SDE转Data，拒绝“搬砖”轻松成功斩获字节跳动大数据工程师Offer！

| 学员经历

数据科学学科的就业方向主要分为Data Scientist，Data Analyst，Data Engineer，Business Intelligence, Business Analyst等。那么，细分之下的各个岗位上的工作有何区别？准备方面的侧重点有何差异呢？

可以看到，Data Scientist需要具备强大的数理分析能力，尤其在数理统计，人工智能算法方面的理解程度要高于Data Track的平均水平，级别程度为最高级，比较Prefer较高学位(PHD/minimum Master)的同学。在公司中，面对庞大的数据群，要想从数据群中找到目标答案，需要针对数据群进行统计分析选择合适的数据特征，然后利用机器学习与深度学习算法建模，根据模型结果进行核心算法优化。因此，偏向于建模与优化的工作内容使得数据科学家必须具备深度理解算法的能力。

与Data Scientist的工作密切配合的则是Data Analyst的岗位。两者对比，对于数据分析师的要求，降低了对于数理模型的理解深度，要求求职者不必理解到数理模型公式级别，但是对于常用的机器学习与深度学习建模算法比较了解，且知道其中各个参数的物理意义，同时懂得如何调用与测试相关算法。而大数据集群需要具备调动数据库的能力，因此Database的操作技能以及基本的清洗数据技术能力非常重要。

而Data Engineer更像是数据分析师与软件工程师的交叉方向。对于数据工程师的要求提升了coding的能力，数据结构与算法成为这个岗位测试代码能力的主要方法。另外，由于大数据方向发展迅猛，云服务与分布式系统架构成为科技与金融头部公司关注的重点，因此，大数据平台的分布式系统框架理解与分布式存储的技术栈应用成为了数据工程师的必备技能。

Business Intelligence则偏向于Data Scientist与Business Analyst的交叉岗位。这个岗位既要求求职者具备强大的数理分析与建模能力，同时，对于商业的敏感度(Business Sense)，产品敏感度(Product Sense)，市场敏感度(Marketing Sense)都提出了额外的要求。换句话说，Data Driven下的商业驱动成为了测试这个岗位应聘者能力的关键因素。当然，由于其工作中大量的时间需要与组内工程师，产品经理，研发人员进行沟通，其soft skills也会在面试中被重点提问。

最后，Business Analyst可以理解为与商业决策更紧密的Data Analyst岗位。除了在工作中需要具备Data Analyst的能力之外，还需要具备较强的商业洞察能力与沟通能力。另外，通过漂亮的dashboard来表达从数据分析中得出的结论，即数据可视化的技术能力，也是十分重要的。

Dizheng同学与我们导师的第一次沟通就表现出了对数据方向岗位强烈的兴趣。由于自己本科是CS专业背景，Dizheng同学具备较强的开发能力，且曾经有过一定的软件工程项目经历。但是，正是由于曾经的工作经历，Dizheng同学希望在未来，可以做一些更“高级”的事情，与大数据及人工智能的贴合可以更加紧密，而不只是简单的“搬砖”。这个想法得到了顾问导师的认可。洞察趋势，放眼未来，简单的开发工作的人力资源未来必定饱和，而具有大数据整合与分析能力，且能通过人工智能算法解决问题的人才将会供不应求。根据其本科开发优势与对未来职业规划的想法，导师建议其增加大数据研发与实战经验，将简历中的软件开发经历与data pipeline或big data相关技术栈结合起来呈现。同时，积极准备数据方向的面试考点。经过三个月面试考点的实战学习，简历项目的更新，Dizheng同学的进步使其已经具备进入顶级科技公司的实力。

最终，简历申请后拿到ByteDance面试机会，并最后一举拿下ByteDance的Data Engineer Offer。