《一》数据科学的三个职业方向
1. 机器学习工程师 Machine Learning Engineer
代表了技术含量较高的方向，工作内容主要是开发机器学习系统和用这些系统解决实际问题。一般需要ship prouction coe，做出来的是数据产品。
2. 数据分析员 Data Analyst
工作内容俗称analytics (prouct analytics or business analytics)，从数据中提取insight，估计投资回报比，为产品方向提建议，所用工具一般较基础，比如写SQL query取数据、用R/Python做简单的分析、用Tableau/Excel作图比较常见，能自己开发Dashboar算是analyst里面技术强的；工作需要产生各种形式的报告；在统计层次上，懂基本t-test和线性回归即可。
3. 数据科学家 Data Scientist
很多人说，我想做数据产品，我想做机器学习，而这类职位就是大家想象中的那种。
此类职位工作内容以高级建模为主，会针对复杂的问题来设计技术方案，比如Uber叫车的ETA、各种定价系统、Airbnb和金融行业的Frau Detection、Amazon物流管理，FB/Linkein的社交网络或者ebay/Airbnb/Uber这样供需双方Marketplace市场规模的实验。这些例子，听上去就不是写SQL能解决的，也不是会写代码就能做出来的，都需要比较深的领域知识。
《二》三个职业方向的对比
从工资收入高低来看，1和3都很高，2要低一些，尤其是非IT行业，工资明显低很多，工作地点如果也不是热门地区的话，可能只有1和3的一半。
从工作机会多少来看，近期内对1的需求很高，今后几年内也会保持；2散布在各个行业，加起来也不少；3其实是少数派，职位很少，往往只有大公司才需要，中小型公司可能不需要，即使需要的话，有少数几个人也就够了。
从读什么专业、拿什么学位角度来看，1包含“会一些ML的软件工程师”和“会写生产代码的机器学习专家”两种，也就是说，侧重点会有差异，但是机器学习和软件开发技能都需要。有EE或者CS博士学位最佳，统计等计量学科博士，如果辅修了CS master，也合适。如果只有EE/CS硕士学位也可以，但是硕士生们需要额外自学很多机器学习知识才能胜任，只靠在学校里简单上一两门课，可能不够。此外，找工作的时候，也需要一些运气成分才能找到合适的岗位。
2一般是统计、数据科学、商务分析、工业工程等专业的硕士担任。
3一般是统计、运筹、经济、工业工程、EE、CS等专业的博士担任，需要某领域的深刻理解。
《三》如何在三个职业方向之间转换？
如果你做的是1，考虑到工资收入高，能接触到系统的核心（比如LinkeIn是如何给大家推荐工作的），你很可能不会主动考虑换岗位，当然，如果有机会往3靠近，做点新东西，或者处理更上层、更有全局观的问题，很多人会考虑。
有人可能会问，硕士生们，在2类岗位工作几年以后，是否可以从事3？这个要看具体情况，但是整体难度非常大。有一个道理相信很多人都明白：基础工作做1000遍，不代表你能从事高级工作，典型的例子是用天天写SQL产生report，写上3年，不代表你能做建模。此外，很多公司看到你的最高学位是硕士，很可能不会考虑你，不给你机会。
3类工作也并非完美，最大的问题在前面说了，工业界职位少，换句话说，你跳槽可能没有几个选择；当然，公司要招有经验的人，合适的caniate也少。如果要往1转，最大的障碍是编程能力如何，能否写prouction coe，如果本身就是EECS出身，那会很容易。
