数据科学领域的发展非常迅速，职业晋升也是一个逐步进行的过程。了解数据科学角色将帮助你找到最佳的起点和晋升路线。

数据科学并不是一个新兴领域，但它每十年都会经历显著的变化。数据科学的根源可以追溯到1962年，每个十年都有不同的发展。曾经是科学家和统计学家的安静领域，如今已经成为一个被技术和媒体炒作主导的领域。如果你对这一切如何联系在一起以及职业道路的方向感到困惑，欢迎加入我们的行列，感到困惑的话也不用担心！

以下图表涵盖了技术领域中涉及数据处理和分析的各种职位。边框较重的单元格代表的是数据科学的核心职位，而边框较轻的单元格则是直接支持数据科学工作的职位。

以下是数据处理和分析中的职位，其中数据科学相关的职位以加粗字体显示。

这份角色景观地图按类别组织，顶层是个人贡献者角色，底层则是领导角色。左边的角色主要专注于定义和创建定制解决方案，而右边的角色则涉及从供应商处交付打包解决方案。颜色表示角色的主要关注点，如图例所示的。在配置部分中，我们可以找到一些在学校里不一定教授但在职位招聘广告和咨询公司中常见的角色，比如 SAP ABAP 开发人员或 Salesforce 开发人员。对于在企业工作的数据科学家和机器学习工程师来说，这些配置角色对于收集分析所需的数据是非常重要的。

核心的数据科学角色，数据科学家和AI/机器学习工程师，参与相同的项目但侧重不同的技能和专长。数据科学家的角色包含了软技能（沟通与协调）、技术技能（Python或R编码、SQL）和商业或科学领域的背景（商业或某个科学领域几年的学校或工作经验）。相比之下，AI/机器学习工程师的角色几乎完全专注于模型的实现和维护工作，主要侧重于技术。两者都对统计学、数据处理和模型训练和测试有很高的要求，但数据科学家通常负责早期阶段的定义模型需求和概念验证（Proof of Concept）模型开发，而工程师则在后期的集成和部署阶段发挥重要作用。

围绕核心的数据科学角色，我们可以找到任何数据科学项目中的直接合作角色，例如商业分析员、统计师、软件开发人员、数据工程师、ML运维和Scrum主管。这些角色也往往是进出数据科学角色的理想跳板，如图所示的路径。

数据处理和分析中不同角色之间的转换，其中数据科学相关角色用粗体标出。

在这篇文章中，我们无法探讨你可能采取的所有路径，但可以提到一些常见的模式。

• 更偏向商业或科学的角色通常不会直接转变为如AI/ML工程师这样的工程师职位。如果你希望实现这种转变，通常需要一个大学学位或者碰上愿意承担风险的雇主。
• 专注于技术多年后，这些人往往错过了了解周围商业或科学领域的机会。
• 职业路径通常不会向上发展。经过一定培训的数据科学家可以很好地转变为Scrum Master或管理层角色。但是，这些监督角色并不是让你的统计和技术技能保持敏锐的最佳场所。

现在我们从大图景来看。我们可以在以下的韦恩图中将所有这些角色分为三个区域。

文氏图——信息系统的应用：数据科学与软件开发

每个领域都很广泛且深刻，包含多种角色和不断更新的技术。虽然可能有几位“超级开发者”或“全能开发者”精通所有三个领域，但大多数人会发现一天的时间不够用，无法跟上任何一个领域的步伐。当你开始进入职场时，你应该选择其中一个作为专注的方向，并以此作为开始职业发展的起点。

随着您获得经验并扩展技能，不同领域之间的交叉点包含了一些最有趣的工作晋升机会之一。创新往往发生在这些交叉点处，最有趣，而且薪酬也通常更高。

维恩图的交集 — 信息系统、数据科学、软件开发

在您探索和围绕数据科学领域的未来时，没有一条固定的路径或模式。但是，如果您了解角色的格局以及不同领域之间的联系，您在规划时会感到更加自信。下一步是扩展您的网络，与各种角色的人进行交流，并开始规划您的下一步。

（所有图片均由作者拍摄）