,这对面试者的能力和准备工作也是很大的挑战。

你可能感兴趣的