攻读数据科学学位可以从事那些工作？
什么是数据科学？ 2018 年，5 家大型科技公司带来了美国 GDP 增长的 68%，而这一增长的核心驱动力是数据科学，该领域负责开发利用大型科技运营产生的大量数据的新方法。拥有精算学学位的人将更多地关注传统数学相互作用产生的信息，而数据科学家则更关注大科技的数据漏斗产生的信息。
数据科学在大科技中是一个相对较新的领域，或者至少它的现代迭代表明对编程和计算的内在依赖，这在过去十年左右才真正成为行业的中心。

数据科学对美国经济来说是双赢的，因为它能够为消费者节省资金，同时通过提高运营效率来提高公司的利润率。
东北大学收集数据科学博士 Martin Schedlbauer 认为，数据科学家是计算大师，其职业定义为“塑造、存储、管理和分析数据”。当人们认为数据科学的主要关注点是现代技术产生的信息或数据时，这是常识性的——特别是由计算机及其程序的先进计算能力所支持。因此，数据科学家不仅要掌握数据分析，还要掌握生成数据的方法，这是很自然的。

数据科学的就业市场正在蓬勃发展
随着技术继续推动对我们世界的更深入了解，数据科学家站在寻找答案的最前沿。人类历史上第一次，几乎可以回答基于消费者行为或市场统计的任何问题。
因此，数据科学一直被列为美国就业市场上最强大的职业之一也就不足为奇了。事实上，Glassdoor 连续四年将数据科学列为经济中的第一大工作。美国劳工统计局报告称，到 2026 年，该领域的就业人数将增长 27.9%，这一增长数字简直是天文数字。

考虑这些要点
• 以这种速度扩张的就业市场意味着专业人士拥有很大的专业自主权，这意味着他们在决定在哪里工作时拥有更大的选择权。
• 数据科学是一个高度流动的职业，这意味着一个人可以以数据科学为切入点进入许多不同或看似无关的行业。
• 数据科学处于前沿技术的最前沿，这意味着如果您想从事最高水平的大型技术创新工作，它是一个可靠的选择。
• 数据科学领域的职业机会也非常有利可图。
• 但鉴于这个职业的新颖性，雇主对高等教育更感兴趣。
• 绝大多数数据科学家拥有硕士学位——有些数据表明这一比例高达 88%。

数据科学中的选择：商业和数据科学
在职业道路方面，重要的是要提早提到“数据科学”是指特定的职业道路，但它也指研究的主题——就像有人可能学习心理学或成为心理学家一样，有很多不同两者之间。同样，数据科学家的职业生涯和学习数据科学的道路之间的路径可能会因研究背景或工作类型的背景而有很大差异。
因为您可能需要攻读学士或硕士学位才能在数据科学领域取得优异成绩，所以您需要尽早决定长期关注的重点。在这样做时，请考虑以下几点。
• 尽管数据科学对业务运营具有价值，但数据科学家通常会回避MBA，只有一小部分持有者。
• 如果您希望将数据科学与 MBA 相结合，您可能需要考虑将数据科学的技术知识与 MBA 的商业理论相结合的 最佳 MBA IT 课程之一。
•  商业和数据科学之间的另一个重叠领域发生在信息和网络安全的 MBA 课程中。这种学习途径的一个附带好处是，有一些信息和网络安全方面的优秀在线 MBA加速课程。
然而，由于数据科学角色的高技术技能与业务的更定性和更全面的任务之间的隐含区别，同时追求数据科学和业务方面的专业知识——超出上述常见的重叠领域——可能很困难。虽然对于那些渴望以业务为中心的数据科学职业或开始自己的事业的人来说，当然可以克服这种鸿沟，但这需要预谋和准备。
如果您决定完全专注于数据科学职业，您将能够从事一些令人印象深刻的工作类型。下面列出了一些专业数据科学家最需要的工作。

十大需求数据科学工作
1. 机器学习工程师
平均工资：114,121 美元
这些专业人员在计算、编程和软件工程方面拥有高度技术技能。与机器学习科学家不同，工程师的任务是运行和维护机器学习程序，这些程序旨在实现组织的绩效目标。

2. 机器学习科学家
平均工资：114,121 美元
这些专业人员的任务是进行作为工程师职责的研究和实验。机器学习科学家以专业能力在该领域开发新战略和创新。专业人士可以预期该领域将严重偏向研究，在机器学习中，研究包括设计和运行实验程序以测试其结果。

3. 应用架构师
平均工资：113,757 美元
应用程序架构师在包含机器学习科学和工程方面的角色中工作，也就是说，他们专门分析组织使用的应用程序，以便制定优化它们的计划。这通常需要研究如何进一步开发应用程序之间的现有交互功能，或在需要时设计新功能。

4. 数据科学家
平均工资：113,309 美元
数据科学家是专业人士，负责将原始数据和处理后的数据转化为符合组织目标的可操作信息。数据科学家与数据分析师的不同之处在于，数据科学更多地依赖于高技术技能，例如编程、软件工程和计算知识——而数据分析师采用更定性的方法，通常包含跨学科理论。

5. 企业架构师
平均工资：110,663 美元
企业架构师是负责将组织与最有益和最高效的技术配对的专业人员。出于这个原因，这些专业人员经常成为许多不同类型技术的大师——从计算机和其他硬件接口到程序和软件。这些职责自然适合在咨询能力范围内工作，以指导客户组织，或在技术机构工作以提供内部项目计划。

6. 数据架构师
平均工资：108,278 美元
数据架构师是负责为数据存储和应用程序设计访问程序和存储协议的专业人员。如果您将数据视为一所房子，那么数据架构师会确保房子的每个房间都有一个用途，并且房子的不同部分可供打算去那里的人访问。

7. 基础架构架构师
平均工资：107,309 美元
基础架构架构师是关注组织在宏观层面上的发展的数据科学家，也就是说，基础架构架构师的工作是确保组织正在为适应不断发展的技术做好必要的准备——无论是组织当前使用的技术，还是那些这将需要在不久的将来纳入。在许多情况下，这些专业人员专注于特定类型的架构，例如云基础架构。

8. 数据工程师
平均工资：102,864 美元
数据工程师负责为其他数据科学家提供数据，因此他们将设计和优化数据漏斗，以确保这是一次富有成效的交换。数据工程师经常与组织经理和数据科学家密切合作，以确保数据漏斗完成所需的功能，同时为数据科学家创造建设性的流入。

9. 商业智能 (BI) 开发人员
平均工资：81,514 美元
商业智能开发人员在数据科学的高技术方面与业务的定性战略相交汇处工作。简而言之，这些专业人员致力于改进企业的决策过程，以确保该过程包含最有用的技术和现代数据管理方法。

10. 统计员
平均工资：76,884 美元
统计学家在高度技术化的数据科学世界和更平易近人的商业数学世界之间工作。出于这个原因，统计学家通常负责以更形象和更易理解的方式呈现科学家和工程师收集的数据。正因为如此，统计学家通常需要在数据科学和表达的社交技巧方面打下坚实的基础，因为统计学家通常是向股东或项目经理简要介绍目标更新的专业人士。

数据科学之路：要问的问题
以下列出了您在成为数据科学家的早期需要做出的一些最重要的决定：
• 在关注理论或实践之间进行选择。也就是说，您是否愿意教授或将您的技能用于就业市场？
• 沿着这些思路进一步决定是在你的教育中关注数据科学的理论方面还是定性方面，这可能会让你为自上而下或自下而上的方法做好更多准备。
• 根据kdnuggets.com的数据，尽管应该指出，近十分之九的数据科学家拥有定量背景。

• 选择您想要的焦点区域。数据科学家中最常持有的学位是计算机科学——但提供此类学位的课程因学校而异。
• 决定这一点的一个有用提示是考虑您的个性，也就是说，您是喜欢规划路径以到达特定目的地的人，还是喜欢顺其自然并利用他们展示自己的机会。
• 如果您是前者，您可能希望专注于开发通常具有稳定需求并预测持续有用的技能。如果您是后者，您可能更愿意开发更多的利基技能。

• 在线或传统教育之间进行选择。数据科学等高科技领域的一大特点是它愿意将先进技术融入自己的教育模式中，这意味着许多数据科学课程可以完全在线完成，使用市场上最好的数字学习技术。查看这篇文章，了解2020 年最佳在线数据分析硕士的排名。

• 决定你的教育终点。鉴于就业市场的竞争性质，最看重高等教育和工作经验的薪酬和职业向上流动性，您将需要制定有效的行动计划。
• 例如，如果您打算以学士学位进入就业市场，您可能希望在学期之间安排实习，以尽可能吸引雇主。
• 否则，如果您打算攻读研究生教育，您可能需要考虑加速学士学位课程，这可以减少原本要求很高的时间投资。

数据科学本科和研究生学位
虽然数据科学本身代表了一条线性的职业道路，但作为一个研究领域，有许多切入点。各种学位课程提供课程课程，旨在帮助学生为不同程度地参与数据科学的职业做好准备。如果您喜欢数据科学的想法，但对数据科学职业列表不感兴趣，您可能需要考虑这些学位路径之一。

• 计算机科学
• 计算机工程
• 软件编程
• 软件工程
• 数据分析
• 数据科学
• 数据可视化
• 工商管理硕士
• 商业智能
• 商业分析
• 统计数据
• 信息和网络安全

商业智能
对于任何被数据科学工作要求研究生水平教育的趋势所劝阻的学生，一个可行的选择是将重点转移到商业智能上。与上面提到的数据科学和 MBA 之间的重叠不同，商业智能是一个仍然非常关注数据科学的高技术技能的领域，但会通过业务的定性方面来缓和这些要求。
因此，这些职业通常重视商业经验以及商业智能的技术知识，这意味着如果候选人表现出可证明的商业经验，雇主更有可能原谅缺乏研究生教育。对于有兴趣创业的企业家来说，商业智能学位也是一个很好的选择。

商业智能/数据科学的顶级技能
商业智能专业人员与公司股东、营销和销售团队以及数据科学家和工程师的技术部门密切合作。鉴于与这些群体中的每一个合作的角色截然不同，商业智能是一种通过掌握各种技能来定义的职业。
根据哈佛商学院的说法，这些是在商业智能领域取得成功所需的顶级技能。

• 沟通技巧
数据科学和商业智能之间的主要区别之一是在商业智能中与公司不同部门沟通的重点日益增加。商业智能专业人士需要能够以同等的技巧与技术部门和股东交谈。

• 好奇心
商业智能和数据科学都依赖于详尽的搜索，以了解行业和技术的各个组成部分如何相遇，以推动组织关键向量的绩效。驱使专业人士更好地理解这种动态的是好奇心，如果不是纯粹的野心。

• 解决问题
如果说数据科学和商业智能有一个共同点，那就是这两个职业本质上都是无限问题解决者模拟器。这两个职业完全旨在应对行业挑战和组织中出现的本地问题的实时流。

• 批判性思考
数据科学家和商业智能专业人士都凭借其批判性评估情况的能力而茁壮成长。世界上所有的数据管理技术都对一家公司没有帮助，如果他们不知道首先要追求什么数据。能够批判性地评估哪些信息是有价值的，以及为什么它是有价值的，是业余爱好者与专业人士的区别所在。

• 可视化技巧
能够可视化看似独立的数据集之间的链接对于数据科学家和商业智能专业人员都至关重要。不可否认，这项技能对于商业智能专业人士来说至关重要，因为他们经常负责向股东或业务经理提供几乎无法理解的数据，而这些股东或业务经理对数据生成者的技术知识一无所知。
因此，他们的工作是想出创造性的方法，以易于理解的格式直观地呈现数据——这一壮举需要对技术知识和可视化技能的深刻理解。

• 细节方向
在数据科学和商业智能中，如果一个数字或概念被误解，整批数据都可能被彻底毁掉。因此，这些专业人士必须天生倾向于注重细节。

• 大局观
同时，这些专业人士——尤其是商业智能专业人士——必须了解即使是最细微的数据细节与组织或组织运作所在行业的总体目标之间的关系。例如，商业智能专业人士需要了解数据科学家的高科技工作如何为公司的经理可以更好地理解的真实且可衡量的日常绩效指标做出贡献。

替代专业——数学、统计学和精算学
就像数据科学家如果希望专注于商业的更多定性元素，他或她可能希望继续研究商业智能一样，如果一个人希望更多地关注纯粹的定量而不是而不是数据科学的编程和计算元素。
换句话说，许多数据科学家决定他们不想学习计算机编程或软件工程，而是决定更专注于数学计算的价值。这些统计学家可能仍然与其他编程和编码的数据科学家一起工作，但统计学家将更多地专注于深入研究生成的数据，看看他们是否可以在不需要程序或机器帮助的情况下收集任何进一步的价值。
精算学就是将这一点发挥到极致的领域。虽然精算学的教育和学术严谨性已达到接近神话般的程度，但他们被尊为地球上最有成就和最聪明的人。这些专业人员的薪水很高，因为在许多情况下，他们能够通过简单的计算来实现数据科学家需要数周才能从工程数据生成计算机程序中学习的东西。