少走弯路，转行数据科学先看这篇。

DataIst

       很多意向是转行数据科学的求职者犯了一个很严重的错误：没有想清楚自己的目标就开始盲目地学。这类求职者一会学 SQL，一会学Deep Learning，一会学 ABTesting，一会又开始刷算法题。觉得越学越多，有一种学死都学不完的感觉。而且，最后去面试总是过不了。明明觉得自己对machine learning 了解的不错，面试的时候一聊细节，就发现自己很多问题从来没想过。或者明明刷了不少 SQLZoo 和Leetcode 上的题，面试的时候考 SQL却一点思路都没有。


       原因其实很简单。数据科学是很宽泛的。不同公司对data scientist 的要求完全不一样。而面试的时候，他们都对所需要的技术在深度和广度上有很高的要求。那些没有明确目标而又盲目学习的求职者，把自己的时间和精力像撒胡椒面一样撒在各种零零散散的知识点上。结果知识体系既不系统，也不深入。感觉什么都懂，但什么也不透。


      总结一点建议就是：在开始学习前，务必要先定好目标，然后根据自己的目标针对性地学习，并把所需要的知识和技术学透。


       为了帮助大家更好地确定自己的目标，这边列了一下数据科学中几个常见的方向，以及所需要的技术：


       Data Analyst / Analytic Data Scientist
·      这一类的岗位包括大部分的 business analyst，data analysts，analytic data scientist。
·      这些岗位需要的技术，主要有 SQL，data visualization，statistics，business case study，AB testing，experiment design。SQL 是安身立命的技术。如果面大厂的位置，据我们观察，只是把 sql zoo 和 leetcode 上的 sql 做熟，是不够的。SQL 可以考的很难。SQL 之外，BA和 DA 一般更侧重于 business case study和 data visualization。DS 需要对 statistics 和 experiment design 有比较好的理解，而且有些岗位需要 DS 能做一些 machine learning modeling。但是这些 modeling 的主要目标是 get insights from data。对模型的可解释性要求比较高。
·      这类岗位比较常见的种类有 marketing，product 和fraud。要求 candidates 对相应的领域有比较好的domain knowledge 和 communication skills。
·      商科，社会学，统计，bioinfo 背景的同学可以更多地考虑这个方向。一般理工科的 phd 走这个方向并没有优势。


       General Data Scientist
·      需要这类岗位的公司一般都有比较成型的经营模式，他们希望 candidates 能够应用 machine learning 帮他们解决一些的很具体问题。所以，这一类岗位需要比较扎实的 machine learning 知识。能够理解公司的需求，把这种需求转化为machine learning 问题，并且能够设计合理的 metric 来定量衡量模型对 business 的影响。于此同时，知道如何去找数据，清理数据，建模和测试模型。为了考察这些能力，这些公司会设计一些 take home challenge，要求 candidate 在限定时间内完成。
·      在take home challenge 之外的面试中，面试官会比较喜欢从简历上的项目开始，逐层展开地考察candidate 的 machine learning 知识，解决问题的能力，以及交流能力。此外，也会考 coding 和/或 SQL。但是一般来说不会太难。
·      这类岗位总的来说比较欢迎有 research 背景的 candidate，特别是 phd。因为很多要解决的问题并没有现成的方案，需要做各种尝试，和学术研究有所类似。所以一般情况下，较多理工科博士选择走这个方向。


       Machine Learning Engineer (MLE)
·      MLE是近几年新出现的一类岗位。本质上还是 software engineer，但是更侧重于 machine learning。这类岗位需要的就是 coding。面试官会对 candidate 的 coding 能力进行全方位的考察。
·      在Machine Learning 方面，MLE 和之前两类岗位都不相同。相对于 General DS 来说，MLE 碰到的 machine learning 模型往往是比较成熟的，对于算法本身不需要太多的投入，更多的是怎么设计和建立一个 robust 的 AI system。这类系统设计的经验很难通过做个人项目来积攒，所以对于 junior MLE 的 candidate，面试官会更侧重于考察一些 machine learning 的基本概念。另一方面，相对于 Analytic DS来说，模型的可解释性就相对来说不那么重要，用户往往更重视模型结果的准确性。
·      这一类岗位比较新，目前需求量也大。只要是 coding 过硬的同学都可以试试。


       Data Engineer / BI Developer
·      前三类岗位往往比较能吸引大家的注意力，但是 Data Engineer 和 BI Developer 的岗位需求量也很大。需要转行的话这一类岗位也可以看看。
·      其中，BIDeveloper，在我们看来，是一个理工科背景的同学可以相对来说快速入行的方向。BI Developer 也叫做 Data Warehouse Developer 或者 SQL Developer。所做工作包括设计，建立，以及维护 data warehouse、data loading procedures、和 report generation pipeline。需要熟练掌握 SQL、ETL、Data Visualization、Advanced Excel、Server Administration 等技术。上手比较容易，不需要花大力气去准备 coding 或者 business sense。
·      DataEngineer 定义比较模糊。很多公司里头的 DE 其实就是 BI Developer。而有部分公司的 Data Engineer 做的却是 MLE 的工作。为了比较好地区分各类岗位，在这里，将DE定义成 为那些设计建立和维护 Hadoop 和 Spark 这一类大数据系统的工程师。


       最后，知道了这些方向还有相应的技术知识后，我们怎么才知道有没有学透呢？其实最好的方法就是能寻求行业内的一线DA/DS/DE/MLE 作为tutor，手把手地带领去实践一些具体情况，针对工作和面试中常见的问题，系统地学习所需要的知识。这些tutor 可以让求职者很快地了解领域里的各种坑，避免走弯路和钻牛角尖，保证大家能在自己的目标方向迅速地达到面试和工作所需的水平。