摘要：都说数据类专业比较容易留美，那么这个专业毕业后，可以申请的岗位究竟有哪些呢？Pace学长会把DS的目标岗位分为以下三类：DSA（Data Science Analytics）、DS Modeling、MLE，来给大家讲解，还不清楚应该把简历往哪个岗位投的同学们
都说数据类专业比较容易留美，那么这个专业毕业后，可以申请的岗位究竟有哪些呢？Pace学长会把DS的目标岗位分为以下三类：DSA（Data Science Analytics）、DS Modeling、MLE，来给大家讲解，还不清楚应该把简历往哪个岗位投的同学们，一起来看看吧~
DSA这类岗位尤其在TikTok、Meta等注重产品的大厂会比较多。对于DSA来说，一个典型的工作场景是：团队想要给软件（比如抖音）开发一个新的功能，那么如何才能决定这个功能是否应该正式上线呢？
DSA需要综合考虑功能要求达成的目的，制定北极星指标，然后设计用户实验、区分对照组，对一组用户开放新功能，另一组则不开放。一定时间以后分析数据结果，做出最终的业务结论。
可以看出，这个岗位除了考察使用SQL和Python这些技术去进行数据分析的能力，也比较重视A/B testing以及和跨团队交流（比如与Product Manager/Software Engineer交流），还有沟通和解释数据结果的能力。
因为互联网公司营收主要来自流量变现业务 (广告、电商、游戏等)，TikTok的数据科学部门包括核心广告、效果优化、隐私风控、数据安全、企业服务等组别。这和硅谷大厂中Facebook家 (oops, 现在叫Meta) 的业务模式和架构相似。
作为支持这一核心业务的数据科学团队，DS的使命是让平台在安全、合规的前提下最大化地实现流量变现和与大中小企业广告主的共同成长。TikTok的团队在全球均有分布，是不折不扣的“日不落”商业帝国；其中以山景城、新加坡、都柏林等为主要据点。
更多相关内容：
干货 | TikTok数据科学岗位介绍
面经 | TikTok DS岗位
人物｜字节跳动的数据科学家有话要说...
Meta招收应届生数据相关岗位 - DS Analytics (DSA)描述：偏向产品分析类的DS。日常工作是用各种统计方法，数据分析来找出现存的产品问题，提出优化方案。需要极强SQL coding skill，一定的ML能力，极强的交流能力和产品理解能力，对algorithm几乎没有要求。本科、硕士、博士都会招。职业路径通常是转为manager或者PM。面试以SQL, AB testing, Data Science case study为主。
关键词：data analysis, experiment (A/B testing), statistical inference, visualization, SQL, presentation, simple ML model, Product interpretation.
第一年总工资：16-22万刀。
更多相关内容：
干货 | Meta数据科学岗位介绍
没有DS背景却想进入Meta全职工作... 原来这不是白日梦！
面经 | Meta DE/DSA/DS/MLE岗位
几乎各行各业都存在DS modeling的需要。比如消费零售公司（如Nike、Nordstorm）可能需要通过搭建预测模型来预计产品销量，用分类模型进行客户分类从而进行针对性的营销；硬件制造商（比如Dell）希望靠建模来预测硬件的损耗或优化供应链；金融科技公司（比如Capital One）也需要建立模型来评估信用卡客户的风险。
同时，随着大模型的逐渐普及，越来越多的公司也期待modeling的同事们能掌握一些自然语言处理（Natural Language Processing）和大语言模型（Large Language Model）相关的知识，以此来自动化他们的客户服务等流程。
DS modeling这个岗位除了需要掌握Python中的常见package（比如scikit-learn/PyTorch）并能够熟练调包，也比较重视对于machine learning理论的了解和调优的能力。另外候选人如果对算法也有一定掌握，那同样是一个不错的加分项。
在一个相对传统的大型企业中，DS是相对去中心的，会融入各个部门之中，为它们提供服务。比如：
这里的DS团队以提高用户体验为核心，运用Gen AI、Machine Learning等各种技术，让客户的售后流程从“咨询人工客服 → 客服查询该电脑型号对应的售后文档 → 反馈”转变为更加自动化、迅捷和准确的服务。
这里的DS团队以硬件表现预测为核心，基于从所有Dell用户电脑中收集到的硬件数据（比如电池、内存等等），进行ML/DL建模 ，以提前预测电脑部件的损耗和潜在问题，发出预警；并避免检修中不必要的配件更换，节约成本（本服务尚未完全上线，敬请期待）。这里的工作需要DS对于常见的电脑硬件名称有一定的了解。
除此之外，公司也有一个DS中后台部门，专门去服务其他没有专属DS团队的内部客户。
公司的数据相关工作分类细致，分别有：
Business Analyst
Data Analyst
Quantitative Analyst
Data Scientist
Machine Learning Engineer
越向BA靠近会要求更多的产品思维，但只需掌握基础的数据分析 (SQL)；越向MLE靠近会要求更复杂的代码和算法能力 (Python，Machine Learning)。由于整个公司的数据都在云端，而且许多模型都有极大的数据量，Spark也是许多岗位要求的能力之一。
作为建模核心的Data Scientist会有各自的domain knowledge，信用卡业务中比较核心的有fraud, risk, acquisition modeling之类。Data Scientist会负责从处理数据(Snowflake, Databricks), featureengineering, modeling到monitoring的整个pipeline，并不断迭代优化model。
更多相关内容：
干货 | Capital One数据科学岗位介绍
面经 | Capital One DS/SBA岗位
MLE的全称是Machine Learning Engineer，即机器学习工程师。它主要负责用机器学习的算法，对现实生活中的海量数据进行建模，用来预测，同时确保算法在计算机和硬件上有效运行。当MLE把模型开发部署好之后，就需要DS、DA来对产品端进行数据分析和测试，所以DS和DA主要负责机器学习系统链路的末端。
上图是Netflix的Machine Learning Intern岗位要求，需要求职者至少具备一种ML领域的相关经验，比如：
近来大热的NLP（Natural Language Processing）
大语言模型LLM（Large Language Models)
CV（Computer Vision）
RL（Reinforcement Learning)等等
以及要掌握 Python 或者 C/C++语言，和一些开发ML models的常规框架，比如PyTorch, TensorFlow, Keras等。
总体来说MLE需要较强的coding能力、对ML pipeline framework和infra的理解。
和researcher合作，基于raw research，把有产品需求的paper优化提升，转化到产品里。主要是和图像相关的network building以及model training，多数是deep learning based model，也涉及一些传统计算机视觉算法。
干货 | 没想到在Adobe当MLE这么轻松？
来源：温故知新