对于那些正在积极找工作的未来的数据科学家们，最近的一个好消息来自Linkedin 发布的2018年8月份职场报告，根据这个报告，全美对拥有数据科学技能的人才的需求缺口达到151717人之多，其中尤其在纽约，旧金山湾区和洛杉矶需求巨大。

为了帮助大家更好地找工作，我爬取了美国最大的在线招聘网站之一 Indeed 的数据，收集了上面截止到8月3日，全美7000个数据科学岗位的招聘信息，希望对数据科学行业做一个宏观的观察分析，能够让数据学家们不止着眼于眼前的代码，更关注整个宏观市场的经济规律。

我爬取的信息包括：公司名称，职位名称，地点，职位描述，对公司的评论数。

首先，我们要关注一下这些工作的硬性指标——需要什么工具和技能。对于这些数据科学工作，Excel、Python和SQL是需求最大的工具能力，而机器学习、建模和optimization是最重要的技能。这些都是工作描述部分提及最多的。与我们的印象可能不同的是，Excel是需求最大的技能，有83%的工作描述中出现了对Excel技能的要求。

较高的技术门槛，可能会让人们觉得这是一个对专业要求也比较苛刻的职业。实际上是不是这样呢？计算机科学专业仍然是最热门专业，其次是与量化有关的专业，比如统计学、数学和经济学。

令人意外的是，数据科学专业居然平均每100个工作描述中只会出现4次。这可能也正说明雇主明确知道美国大学中开设数据科学专业的学校并不多，十分短缺。所以，虽然不是相关学科，但雇主大多明白教育的现状。这对于非量化专业的同学们来说是一个很好的机会。

对于学历来说，有28.88%的招聘岗位没有要求，大部分本科就能够承担起一个数据科学家的职责。所以，所以学历对于大多数数据科学家来说，也不是太大的问题。

那么，在了解了市场后，我们还想了解一下雇主。雇主知道他们想要什么样的人才么？

简单的答案是：不太怎么知道。

你有没有经历过这样的面试：你已经被问了很多关于逻辑回归、随机森林的问题，但最后却发现自己被要求在白板上解决某个算法问题。这经历令人疲累。

我把岗位分成三类，工程师，数据科学家和数据分析师。对这些岗位进行对比，我想看一看它们在工作职能、学位需求和专业喜好上有没有明显不同倾向。

我比较了三种工作种类中，对需要掌握工具的描述的提及频率。每个柱子对应的数字代表了每个组里不同工具技能的排序，高度代表了提及次数，越长的柱子说明这个工具的需求越大。比如对于数据科学家岗位，工具重要性的排序为：Python、SQL、R语言、Excel和Scala，而对于工程师，编程语言则更加重要。数据科学家和数据分析师岗位的区别不明显。

而在技能方面，工程师岗位只显示出对人工智能的倾向，数据科学家岗位则对包括机器学习、建模和统计分析情有独钟，数据分析师则需要有数据分析、数据可视化和研究的能力。

总的来说，数据科学家岗位比其他两个需要更高的学位。在专业倾向上，工程师岗位最喜欢计算机科学专业毕业生，数据科学家和数据分析师岗位对专业限制不多，量化相关的专业都可以。

所以，从我的分析来看，名字为数据科学家和数据分析师的岗位，在招聘需求中关于工具能力、技能和专业及学位的要求上差别不大，有很多重合。因此找工作时候需要仔细阅读工作描述，做出判断。

那么，究竟是怎样的人才能更好找到工作呢？

答案可以总结成这样：

如果你在量化相关的学科拥有一个硕士或更高的学位，且熟练掌握Python、SQL、Excel、R 语言及 Scala，精通机器学习、建模、优化、数据可视化以及人工智能，同时更重要的，你仔细阅读工作描述，那么你一定会找到工作的！

当然，对于刚开始的大部分人来说，现在看起来熟练掌握 Excel，并会一些统计和建模的能力，你就可以找到工作了。找到工作以后，最好立刻开始学习一门编程，然后再不断扩充自己的技能库，你在数据科学的路上就会越走越宽啦。

注：本文编译自技术博客《 Who gets hired? An outlook of the U.S. Data Scientist Job Market in 2018》。内容仅为作者观点，不代表DT数据侠立场。文中图片部分来自作者。

关于DT×NYCDSA

DT×NYCDSA是DT财经与纽约数据科学学院合作专栏。纽约数据科学学院(NYC Data Science Academy)是由一批活跃在全球的数据科学、大数据专家和SupStat Inc. 的成员共同组建的教育集团。

数据侠门派

本文数据侠Silvia Lu，纽约数据科学学院2018年秋季学员，纽约大学2019届研究生。