วิศวกรข้อมูล Microsoft Fabric อาวุโส
เกี่ยวกับบทบาทนี้
เกี่ยวกับ Diversified: Diversified เป็นผู้นำระดับโลกในด้านนวัตกรรมภาพและเสียงและสื่อ ซึ่งได้รับการยอมรับในด้านการออกแบบและสร้างสภาพแวดล้อมที่มีประสบการณ์มากที่สุดในโลก
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
ฉันจะสมัครงานตำแหน่งนี้ได้อย่างไร?
คลิกปุ่ม "สมัครบนเทือกเขาหิมาลัย" ที่ด้านบนของหน้านี้ คุณจะถูกส่งไปยังประกาศเดิมที่นายจ้างรับใบสมัคร Wikishopline ไม่รวบรวมเรซูเม่หรือดำเนินการสมัคร
รายการนี้เป็นปัจจุบันหรือไม่?
Wikishopline รวบรวมงานทุกวันจากแหล่งพันธมิตร (เทือกเขาหิมาลัย) การโพสต์ที่เก่ากว่า ~14 วันจะถูกตัดออก แต่โปรดตรวจสอบเสมอว่าตำแหน่งงานนั้นยังคงเปิดอยู่บนไซต์ของนายจ้างเสมอ ก่อนที่คุณจะใช้เวลาเขียนจดหมายปะหน้า
Wikishopline เรียกเก็บเงินจากนายจ้างหรือผู้สมัครหรือไม่?
ไม่ งานรวมนั้นฟรีสำหรับทั้งสองฝ่าย Wikishopline ยังยอมรับการโพสต์แบบชำระเงิน $5 / 30 วันที่ /jobs/submit สำหรับนายจ้างที่ต้องการการมองเห็นโดยตรง - แต่รายการที่คุณกำลังดูนั้นมาจากพันธมิตร
โดยทั่วไปแล้วบทบาท data / ml เกี่ยวข้องกับอะไร?
บทบาทข้อมูลและ ML แบ่งออกเป็นสามกลุ่ม: นักวิเคราะห์ (SQL, แดชบอร์ด, คำถามทางธุรกิจ), วิศวกร (ไปป์ไลน์, โครงสร้างพื้นฐาน) และนักวิทยาศาสตร์ (การสร้างแบบจำลอง, การทดลอง) ตำแหน่งงานไม่ได้บอกคุณเสมอไปว่าตำแหน่งงานใด — โปรดอ่านคำอธิบายอย่างละเอียด
ช่วงเงินเดือนโดยทั่วไปสำหรับบทบาท data / ml ในสหรัฐอเมริกาคือเท่าใด
ประมาณ $85,000–$240,000 USD/ปี ขึ้นอยู่กับความอาวุโส สถานที่ตั้ง และระยะของบริษัท นี่เป็นวัตถุประสงค์ที่หลากหลาย — ตรวจสอบกับlevel.fyiหรือGlassdoorสำหรับบริษัทใดบริษัทหนึ่ง
