You extract insights from large datasets using statistical and machine learning methods, supporting product, operations, and strategic decisions across industries.
注：职业描述基于市场通用岗位职能，实际工作内容因单位和部门有所不同。
月薪（税前）· 受地区、单位性质和个人能力影响较大
北京、上海、深圳等一线城市薪资通常高于全国平均水平 20–40%
国有企业稳定性强，私营和外资企业薪资弹性较大
AI工具将大幅提升该职业的工作效率，善于运用AI的从业者可以产出倍增。主动学习AI工具的毕业生将明显领先于同行。
技术技能名称保留英文（行业通用表达），面试和实际工作中均以此为准。
在导师或上级指导下熟悉业务体系，建立专业知识框架。通常需要 3–6 个月内开始独立承担项目模块。
独立主导项目或业务模块，开始带领初级成员，逐步建立行业内的专业声誉和人脉网络。
负责重大项目或部门管理，参与战略决策，薪资上限显著提升。高级岗位通常需要丰富的项目记录或专业认证。
上午9:00–10:30参与跨部门需求对齐会，与产品、运营团队明确本次AB测试的业务目标与核心指标；10:30–12:00清洗新接入的用户行为日志数据，处理缺失值、异常点击流及设备ID去重；下午13:30–15:00在Jupyter中迭代构建用户流失预测XGBoost模型，调参并验证AUC与KS值；15:00–16:00将模型结果可视化为仪表盘（Plotly+Dash），标注高风险用户群特征；16:00–17:00撰写模型上线文档，同步至MLOps平台并触发自动化测试流程；下班前15分钟复盘当日代码提交与实验记录，更新GitLab项目Wiki。
扎实的数理基础与工程实践能力是核心门槛。需掌握Python（Pandas/Scikit-learn/PySpark）、SQL深度查询及至少一种云平台（AWS/Azure/GCP）数据服务；熟悉统计学原理（假设检验、贝叶斯推断）、机器学习全流程（特征工程→模型训练→评估部署）及AB测试设计；具备业务敏感度，能将商业问题转化为可建模的数据任务。
数据分析师侧重描述性分析与BI报表，用SQL/Tableau回答“发生了什么”；数据科学家聚焦预测性与规范性建模，通过算法解决“为什么会发生”“接下来会发生什么”，并推动模型工程化落地，技术栈更深、工程要求更高。
可以，但需系统补足硬技能：建议6–12个月高强度学习路径——先掌握Python语法与Pandas数据处理，再攻克统计学与机器学习理论，同步完成Kaggle实战项目（如泰坦尼克、房价预测），最后用真实业务数据构建完整pipeline作品集。
显著影响。金融/医疗领域更重模型可解释性与合规性；电商/内容平台强调实时推荐与大规模AB测试；制造业倾向时序预测与IoT数据融合。建议初期选择业务逻辑清晰、数据基础设施成熟的行业切入，再横向拓展。