資料科學相對其他的IT崗位在公司的職位數量相對少 也造成了上升空間相對狹小 相比來說開發崗位能迅速擴大團隊成為團隊核心 而資料崗往往看不到在本公司的晉升的話 大多數人會選擇跳槽到小公司做leader

資料分析員被扣上了資料科學家的高帽子，換湯不換藥。

馬雲說中國缺乏人工智慧、資料分析的人才，天天炒大資料時代、網際網路+。但是很多公司被拖入了馬雲無窮無盡的資訊戰當中，不是所有的公司都有大資料的監控，不是所有的公司都知道怎麼把大資料轉化成為產值和效益，也就導致了不是所有的所謂的資料科學家都能發揮作用，更不是所有的資料科學都是有很好的ROI的。而這不是中國獨有的問題，國外也有類似的問題，傳統行業怎麼利用資料實現效益再騰飛。

再來看看幹活的資料科學家們。Data Science 和 Data Scientist 都是buzzword，很多Data Analyst 因為時代變遷，一覺醒來成為了Data Scientist。還有的志在透過資料和技術改變世界的朋友進入了Data Science行業，發現不是企業找不到能用的資料，就是自己辛辛苦苦做了個複雜的模型，老闆聽不懂不買帳，還不如AB Test 來的直接省事。現在企業對於Data Science 的定位不清晰，也讓這個行業魚目混珠，不是誰都如魚得水的生存。

目前看相對比較清晰的Data Science 職業分類為資料工程師Data Engineer, 資料分析師Data Analyst，演算法工程師Algorithm Engineer。資料工程師負責解決資料pipeline的，資料倉庫，模型上線等工作；資料分析師根據商業問題提供資料支援的解決方案；演算法工程師主要開發以演算法為核心的相關資料驅動的產品。一般來說資料工程師的責任很明確，但是資料分析師和演算法工程師在不同公司的定位職責相對比較模糊，可能都叫資料科學家、演算法工程師，但是一旦和從業人的預期錯位，再加上薪酬待遇驅動，就會導致從業人才離開資料科學行業或者行業內跳槽。

最後就是不同公司對Data Science 的需求也是不同的，IT行業很多以演算法模型為核心的產品由資料驅動，那麼相應的演算法工程師會更受重視，同時演算法工程師做出來的模型離最後產品更近，更有成就感。比如亞馬遜Alexa，百度的小度等等。如果是傳統行業，或者運營類的部門，更注重怎麼透過資料來解決實際的商業問題，那麼Data Science 最後的deliverable會是一個數據驅動的商業解決方案，呈現的形勢可能是PPT啊等等。可見兩種Data Science 都是做產品，但是側重點大不相同，一個是側重一個成型的功能可靠性實用性的工業產品，一個是商業解決方案。前者產品核心是演算法模型，後者核心是和商業知識的結合所產生的Business Insight。在這兩型別的公司或者團隊工作的時候，晉升的方式也大不相同，導致對於人才需求的技能也不同，當升遷受阻也會導致離職，甚至離開Data Science領域。

總體來說，對於在有行業經驗的人離開行業，要麼是自己有職業發展的瓶頸，要麼有更大更好的職業發展的機會。現在是公司和人才雙向選擇的時代，如果自己的知識能力得不到賞識，必然不會久留，要麼換公司，要麼換行業。

因為我們對我們自己沒有信心，有時又太過自信。我們以為我們是資料科學家，應該用著matplotlib 和 scikit learn 呼風喚雨，人擋殺人，佛擋殺佛。所以當我們受挫的時候，我們會不適應，很不適應。為什麼我的老闆讓我做的東西一點都不嚴謹？為什麼我的客戶不在乎我把 RMSE 提高了這麼多？為什麼同事不在乎 F1 score 和 confusion matrix？我們時常處在這種困惑中：彷彿只有出去面試的時候，我們才是真正的科學家。然而一旦真的開始工作了，我們似乎更加擅長抱怨。說服客戶？不，我是資料科學家，又不是諮詢師。同事不接受我的 modeling approach？他又沒有 PhD，理解不了我。我們把自己框死在“資料科學家”這個詞裡，儘管這個詞沒有任何意義。