Linkedin在最新一项针对于程序猿职位的调查中发现，机器学习和数据科学工程师已经超过传统软件工程师，跃升为最高薪群体！年薪中位数高达$129,000！
LinkedIn还发现，该领域的市场需求量远高于人才供应量。这使得很多求贤若渴的公司，不得不放低对应聘者工作经验的要求。
LinkedIn报告显示，跟其他工程师相比，该领域职场“小鲜肉”最多：有高达17%的从业者只有5年以内的工作经验。是职场新人们喜闻乐见的职业起点。
而这股“数据科学热”，还会继续蔓延下去。据IBM预测，未来3年，企业对数据科学类岗位需求量将猛增28%。
最重要的是，数据科学类岗位就业前景广泛，覆盖IT技术，金融，保险，专业服务等多个行业：
可以说，这是数据科学最好的时代，现在抓住机会还来得及。但是，在与很多同学交流的过程中，我们发现大家对数据科学职位的认识有非常多的困惑和盲点, 总结起来两点：
盲点一：无题可刷, 不知道面试要考察什么
不同于Software Engineer岗位求职有大量的题库和面经可供参考，Data Science岗位面试基本无题可刷，而且面试形式变化多样，很多面试者都是抱着碰运气的心态在毫无准备的情况下参加面试，浪费了很多宝贵的机会。
盲点二：公式太多, 不知从何下手
在没有理解数学模型含义的情况下一味地背公式和结论，投入了大量精力和时间却收效甚微。
难道数据科学岗位面试就真的只能拼人品了么？当然不是。下面诚意君就给大家详细解密，作为一个数据科学家、工程师或分析师，你需要具备的基本技能！
数据科学（Data Science) 无处不在
数据科学(Data Science)是从数据中提取知识的研究，关键是科学。数据科学集成了多种领域的不同元素，包括信号处理，数学，概率模型技术和理论，机器学习，计算机编程，统计学，数据工程，模式识别和学习，可视化，不确定性建模，数据仓库，以及从数据中析取规律和产品的高性能计算。数据科学并不局限于大数据，但是数据量的扩大诚然使得数据科学的地位越发重要。
在金融和科技行业之外，数据科学家的潜力正在蓬勃发展。所有行业都越来越认识到，在当今的市场中，数据科学技能对于其竞争力的提高是至关重要的。
强大的数据收集工具可以帮助数据分析师、科学家和工程师了解消费者的网络习惯，并告诉他们消费者是怎么想的。比如，那些我们在 Facebook 上看到的广告，他们的目的是为了评估消费者的兴趣和行为，并利用这些数据分析来帮助制定关键的商业决策。
同样的，这样的方法也适用于其他行业的公司。总体来说，现如今我们对数据科学有了更广泛的认识，从 Amazon 网络购物到对 Netflix 的狂热，数据科学也比以往接触到的人都要多。
“数据科学家是一个好奇的，不断质疑现有假设，能盯着数据就能指出趋势的人。这就好像在文艺复兴时期，一个非常想为组织带来挑战并从挑战中学习的人一样。”
——IBM的大数据产品副总裁
“数据科学家是工程师和统计学家的结合体。从事这个职位要求极强的驾驭和管理海量数据的能力；同时也需要有像统计学家一样萃取、分析数据价值的本事，二者缺一不可。”
——亚马逊大数据科学家
“所有的科学家都是数据学家，因为他们整天都在和海量数据打交道。在我眼中，数据学家是一半黑客加一半分析师。他们通过数据建立看待事物的新维度。数据学家必须能够用一只眼睛发现新世界，用另一只眼睛质疑自己的发现。”
——LinkedIn资深数据科学家
数据科学的融合
随着数据科学领域的增长，数据科学家、数据分析师和建模师之间的角色重叠越来越多。但其实不同职位之间的区别实际上是非常独特的，并且为那些在特定领域有天赋的人提供了机会。数据科学家是工程师和统计学家的结合体。
从事这个职位要求极强的驾驭和管理海量数据的能力；同时也需要有像统计学家一样萃取、分析数据价值的本事，二者缺一不可。理想的求职者应该展示这两种技能的超集，再加上领域和商业知识。在 IBM 的网站上，数据科学家的角色被形容成 “一半分析师，一半艺术家”。他们代表了商业或数据分析这个角色的一个进化。
当申请这些职位时，一定要注意公司真正寻求的是什么。随着新技术工具的开发，这使一些专业水平较低的人也可以创建分析模型，因此，业务知识和有效沟通技能等多样化的相关技能对于区分求职者很重要。在面试的时候，一定要问一些问题来深入了解公司到底想要什么，然后相对应地展示你的优势。
成功的关键
当作为数据科学家、分析师或工程师工作时，要记住这句老话: 不要只见树木不见森林，这是一件很重要的事情。虽然核心数据的准确性很重要，但遵循公司真正希望解决的问题的也很重要。
数据科学家有一种倾向，就是把事情过分复杂化，然后被吸入一个充满细节的黑洞。相反，他们应该考虑他们正在努力解决的业务问题，让某些东西发挥作用，然后迭代。
此外，对你所做的事情怀抱热情是必不可少的，任何工作都是如此。公司会用不同类型的数据（比如图片、文本和财务数据）来处理不同的问题。为了取得成功，你需要对你将要使用的数据感兴趣，并理解这些数据。
例如，研究医学图像的数据科学家通常不是医生，但他们的最终用户或客户将是医生。你能理解他们想要解决的问题是什么吗?你有兴趣去解决这些问题吗?
然后是交流。据说数据科学家、分析师和工程师都讲自己的语言，但要想在工作中取得成功，你需要与那些能充分利用和从你的技能中获益最多的人进行清楚的交流与沟通。与商业利益相关者的合作变得越来越重要。
