นักวิทยาศาสตร์ข้อมูลรุ่นเยาว์

เกี่ยวกับบทบาทนี้

โพสต์เมื่อ 7:00:09 น. ที่ Why Hiring เราเชื่อในพลังของการเชื่อมโยงบุคคลที่มีความสามารถเข้ากับการทำงานทางไกลที่น่าทึ่ง ดูงานนี้และงานที่คล้ายกันบน LinkedIn โปรดระบุคำว่า **MAGIC** และแท็ก RMmEwNjo5OGMwOjM2MDA6OjEwMw== เมื่อสมัครเพื่อแสดงว่าคุณอ่านประกาศรับสมัครงานครบถ้วน (#RMmEwNjo5OGMwOjM2MDA6OjEwMw==) นี่เป็นคุณลักษณะเบต้าเพื่อหลีกเลี่ยงผู้สมัครที่เป็นสแปม บริษัทสามารถค้นหาคำเหล่านี้เพื่อค้นหาผู้สมัครที่อ่านข้อความนี้และเห็นว่าตนเองเป็นมนุษย์

ทักษะ/หมวดหมู่

เกี่ยวกับบทบาทข้อมูล / มล

บทบาทข้อมูลและ ML แบ่งออกเป็นสามกลุ่ม: นักวิเคราะห์ (SQL, แดชบอร์ด, คำถามทางธุรกิจ), วิศวกร (ไปป์ไลน์, โครงสร้างพื้นฐาน) และนักวิทยาศาสตร์ (การสร้างแบบจำลอง, การทดลอง) ตำแหน่งงานไม่ได้บอกคุณเสมอไปว่าตำแหน่งงานใด — โปรดอ่านคำอธิบายอย่างละเอียด

ทักษะทั่วไป: SQL, Python, pandas, สถิติพื้นฐาน; บทบาท ML เพิ่ม scikit-learn / PyTorch / TensorFlow; บทบาทวิศวกร เพิ่ม Airflow / dbt / Spark

ข้อมูลเชิงลึกเกี่ยวกับเงินเดือน (สหรัฐฯ คร่าวๆ)

ช่วงทั่วไปสำหรับบทบาท data / ml ในสหรัฐอเมริกาคือ $85,000–$240,000/ปีแตกต่างกันไปตามรุ่นพี่ เวทีบริษัท และเมือง

ประมาณการเท่านั้น หากต้องการทราบหมายเลขเฉพาะบริษัท โปรดตรวจสอบ Levels.fyi (tech), Glassdoor หรือสอบถามในการสัมภาษณ์

เตรียมตัวสัมภาษณ์อย่างไร

การสัมภาษณ์ข้อมูลแยกออก: นักวิเคราะห์ รับคำถาม SQL + กรณีศึกษา วิศวกร รับการออกแบบไปป์ไลน์ + การเข้ารหัส นักวิทยาศาสตร์ รับสถิติ + การสร้างแบบจำลอง ML + บางครั้งอาจเป็นชุดข้อมูลแบบนำกลับบ้าน อ่าน JD อย่างละเอียดและเตรียมพร้อมรับรสชาติที่แท้จริง ไม่ต้องเสียเวลากับ PyTorch สำหรับบทบาทนักวิเคราะห์

คำถามทั่วไปสำหรับทั้งสาม: "คุณจะวัดความสำเร็จของ [คุณลักษณะผลิตภัณฑ์] ได้อย่างไร", "พาฉันไปชมโครงการที่ข้อมูลบอกคุณถึงสิ่งที่น่าประหลาดใจ"และ ฟังก์ชั่นหน้าต่าง SQL (LAG, ROW_NUMBER, PARTITION BY — ฝึกฝนสิ่งเหล่านี้โดยเฉพาะ) สำหรับบทบาท ML คาดว่าจะมีคำถามเกี่ยวกับการฟิตติ้งมากเกินไป การแลกเปลี่ยนความแปรปรวนอคติ และวิธีที่คุณจะแก้ไขจุดบกพร่องแบบจำลองที่ทำงานได้ดีในการฝึกอบรมและใช้งานจริงได้ไม่ดี

บทบาทนี้มักจะนำไปสู่ที่ใด

เส้นทางอาชีพในด้าน data/ML มีความยุ่งเหยิงมากขึ้นเมื่อมีระเบียบวินัยเพิ่มมากขึ้น ความก้าวหน้าที่ชัดเจนที่สุด: นักวิเคราะห์รุ่นเยาว์ → นักวิเคราะห์อาวุโส → ผู้จัดการการวิเคราะห์ ทางด้านนักวิเคราะห์ วิศวกรข้อมูลรุ่นเยาว์ → ผู้อาวุโส → พนักงาน ทางด้านวิศวกรรม และ Junior DS → Senior DS → Principal DS / ML Lead ในด้านการสร้างแบบจำลอง เงินเดือนสูงสุดสำหรับวิศวกร ML + นักวิทยาศาสตร์การวิจัยในบริษัทเทคโนโลยีขนาดใหญ่

การเคลื่อนไหวข้ามสาขาวิชาเป็นเรื่องปกติ: นักวิเคราะห์ที่เรียนด้านวิศวกรรมมักจะได้เปรียบกว่าวิศวกรที่ไม่ได้เรียนรู้บริบททางธุรกิจ ใกล้ชิดกับธุรกิจ — ข้อมูลที่มีค่าที่สุดที่ผู้คนคือข้อมูลที่ผู้บริหารนำมาสู่การอภิปรายด้านกลยุทธ์ ไม่ใช่คนที่สร้างแดชบอร์ดเพียงอย่างเดียว

ธงแดงที่ต้องจับตามอง

• บทบาท "นักวิทยาศาสตร์ข้อมูล" ที่เป็นนักวิเคราะห์ SQL จริงๆ อ่านความรับผิดชอบอย่างละเอียด หากเป็นแดชบอร์ดและการสืบค้นเฉพาะกิจ จะเป็นบทบาทนักวิเคราะห์ที่มีชื่อทางวิทยาศาสตร์
• ไม่มีการเอ่ยถึงความร่วมมือของผู้มีส่วนได้ส่วนเสีย งานข้อมูลแบบแยกส่วนมักเป็นงานข้อมูลที่ถูกละเลย บทบาทจะต้องฝังอยู่กับทีมธุรกิจ
• "AI / ML" มีอยู่ในทุกที่ แต่ไม่มีข้อมูลเฉพาะเจาะจง หากพวกเขาไม่สามารถระบุปัญหาที่แท้จริงที่พวกเขาต้องการแก้ไขด้วย ML ได้ แสดงว่าบริษัทกำลังชอปปิ้งด้วยคำศัพท์
• ขอ "10+ ปีของ Python" หรือการรวมกันที่เป็นไปไม่ได้ JD เขียนโดยฝ่ายทรัพยากรบุคคลโดยไม่มีข้อมูลจากทีมข้อมูล หรือบริษัทมีความคาดหวังที่ไม่สมจริง

คำถามที่พบบ่อย

มีบทบาทมากขึ้นในการสำรวจ