北美IT公司有个很有趣的现象，单身的码农们很多都找同公司的data scientist作为自己心仪的另一半。为什么呢？因为大数据研究显示，data scientist是一个盛产帅哥美女的岗位呀~那我们就来研究一下这个盛产男神女神的data scientist岗位到底是做什么的呢？
大型科技公司的data scientist一般分为inference、analytics、modeling/algorithms三个板块，分别做的是假设检验和实验设计、数据智能和产品分析、机器学习和数据建模。
大型IT公司的Data Scientist分工比较明确，特别是general hiring的公司，一般一个岗位focus在inference、analytics和modeling其中的一到两种。像微软、亚麻这样按组招聘的公司，DS具体的职责岗位根据对应的组会有很大的差异。其他行业，零售公司或者startup的DS比较full stack，什么都要做；医药行业侧重于inference；金融行业侧重于modeling。下面来具体说一下每家大IT巨头对data scientist、data analyst、machine learning engineer、data engineer、research scientist的划分。
Google：谷歌曾经有个岗位叫quantitative analyst，即QA，是他们硬核的data scientist。可能是觉得QA这个名字实在是太不吸引人了，所以加上了大名鼎鼎的前缀——Data Scientist。谷歌家还有一种data scientist叫data scientist, product analytics。谷歌的data scientist岗一半偏QA，一半偏PA，面试的时候HR会和面试者确认。除此之外，和ML相关的岗位还有software engineer machine learning，也就是MLE，也有的software engineer是做data engineering，即DE。
Facebook：data scientist, analytics是product analytics，infra data scientist和core data scientist做的活更偏Machine Learning。Research Scientist对应的头衔是PHD Scientist。和谷歌一样，Facebook和ML相关的岗位还有software engineer machine learning，也就是MLE，以及Data Engineer。
Amazon：亚马逊有四类和Data密切相关的工作——business intelligence engineer、data scientist、research scientist、applied scientist。其中，BI Engineer是analytics和data engineer的结合。他们的data scientist做一些analytics和一部分的machine learning modeling。A家的Research Scientist做ML的research但是coding部分偏少。听上去最最接地气的applied scientist是他们家要求最高给钱最多的岗，非常硬核，不要被名字中的applied所迷惑了，这个岗位需要ML和coding都很强的科班人才。
Airbnb：他家的data scientist是出了名地分track的，analytics，inference和algorithms三个。analytics就是product analytics，inference主要做假设检验和实验设计，algorithms做Machine Learning models。
LinkedIn：LinkedIn的DS也有三个track——strategy and insights类似于analytics，inference and algorithms类似于inference and modeling，以及data engineering，LinkedIn也有software engineer machine learning，但是和data scientist不在一个org。LinkedIn的ML非常硬核，基本只招PHD，做很多算法。
Uber：黑车家的product analyst是做analytics的data scientist，而data scientist干的活偏inference和modeling，同时Uber也有另设的MLE。
Lyft：research scientist偏modeling，data scientist偏inference和analytics。他们本来对应的岗位是analyst和scientist，后来顺应行业趋势把analyst改成data scientist，把原来的scientist改成research scientist。
Apple：Apple因为是按组招人所以比较mixed。同样是data scientist，有的组做dashboard有的组做machie learning engineer。有些DS和其他公司的MLE是一样的，所以要了解得通过工作描述、HR介绍、面试的时候多和组里的人问问。
Microsoft：和Apple一样，微软常见的也是按组招人所以比较mixed，有的是analytics，有的做Deep Learning。
Twitter：Twitter的DS是综合性的，Algorithm、Analytics、Inference都做。面试的时候可以问：analytics，inference，和ML modeling这三大DS板块中，你们组平时的项目在这三种领域占的比例大致是多少？通过这个问题就可以基本上了解他们组的工作性质。
由此可见，虽然都叫Data Scientist，但是每家科技巨头的DS工作范围可都不太一样呢。不管你是喜欢硬核的deep learning，还是注重沟通的analytics；不管你是擅长设计实验的inference，还是专注建造机器学习模型的algorithms，需要知道的是DS这个领域的spectrum非常的广泛。面试的时候还是每个领域都要或多或少地准备到的。只有发挥长板优势、补足短板不足，才能在朝夕万变的市场潮流中快速上岸，拿到大包。同时，这对面试者的能力和准备工作也是很大的挑战。