世界經濟論壇預計 全球 41% 的公司 由於人工智慧的興起，到 2030 年將減少員工數量，而像 Meta 這樣的公司已經宣布 裁員計劃 今年。
這意味著一件事： 加上 2025 年的技術裁員。
我認識幾位同事，他們去年都受到了科技業裁員的影響。這讓我對自己的數據科學生涯越來越擔憂，於是我開始做一些研究。我訪問了資深資料科學家和團隊負責人，以及軟體工程師和產品經理，以了解科技業裁員對資料科學的影響。
我有兩個迫切的問題：
- 我該如何保住我的數據科學工作，避免被裁員？
- 到 2025 年成為資料科學家是否仍然值得？
根據我收集的資訊和個人經驗，我相信未來五年數據科學職位仍將存在。然而，只有那些「能增值的資料科學家」才會留下來，而那些無法提升公司獲利能力的資料科學家將被淘汰。
雖然沒有任何工作是 100% 不會被裁員的，但我將與你分享 3 種方法 不可或缺的資料科學家.
閱讀完本文後，您將了解：
- 如何取得並保住一份高薪數據科學工作
- 如何保護你的資料科學職涯免於裁員並快速晉升至管理職位
1. 打下堅實的基礎
身為資料科學家，你應該專注於在統計學、機器學習和數學方面打下堅實的基礎。雖然工具和程式語言不斷變化，但核心概念始終保持不變。眾所周知，AI 模型可以幫助企業利用機器學習和程式設計更快地做出決策。
然而，沒有一家公司會完全依賴人工智慧模型來做出數百萬美元的決策。公司需要聘請資料科學家——能夠指導人工智慧、糾正其錯誤並快速提供洞察的專家。資料科學家會討論最佳技術，在一種方法行不通時改變方向，並驗證人工智慧產生的任何輸出。
然而，由於人工智慧帶來的效率提升，公司將需要更少的人員來執行這項任務。這些資料科學家的薪酬很高，但他們必須對與統計學和機器學習相關的基本概念有紮實的理解，並具備強大的邏輯和推理能力。雖然如今大多數公司注重執行力和速度，但企業將開始青睞那些擁有紮實機器學習模型理論知識的資料科學家。
以下是我推薦的一些用於學習資料科學應用背後的數學和理論的免費資源：
- 3Blue1Brown YouTube頻道 對於線性代數、微積分和神經網路等數學概念。
- Krish Naik 的機器學習播放列表 了解基本的機器學習概念
- Statquest YouTube頻道 用於統計
2. 選擇以業務為中心的角色。
任何直接為公司創造收入的員工都是有價值的。然而，許多數據科學職位關注的是未來的影響，而不是眼前的收入成長。
例如，我曾經參與過一個為期四個月的項目，旨在細分客戶群，以便更好地進行目標定位。四個月後，我們創建的客戶細分模型並未投入生產，因為它在真實用戶數據上表現不佳。最終，我們放棄了整個計畫。
許多數據科學角色都與此類似——他們專注於實驗。資料科學家經常創建 未來可能有用的東西 而不是那些目前正在創造收入的項目。因此，如果發生裁員，公司被迫裁員，那麼很可能是數據科學團隊，而這對於實現直接的業務影響並不重要。
然而，如果你選擇的數據科學職位更貼近業務——直接與利害關係人和銷售團隊合作，做出能夠推動收入成長的決策——你的工作會更有保障。例如，如果你在Google工作，能夠為產品團隊提供搜尋功能方面的建議，而該功能將為公司帶來收入，那麼你的工作將直接影響收入。這意味著你對業務更加重要，被取代的可能性也更小。
3. 清晰度高於一切。
如果你想保住工作並獲得晉升，你需要讓自己引人注目。這適用於所有職位，而不僅僅是資料科學家。
讓我用兩位同事帕米和吉姆的例子來說明這一點，他們都從事數據科學工作。
Jim 很擅長處理數字。他是一位才華橫溢的程式設計師，建構了高度精確的機器學習模型，對公司來說價值非凡。但 Jim 從不宣傳自己的工作成果。他通常在會議上保持沉默，而且沒有人使用他的模型，因為他們並不真正理解這些模型的作用。當團隊需要 Jim 進行分析時，他們常常會發現自己盯著他的電子表格，花費大量時間試圖將他的數字轉化為決策。
另一方面，Pammy 擅長程式設計和數字運算。然而，她花費大量時間在各個業務部門推廣她的模型。她會透過簡報或儀表板展示自己提出的分析，突顯重要的洞見，幫助團隊做出決策。她也在團隊會議上積極表達自己的想法，並向業務利害關係人清晰地解釋技術概念。因此，Pammy 的績效評估一直比 Jim 更好。大多數領導團隊都認可她，並樂於與她共事。她晉升更快，因此在公司決定削減成本時，她被解僱的可能性更小。
溝通和推廣工作的能力是所有技術專業人員必須培養的，以便快速攀登職業階梯，資料科學家也不例外。
要點
就業市場充滿不確定性，科技業的裁員似乎短期內難以停止。對於資料科學家（甚至是有志成為資料科學家的人）來說，這可能會讓他們難以承受。
然而，仍然有辦法在這個就業市場中保持競爭力並取得成功：專注於核心概念，與創收團隊密切合作，並向利害關係人推廣您的業務。
評論被關閉。