格子越深，表示该主题在这项指标上越高。
低高
每根柱是该主题的0-100图鉴分，不是时间轴。
把这份职业的薪酬与抗自动化放在同一条0-100尺上。
两项分数始终可见。拖动滑块可强调左侧（薪酬）或右侧（抗AI）。
薪酬
抗AI
一个点：该职业在两条命名轴上的位置。
进入这一角色前通常需要的教育与训练年数。
约6年教育训练后进入岗位
6年
按时间排列的节点，不是每周活动格。
把这份职业地图分享给正在考虑升学、转训或首份工作的人。
数据科学家：从数据中寻找规律、构建预测模型——一个2008年才出现的职位名称，建立在三个世纪计数、检验与可视化证据的传统之上。
数据科学家利用统计学、编程与领域知识，从数据中提炼出规律、预测与建议，再把结果变成企业、政府机构或研究团队能够采取行动的依据。这份工作涵盖写SQL从数据仓库中取数、清洗与重塑数据、拟合统计或机器学习模型，以及解释这个结果究竟支持什么、不支持什么。
这个职位名称比其背后的技艺年轻得多。“data scientist”一词大约始于2008年，当时DJ·帕蒂尔与杰夫·哈默巴克在分别为LinkedIn与Facebook组建数据团队时各自独立敲定了这个称呼，而统计学家威廉·S·克利夫兰直到2001年才提出把“data science”作为一个学术领域。其背后的学科要古老得多，可以经由约翰·图基1960至70年代对探索性数据分析的推动，一路追溯到罗纳德·费舍尔1920年代的统计学，再到约翰·格朗特1662年对伦敦死亡记录的研究。
2012年《哈佛商业评论》一篇文章称其为“21世纪最性感的工作”，引发了长达十年的企业招聘热潮和数百个新设的大学项目。这股热潮如今已趋于成熟：这个泛化的职位名称已分裂为分析工程、机器学习工程和产品分析，而AI工具如今承担了越来越多原本这份工作默认由人工完成的常规查询、清洗与制图任务。
数据科学是把不完美的记录变成决策的手艺：难处很少是拟合模型，而通常是判断数据诚实上能支撑什么。
查询数仓、统一口径、检查分布、清理坏字段并解释不确定性。建模重要，但结果只有在血缘、假设与备选方案可被审查时才赢得信任。最强的从业者能告诉干系人：看起来自信的图答错了问题，或相关不是因果。在大陆互联网与产业数据场景中，口径政治与埋点质量常比算法选择更致命。对在中国大陆从业的数据科学家而言，还要把监管口径、客户预期、交付节奏与团队协作方式一并纳入判断，而不能只复制海外岗位描述里的光鲜部分。香港与台湾的市场习惯、资质路径、舆论环境与合规细节也可能不同，跨区域发展前应单独核对，不要假设“华语地区都一样”。真正拉开差距的，往往是能否在压力下把复杂权衡讲清楚，并留下可复查的依据，而不是只会完成表面上的标准动作。
产品数据科学家做实验与功能度量；应用科学家做预测模型；决策科学家服务运营、财务或政策。成熟组织里，分析工程、数据工程与机器学习工程吸收了旧式通才的一部分。领域知识改变工作程度不亚于技术栈：购物车实验不是患者结局研究，也不是反欺诈。对在中国大陆从业的数据科学家而言，还要把监管口径、客户预期、交付节奏与团队协作方式一并纳入判断，而不能只复制海外岗位描述里的光鲜部分。香港与台湾的市场习惯、资质路径、舆论环境与合规细节也可能不同，跨区域发展前应单独核对，不要假设“华语地区都一样”。真正拉开差距的，往往是能否在压力下把复杂权衡讲清楚，并留下可复查的依据，而不是只会完成表面上的标准动作。
统计、计算机、数学、经济与理工科都可进入。学位有帮助，面试与作品集更直接测试SQL、统计推理、数据质量与沟通。可信项目不需要炫模型，需要清晰问题、有文档的数据、合适基线与匹配证据的结论。只会调包画仪表盘，很难通过严肃评审。对在中国大陆从业的数据科学家而言，还要把监管口径、客户预期、交付节奏与团队协作方式一并纳入判断，而不能只复制海外岗位描述里的光鲜部分。香港与台湾的市场习惯、资质路径、舆论环境与合规细节也可能不同，跨区域发展前应单独核对，不要假设“华语地区都一样”。真正拉开差距的，往往是能否在压力下把复杂权衡讲清楚，并留下可复查的依据，而不是只会完成表面上的标准动作。
助手能起草SQL、图表、摘要与基线模型，确实改变初级工作。它不能敲定度量定义、暴露隐藏混杂、选择预测的伦理用途或接受决策问责。职业正转向问题框定、实验、因果推理与审查机器生成的分析。对在中国大陆从业的数据科学家而言，还要把监管口径、客户预期、交付节奏与团队协作方式一并纳入判断，而不能只复制海外岗位描述里的光鲜部分。香港与台湾的市场习惯、资质路径、舆论环境与合规细节也可能不同，跨区域发展前应单独核对，不要假设“华语地区都一样”。真正拉开差距的，往往是能否在压力下把复杂权衡讲清楚，并留下可复查的依据，而不是只会完成表面上的标准动作。工具与流程会持续升级，但面对例外情况时仍需有人负责解释、止损与担责；这正是该职业难以被完全替代的核心。
同一头衔下常见的五条路径——专长、场景与生涯形态。
用指标与实验引导产品选择，并抵御误导性的短期优化。
为排序、预测、检测或个性化构建并评估模型，常与ML工程师协作。
把数据与商业或公共政策语境结合，支持规划、配置与风险决策。
设计受控试验与准实验，把干预效果从相关中区分出来。
处理复杂观察或实验数据，可复现与方法严谨优先于快速上线。
同样的行当，门槛、地位与日常不同。按各语言读者真正搜索的语境重写。
在美国，数据科学家的机会、薪酬与准入规则因州、行业和雇主类型差异很大。大型机构提供结构化训练，初创与自由职业路径则更灵活也更不稳定。对希望连接中美业务的人，英语沟通与合规意识通常和专业技能同等重要。
韩国的数据科学家岗位常见于大企业、成长型公司与专业服务网络，工作节奏与层级协作并存。韩语沟通和本地行业习惯往往影响实际表现。与中国大陆或东南亚团队协作时，还需预留文化和合规差异。
日本市场里，数据科学家常强调流程完整、质量细节与长期信任。正式资格、年功或组织内轮岗可能影响晋升速度。外企与本土机构对英语能力和交付速度的期待并不相同，选雇主几乎等于选工作方式。
德国的数据科学家受到职业教育、行业标准与劳动制度共同塑造，文档与长期责任通常被看得很重。工程与制造传统深厚，专精路线清晰；对习惯快速迭代的人，适应正式流程是进入门槛的一部分。
英国的数据科学家机会常向伦敦及专业服务网络集中，资格认证、雇主品牌与合同制岗位都会影响进入路径。生活成本与项目稳定性需要一起衡量；脱欧后的监管细节对跨境业务仍有持续影响。
新加坡常把数据科学家连接到东南亚客户、跨国总部与华语商业网络。英语是协作语言，但面向中国大陆、香港、台湾市场时，监管、数据与文化语境不能当作同一件事。区域覆盖意味着跨时区沟通与多元合规成为日常。
为本职业自托管的 Commons CC/PD 图片。
一个模型在统计上完全说得通，却依然可能误导做决策的人；而一名数据科学家愿不愿意在截止日期到来之前，主动把这一点讲出来，而不是等别人追问才承认，才是真正让技术能力产生价值的那份态度。
一份分析结果显示，全公司都盼着上线的功能其实根本没有推动大家期待的那个指标，或者一条被视为增长神话的渠道，实际上只是把原本就存在的需求重新收割了一遍，这样的结论既不受欢迎，又非常容易被悄悄软化处理。愿意把这种令人扫兴的真实结果原样报出来的数据科学家，才是让一家公司的决策真正贴合现实的原因；而那些为了让结果听起来更顺耳，就悄悄把发现往管理层想听的方向偏一偏的人，只是把数据分析变成了一种精心包装、用来事后自我证明的装饰品而已，早就背离了它本该发挥的作用。
一场只跑了五天的实验，或者一个人数少得可怜的用户群体，完全可以产出一个看起来相当精确、实际上只是噪音的数字，而下游几乎没有任何人会在真正拿这个数字去做决策之前，回头查一下样本量到底够不够。真正能让人放心信任的分析师，那份真正的态度差别，就在于拒绝让一个数字听起来比它背后的数据真正能支撑的确定性更高，哪怕一个语气笃定、听起来毫不含糊的数字，恰恰正是某位相关方内心真正期待听到、也更容易拿去汇报的那个答案。
一个用来决定贷款批不批、简历排不排得上前面，或者标记出某位病人是否需要重点关注的模型，会真真切切地影响到一个从来都不会打开这份代码笔记本去看一眼的人。因为通常只有写出这个模型的人，才最有机会在它真正上线之前，注意到某个隐藏得很深的偏差或者一个正在悄悄泄露信息的特征，把这份责任真正当回事、而不是当成模型一旦上线就与自己无关的别人的问题，才是这份潜在的伤害，真正能够在造成实际后果之前被拦下来的地方，也是这份工作真正的分量所在。
不是口号，而是这份工作真正看重的五种具体姿态。
在开始拟合任何一个模型之前，先亲自用自己的眼睛去仔仔细细地看一遍数据的分布、异常值和缺失值到底是什么样子，而不是想当然地认定一个模型自己就会把数据里那些原本就存在的问题悄悄吸收消化掉、自动修复好，却完全不会主动向任何人报警提醒，让问题一路悄无声息地流进最终呈现给相关方的那个结论里，等到很久以后才被人偶然发现、追悔莫及。
在报告一个核心结论的同一句话里，就主动把置信区间或者相应的前提条件一并交代清楚，而不是只有等到这个结论真正被人质疑的时候才被动地补上，这样才能让听取汇报的相关方，不会仅仅因为这份原本就该被主动说清楚的不确定性，最终没有被主动提起，就误把一个原本相当粗略的估计，当成一个精确无比、可以直接拿去做出重大决策的定论，进而承担本不该承担的风险。
把一个意外冒出来、又恰好显得特别令人满意的相关关系，当成一个真正需要停下手头的工作、认真核查清楚来龙去脉的疑点，而不是急着把它当成一个可以立刻拿出去展示的漂亮成果，因为一个发现越是恰好迎合了整个团队心里早就已经默默预设好的那个计划、那份期待，就越应该被拿出来仔细审视一番、多问几个为什么，而不是顺水推舟地直接采纳。
一旦手头的证据已经不再支持这个自己一开始满心期待、很喜欢的假设，就果断彻底地放弃它，而不是继续再多跑几遍不同角度的数据切法，心存侥幸地一遍遍指望能够最终跑出一个终于经得起检验、拿得出手的漂亮结果，并且在最后的报告里，坦率、直接地把这段放弃这个假设的完整过程原原本本地写清楚，不带任何掩饰或者美化，即便这意味着要承认当初的判断有误。
坦率而明确地告诉相关方，现有的这些数据无论再怎么反复处理，都根本没有办法支撑起一个真正靠得住的答案，而不是仅仅因为对方已经明确提出了这个要求、又觉得最后交出一份空空如也、什么结论都没有的报告实在说不过去、显得太没有面子、太不专业，就硬着头皮编造出一个看似有充分依据、实则经不起推敲的数字来敷衍过去、蒙混过关。
把简历用语和实际执行区分开来的具体情境。
这名分析师是不是原原本本、不加任何美化和修饰地把这个令人失望的核心结果如实汇报给管理层，还是转而在一大堆数据里刻意挑出一个看起来相对好看一些的次要指标，去悄悄掩盖这个核心结果其实并不理想的真相，好让当初那个已经提前公开对外宣布过的上线时间和相应决定，事后回过头去看依然显得合情合理、无可指摘、经得起反复追问？
这名分析师是不是在这个模型真正被拿去正式部署、真正开始影响到成千上万真实用户之前，主动地、完全不等任何人开口追问，就抢先一步把这个隐藏得很深的问题揪出来、当面清楚地指出，还是仅仅满足于呈现一个看起来相当体面、经得起汇报、能让在场所有人都满意的整体平均值，然后就这样若无其事地把这件事翻篇过去，转身投入到下一项完全不相干的新工作里去了？
这名分析师是不是坦率而耐心地向客户当面把话讲清楚，眼下手头这份数据，其实只能支撑起一个相当粗略、留有余地的区间估计，还是顺着对方心里真正期待听到的那个答案，交出一个语气听起来格外自信笃定、实际上根本撑不住这份自信的具体数字，任由对方误以为这就是一个板上钉钉、毫无争议、完全可以直接拿去做重大决策的真相？
这名分析师是不是主动地、毫不犹豫地把这个隐藏的漏洞指出来，坦然承认自己或者整个团队之前工作中存在的疏忽，还是因为不想让那些一直很喜欢、也长期依赖这份好看数字的同事们因此感到失望，就选择睁一只眼闭一只眼，任由这个明明已经被自己发现的错误，继续悄悄地、心照不宣地留在系统里，没有一个人愿意主动站出来，把这个心知肚明的问题彻底修正过来？
一些自我标榜为极度重视数据驱动决策的公司，有时候会反过来利用这套说辞，去逼迫分析师想方设法找出证据来支持一个早就已经拍板定下的决定，把敢于报告出令人扫兴结果的人，私下贴上一个"不懂团队合作"的标签。这个行业早年被包装成一份光鲜亮丽的热门职业，也顺带把无偿的深夜加班，正常化成了一种对数据充满好奇心的表现，熬到半夜只为了多跑一遍数据切法会被大加赞扬，而不会被追问这背后其实是一个本该被正视的工作量问题。国内不少互联网公司同样存在用"数据说话"和"拿结果说话"这类说法，去正当化分析和算法岗位长期存在的高强度无偿加班现象。
较高
数据科学中相当一部分常规工作——SQL查询、探索性制图、用AutoML拟合标准模型、编写样板管道代码——如今已经可以自动化或借助AI完成，且这一比例还在快速增长。抗拒自动化的，是把一个模糊的业务问题构建成一个可检验的问题、判断一个结果究竟是真实的还是统计假象，以及当一个模型在现实世界中的决策出错时承担责任。
AI与未来 →不限同一领域，六项评分最接近的职业。
账簿的守护者：这门手艺古老到几乎发明了文字本身，如今却在与为自动化它而造的软件谈判。
抗AI 35 🗺️决定公司接下来该做什么、为什么要做——把顾客需求、商业目标和工程限制，整合成一份没有其他人能完全独自拥有的共同计划。
抗AI 50 💻写作,测试和维护了管理现代生活的代码——也是最早观看AI将自己的日常工作自动化的职业之一.
抗AI 35 📣创造需求的专业人士——从庞贝古城墙上的广告、宝洁1931年那份品牌经理备忘录，到数字时代由竞价驱动的信息流。
抗AI 38 📦构建用于训练、部署、监控和治理生产环境中机器学习模型的系统。
抗AI 54 🔎研究人们如何使用产品，将观察到的行为、需求和挫折转化为团队可以设计的证据。
抗AI 69衍生并测试关于物质,能量,空间和时间的数学定律,从一个孤独的粉笔板到3000个作者的粒子对流器纸.
抗AI 65 🧬研究生命本身的科学家,从Linnaeus手工命名物种,到用CRISPR编辑基因组,仍然在针对一个活生物体测试每一种想法.
抗AI 64 🧪亲手制造并测量物质本身的科学家——从塔普提在巴比伦蒸馏香水的年代到今天的机器人实验室，仍是那个判断谱图意味着什么的人。
抗AI 70 🔭丈量宇宙的科学家，从巴比伦泥板到空间望远镜，始终要判断数据中的哪一次闪烁是一项发现。
抗AI 70 🧮从巴比伦文士到菲尔兹奖得主，再到AI辅助证明：这门职业把难题一个定理接一个定理地变成永恒的确定性。
抗AI 70 🧿构建、测量和控制利用量子态进行计算、传感、通信和材料研究的设备。
抗AI 78 🧫使用临床、试验和卫生系统数据生成可靠的证据，以实现更安全的护理、研究和运营决策。
抗AI 68