資料科學家
SOC 15-2051 · O*NET 15-2051.00
資料科學家用資料回答問題，先核來源和欄位能否在預測時點使用，再比較基線、分組錯誤和實際限制。交付包括可複核的結論、驗證記錄及上線建議。可用 DS-04 試一次這個過程。
快速判斷
判斷中心：能否在資料可得性與許可權、業務目標、方法與合規約束同時存在的前提下，把問題定義、資料與特徵、驗證與監測、以及面向業務的結論做成可複核、可復現並可交接的分析結果。
常見工作在辦公室開展；投入包括查資料、寫程式碼、復現評估和解釋結論。團隊是否遠端、誰維護模型以及上線後如何值守，向具體僱主核對。核心產出是可複核的分析結論與可復現的模型：資料說明與質量記錄、可復現程式碼、基線模型與效能指標、驗證與誤差分析、偏差與漂移監測方案，以及用業務語言寫成的結論與限制說明，而不是「調出了高分模型」。
相鄰崗位名稱相近不代表職責相同；比較時先看物件是資料清洗與建模、商業指標與報表、統計推斷與試驗設計、運籌最佳化、計算機與資訊研究，還是量化金融建模，以及是否承擔模型上線、資料授權或監管合規責任。
什麼樣的人更可能適合資料科學家？
如果你願意核數據來源、找出模型可能錯在哪裡，並向非技術同事說明結論的適用條件，可以先試。 可以把業務目標、資料來源與授權、方法與評估指標以及合規要求當作必須核對的輸入，但不能憑相關性替代因果、不得用測試集調參後仍當作泛化證據，也不能在未獲授權時使用個人或受限資料。
什麼情況下需要慎重選擇資料科學家？
如果你更喜歡建資料管道、維護表和解決資料延遲，可先比較資料工程；如果更喜歡口徑明確的經營指標和持續報表，可先比較商業分析。 適配判斷應結合真實專案中的分析復盤、帶教與同伴評審以及業務方反饋，不由興趣型別或一次測試替代。
如何用一次小實驗判斷自己是否適合資料科學家？
開啟目錄「入行、證書與職業發展」，找到「虛構練習材料：資料洩漏與偏差問題處置」。DS-04 給出欄位時間、兩組錯誤數和上線規則；先做一頁判斷，再看參考。 本頁所有紙面練習均為虛構材料；真實工作中的個人資訊與受限資料處理、模型上線與監測、行業監管要求須按所在單位的資訊管理制度、資料安全與個人資訊保護規定以及行業合規要求執行，涉及特定領域（金融、醫療等）建模的還須符合所在地規定與內部審批流程。
职业画像
資料科學家對應自身15-2051.00，以資料程式設計/視覺化把原始資訊轉為可解釋結果，可用挖掘/建模/NLP/機器學習，可能做動態報表。當前17任務15核心、設計調查1補充、訪談利益相關方1New未給重要度，非人人承擔所有任務。主要產出分析/模型/驗證及建議，建議預算、人員和營銷方案不自動賦籤批或管理許可權。商業智慧15-2051.01是同一SOC下另一O*NET細類，職責可交疊，統計不能當獨立商業智慧樣本；統計師、運籌、計算研究、生物資訊科學/技術與金融量化可交疊，不由標籤推出從不驗證模型。中國按實際職責對照，未核一一對應分類。
資料科學家：如何理解這項工作？
編輯將工作串成問題/資料準備→建模驗證→解釋交付；17任務15核心1補充1New，訪談New無重要度、設計調查補充，按崗位核。偏差監測、獨立留出驗證與洩漏排查為方法/治理建議，不能稱O*NET所有任務或所有僱主統一流水線。建議與執行/籤批許可權分別核。
問題定義與資料準備：
資料說明與質量核查記錄
- 01訪談並確認業務問題
- 02核對資料來源與許可權
- 03評估資料質量
- 04清洗與處理資料
- 05抽取樣本或設計採集
- 06記錄資料說明
建模與驗證：
可復現程式碼、模型與驗證記錄
- 01理解業務目標
- 02建立基線模型
- 03特徵選擇與調參
- 04比較效能指標
- 05驗證與誤差分析
- 06排查洩漏與偏差
資料科學家與相鄰的分析、統計與運籌崗位的邊界在哪裡？
資料科學家的工作物件是業務問題、原始資料（結構化與非結構化）、特徵與模型、評估指標以及資料使用許可權與合規邊界；產出是可復現的分析與模型、驗證與誤差分析記錄、偏差與漂移監測方案，以及用業務語言寫成的結論與限制說明；處理依據是業務目標與評估指標、資料授權與合規要求、方法學規範以及單位的資訊管理制度，不是崗位名稱。 本表把資料科學家與相鄰的商業智慧分析師、統計師、運籌學分析師、計算機與資訊研究科學家、數學家與生物資訊學科學家按核心目的、主要物件與依據、核心過程、主要產出、責任主體、協作與督導、結論邊界七項逐一對照：相鄰崗位都涉及資料與定量方法，但物件（端到端的資料建模與預測、商業指標與報表、統計推斷與試驗設計、運籌最佳化與決策模型、計算與資訊科學問題、生物醫學統計）與是否以從原始資料構建並可驗證的模型為核心不隨崗位相鄰而轉移；比較時要以實際產出與所在業務環節逐項核對。
| 維度 | 主要方向 | 比較方向 |
|---|---|---|
| 核心目的 | 從原始資料出發構建並驗證模型，產出可複核的預測或解釋結論，並用業務語言交付與監測。 | 商業智慧做查詢/報表/趨勢與系統測試，統計師做理論/抽樣分析，運籌做約束下方案，計算研究做計算方法/系統，數學家做理論與應用，生物資訊科學家做生物分子資料的計算統計工具；這些目的可交疊，不自動轉移職責。 |
| 主要物件與依據 | 業務問題、原始資料與特徵、模型與評估指標、資料許可權與合規邊界；依據是業務目標、方法學規範與單位的資訊管理制度。 | 指標與業務資料（商業智慧）、統計問題/調查資料（統計師）、運營目標約束（運籌）、計算科學問題（計算研究）、數學結構（數學家）、基因組/蛋白組等分子資料（生物資訊學科學家）；不是互斥物件或臨床執業授權。 |
| 核心過程 | 定義問題 → 核對資料與許可權 → 清洗與特徵工程 → 建模與比較 → 驗證與誤差分析 → 交付、監測與迭代。 | 相鄰方向分別可做報表與趨勢測試、統計分析、最佳化求解、計算演算法研究、數學證明與應用、生物資訊計算工具及分子資料分析；過程可交疊，按實際崗位核。 |
| 主要產出 | 可復現的模型與程式碼、驗證與誤差分析、偏差與漂移監測方案、面向業務的結論與限制說明。 | 相鄰方向可交付指標/系統、統計結果、最佳化方案、演算法原型、數學方法、生物資訊工具/分子資料研究分析；具體職責與可籤批範圍按崗位核，非各職業統一獨佔產出。 |
| 責任主體 | 本職業人員對方法與驗證的可靠性負責，並對結論的適用範圍與不確定性負責；資料使用許可權、模型是否上線以及業務決策由授權人與業務方決定，不由其單方面決定。 | 相鄰方向對實際分配的指標、統計、最佳化、計算研究或生物資訊工作承擔相應責任；崗位名不賦人員預算/臨床簽發或系統上線權。 |
| 協作與督導 | 與業務方、資料工程與資訊科技、產品與運營、合規與法務按許可權協作，向業務負責人或技術主管報告；遇到資料不可得或權屬不清、目標洩漏或樣本偏差、模型表現異常以及合規邊界不明時暫停高風險動作、複核事實、保留記錄並按制度上報。 | 編輯協作核對：業務、採集、運營決策、研究工程及生物研究團隊的真實分工；生物資訊學科學家以分子資料與計算工具為重點，未核所有僱主統一彙報線。 |
| 結論邊界 | 比較按主要目的與產出，不把預測/推斷/最佳化/報表劃成互斥職責；資料科學可提管理方案但不能由職業名推籤批，商業智慧也可分析/測試系統，不稱從不做模型驗證。 | 相鄰崗位的準備層級與執業要求不適用於本職業，須按各職業官方資料與所在崗位要求逐項核對。 |
核心工作
- 01
問題定義與溝通｜識別能由資料分析回答的管理目標為核心；訪談利益相關方為New未給重要度，不能稱已評級核心或人人必做。
- 02
資料準備｜清洗/處理與抽樣技術為核心，設計調查工具為補充；編輯建議核字段/質量/合法用途，不把可選調查一律寫為崗位職責。
- 03建模與比較 · 建立並比較模型
應用特徵選擇演算法建立模型，用損失函式或解釋方差比例等統計效能指標比較模型，並識別關係、趨勢或可能影響結果的因素。
- 04驗證與診斷 · 測試並重新設計模型
測試、驗證並重新設計模型以確保對目標結果的預測準確，排查目標洩漏、資料洩漏與樣本偏差，並記錄驗證過程以便複核。
- 05解釋與交付 · 視覺化並報告結果
建立圖表與其他視覺化以傳達分析結果，向管理層與其他終端使用者口頭或書面報告建模與分析結果，並向關鍵利益相關方提出資料驅動的解決方案建議。
- 06學習與演進 · 跟蹤方法與技術
閱讀科學文章、會議論文與其他研究資料以識別新興分析趨勢與技術，用程式語言編寫新函式或應用開展分析，並說明結論的適用範圍與不確定性。
關鍵職業判斷
六個反覆出現的專業判斷：業務問題與評估指標是否定義清楚；資料來源、欄位語義與使用許可權是否核對到位；資料質量與樣本代表性是否足以支撐結論；模型是否經過獨立驗證並排查了目標洩漏與資料洩漏；結果的不確定性與適用範圍是否如實說明；出現異常、偏差或合規邊界不明時是否暫停、複核並升級。
- 01
要先訪談利益相關方確定待分析的問題，並把業務目標轉成可衡量的評估指標；問題定義含糊會讓後續工作全部偏離業務需要。
判斷一：問題與指標定義清楚了嗎
- 02
要確認資料來源、欄位語義、取樣口徑與使用授權；使用未授權或口徑不明的資料會同時帶來合規與方法風險。
判斷二：資料與許可權核對了嗎
- 03
要用統計軟體清洗與處理原始資料並評估缺失、異常與樣本代表性；未核對質量就建模會把資料問題誤當成業務規律。
判斷三：資料質量夠用嗎
- 04
要測試、驗證並重新設計模型，比較損失函式或解釋方差比例等指標，並排查目標洩漏、資料洩漏與調參過擬合；只在同一份資料上取得高分不構成泛化證據。
判斷四：模型驗證充分嗎
- 05
要用圖表與業務語言解釋結果，並寫明置信範圍、假設與適用範圍；把統計結果說成確定結論會誤導業務決策。
判斷五：結論說明不確定性了嗎
- 06
遇到資料不可得或權屬不清、效能顯著下降、偏差或漂移超出預期以及合規邊界不明時，要暫停上線或高風險動作、複核事實、保留記錄，並按制度上報。
判斷六：異常與邊界處理了嗎
职业方向比较
資料科學家與相鄰的分析、統計與運籌方向怎麼比較？
下表把資料科學家與五個相鄰方向，按職業方向、核心工作與產出、關鍵區別和更適合什麼選擇四項對照；職業程式碼為 O*NET-SOC 口徑，同用程式碼或資料工具不代表職責、評價標準或資格可以互換。
| 職業方向 | 核心工作與產出 | 關鍵區別 | 更適合什麼選擇 |
|---|---|---|---|
| 商業智慧分析師 Business Intelligence Analysts（相鄰職業，15-2051.01） | 面向業務與運營建立指標體系與報表，支援日常經營決策。 | 區別是以指標體系與報表交付為核心、強調視覺化與業務口徑；本職業以從原始資料構建並驗證預測或解釋模型為核心，須承擔建模與驗證責任。 | 更適合願意圍繞指標與報表支援業務的人。 |
| 統計師 Statisticians（相鄰職業，15-2041.00） | 設計試驗與抽樣方案，做統計推斷並評估不確定性。 | 區別是以推斷方法與試驗設計為核心、強調統計理論與假設檢驗；本職業常面向工程化落地與預測目標，須兼顧程式碼實現與模型監測。 | 更適合以統計推斷與試驗設計為主要工作的人。 |
| 運籌學分析師 Operations Research Analysts（相鄰職業，15-2031.00） | 建立最佳化與決策模型，為資源分配與流程安排提供方案。 | 區別是以目標函式與約束條件下的最佳化為核心、面向決策建議；本職業更常處理預測與解釋任務，並與資料工程和上線流程銜接。 | 更適合願意做最佳化建模與決策分析的人。 |
| 計算機與資訊研究科學家 Computer and Information Research Scientists（相鄰職業，15-1221.00） | 研究並設計新的演算法、計算模型與系統方案。 | 區別是以演算法與系統研究、發表與原型驗證為核心；本職業以業務資料上的端到端分析與模型交付為核心，研究與發表不是必需產出。 | 更適合願意做演算法與系統研究的人。 |
| 數學家 Mathematicians（相鄰職業，15-2021.00） | 研究數學結構與理論方法，並應用到科學與工程問題。 | 區別是以數學理論的提出與證明為核心、通常要求更高學歷與研究訓練；本職業以資料與業務問題為物件、產出可落地的分析與模型。 | 更適合願意做數學理論研究的人。 |
| 生物統計學家 Biostatisticians（相鄰職業，15-2041.01） | 為生物醫學研究與臨床試驗設計統計方案並分析資料。 | 區別是物件為生物醫學終點與試驗規範、受領域法規約束；本職業面向的業務領域更廣，但同樣要承擔方法與驗證責任。 | 更適合願意在生物醫學領域做統計分析的人。 |
怎麼選
結論：這些方向都以定量方法處理資料，但物件（端到端的資料建模與預測、商業指標與報表、統計推斷與試驗設計、運籌最佳化與決策模型、演算法與系統研究、生物醫學統計）與是否以從原始資料構建並驗證模型為核心差異明顯；選擇時應以目標崗位的實際產出、方法與所在業務環節為準，而不是只看職業名稱。
下一步：用本頁的虛構練習或一次真實專案的復盤，核對目標方向的物件是端到端建模與預測、商業指標與報表、統計推斷與試驗設計、運籌最佳化、演算法與系統研究，還是生物醫學統計，再決定方向。
AI 對職業的影響
AI 與自動化會怎樣影響資料科學家？
生成式 AI 可以輔助草擬程式碼、欄位說明與彙報稿。人仍需核預測時點、資料來源、驗證集隔離和各組錯誤。預測就業增長不是工具的已測效果。
任務暴露
指某項任務在多大程度上可以由現有技術完成或輔助；它不說明僱主是否採用，也不說明編制或工資的變化。
組織採用
組織採用須用真實單位證據調查；系統投入/資料治理/團隊訓練為編輯核對條件，未核採用速度或通常慢於技術的因果。
崗位與收入結果
業務需求/資料投入/分工是需調查的編輯條件，未核每項因果貢獻；職業增長預測不是工具因果實驗。
任務影響矩陣
| 工作方向 | 任務 | 當前變化 | 人的控制點 |
|---|---|---|---|
| 資料處理 | 用統計軟體分析、處理或清洗大規模資料 | 編輯待驗證候選，非本頁實測提效/採用：自動化工具可加速清洗與統計。 | 判斷資料質量與口徑是否可用由人負責。 |
| 視覺化 | 建立圖表或其他視覺化以傳達分析結果 | 編輯待驗證候選，非本頁實測提效/採用：圖表工具可快速產出初稿。 | 選擇呈現方式與解釋含義由人負責。 |
| 模型驗證 | 測試、驗證並重新設計模型 | 編輯待驗證候選，非本頁實測提效/採用：平臺可自動跑交叉驗證與指標。 | 判斷驗證設計是否成立由人負責。 |
| 模型比較 | 用損失函式或解釋方差比例等指標比較模型 | 編輯待驗證候選，非本頁實測提效/採用：工具可批次計算效能指標。 | 結合業務目標選擇取捨由人負責。 |
| 特徵工程 | 應用特徵選擇演算法 | 編輯待驗證候選，非本頁實測提效/採用：自動化可排序特徵重要性。 | 判斷特徵可得性與洩漏風險由人負責。 |
| 結果溝通 | 向管理層或終端使用者報告建模與分析結果 | 編輯待驗證候選，非本頁實測提效/採用：報告工具可輔助生成材料。 | 說明不確定性並給出建議由人負責。 |
| 洞察判斷 | 識別關係與趨勢或影響研究結果的因素 | 編輯待驗證候選，非本頁實測提效/採用：探索工具可提示關聯與異常。 | 區分相關與因果、提出假設由人負責。 |
為什麼就業證據會得出不同結論？
下面逐條列出本頁使用的來源、它實際規範或統計的物件，以及使用限制。
O*NET熱門技術：2025資料科學招聘文本
檢視來源 ↗- 研究物件
- O*NET 對資料科學家（15-2051.00）的技術與熱門技術統計
- 主要結論
- 2025全年美國招聘文本55項：Python66/SQL51/R34/Tableau22/PowerBI19/AWS17/Azure13/TensorFlow11/PyTorch10/SAS9/Excel8/Snowflake8%，非實際使用/熟練度/GenAI率；不可按這些比例相加或推業務用途。
- 使用限制
- 技術關鍵詞是市場訊號，不衡量使用率、熟練度或崗位替代。
ILO：Generative AI and Jobs—Refined Global Index（摘要）
檢視來源 ↗- 研究物件
- ILO 對生成式 AI 與職業任務暴露的全球度量研究
- 主要結論
- 按任務度量生成式 AI 與工作任務的接近程度，而不是做崗位替代預測。
- 使用限制
- 研究本輪所讀摘要未核本職業匹配分數、採用率或替代日期；其任務暴露框架不能解釋為崗位流失機率。
O*NET詳細檔案：15-2051.00資料科學家
檢視來源 ↗- 研究物件
- O*NET 對資料科學家（15-2051.00）的任務、工作活動與工作情境調查
- 主要結論
- 列出用統計軟體分析與清洗大規模資料、建立視覺化、測試驗證並重新設計模型、比較模型效能指標、應用特徵選擇演算法、報告建模與分析結果、識別關係趨勢與影響因素等任務及工作情境百分比（含 40% 準確精確極其重要、65% 競爭程度高度競爭、52% 至少每週一次、但並非每天面對時間壓力、56% 決策自由為「有一些」）。
- 使用限制
- 屬於任務與情境檔案，不含技術採用或崗位替代資料。
BLS表1.2：2025—2035資料科學家預測
檢視來源 ↗- 研究物件
- BLS 職業展望手冊與 O*NET 就業趨勢（本細類口徑）
- 主要結論
- BLS自身15-2051：2025約275600→2035約371000、淨增95400/+34.6%，年均24800空缺含增長與替換，自僱1.9%。OOH35%是同預測取整；O*NET Muchfaster7%及以上為分類，當前已列2025—2035，非個人錄用率或AI因果份額。
- 使用限制
- 屬於職業總體統計，不含工具採納的因果資料，也不預測替代時點。
NIST AI RMF Core：GOVERN 3.2等
檢視來源 ↗- 研究物件
- NIST AI 風險管理框架（AI RMF 1.0）
- 主要結論
- NIST自願建議明確系統角色、記錄與人工監督，不把建議寫為所有職業法定義務。
- 使用限制
- 屬於治理框架，不規定分析與建模方法、資料安全操作細則與合規要求，也不測定本職業的自動化程度。
不同工作方向受到的影響為什麼不同？
下面把任務分成三類：更容易被工具改變的部分、仍由人承擔判斷與責任的部分，以及需要同時核對兩邊的部分。
程式碼與原型生成
AI 主要改變編輯待驗證候選：生成型助手可承擔部分樣板程式碼、函式草稿與模型原型。
仍由人負責確認方法正確、資料可用與結果可上線由人負責。
特徵探索與文件整理
AI 主要改變編輯待驗證候選：自動化工具可加速特徵統計、實驗記錄與文件整理。
仍由人負責判斷特徵是否合理、是否存在洩漏由人負責。
報表與視覺化草稿
AI 主要改變編輯待驗證候選：圖表與儀表盤工具可快速產出初稿與自動重新整理。
仍由人負責解釋結果、說明不確定性並對外溝通由人負責。
AI 進入專業流程後，責任鏈不能斷
引入工具時責任不能隨系統一起轉移；下面是本職業可執行的人工控制步驟。
- 確認資料與授權口徑
核對資料來源、欄位語義、取樣口徑與使用授權，以及生成結果所用資料是否在授權範圍內；輸入口徑或許可權不清會讓結論與合規同時失效。
- 保留人工複核點
對方法選擇、目標洩漏與資料洩漏排查、偏差評估以及是否可上線保留人工複核，不以自動生成或平臺預設指標替代驗證。
- 記錄與留痕
編輯建議保留資料/程式碼版本、評估和決策依據；PIPL55觸發事前影響評估的場景，56評估報告/處理記錄至少3年，非所有模型/全部原始資料統一儲存3年。
- 異常處置與升級
發現效能顯著下降、漂移超預期、偏差異常或工具輸出與業務口徑不符時暫停上線或高風險動作、複核並按制度上報。
- 培訓與授權
中國處理可識別個人資訊應核PIPL13合法依據（非一律同意）、6最小必要與51合理許可權/定期安全教育；單位賬號不代法律依據。利用個人資訊自動化決策另適用24透明公平/相應個人權利與55事前影響評估、56報告和記錄至少3年，不對所有資料科學模型一概套用。
使用 AI 的專業風險
過度信任自動生成結果
生成型助手給出的程式碼、特徵或結論看似完整，但可能基於錯誤假設或不適用於當前資料分佈。
控制方式：把生成結果當作待驗證的草稿，按標準流程複核方法與資料假設，關鍵結論須經獨立驗證並留痕。
資料與目標洩漏
建模時使用預測時不可得的資訊，包括由目標派生且預測時不可得的欄位，或讓測試資料參與模型選擇/反覆調參，可能使效能評估過於樂觀，新資料或上線表現不及評估；相關特徵本身不等於洩漏，不能據示例斷言所有模型無法泛化或統一下降幅度。
控制方式：方法建議：預測時不可得資訊不能進入訓練；先劃分資料，預處理/特徵選擇只在訓練集擬合，測試不用於選模型；交叉驗證可用Pipeline。時間/分組切分按資料依賴另核，不一律隨機切分。
樣本偏差與不公平
訓練資料不能代表目標人群時，模型可能系統性高估或低估某些群體，在金融、醫療與人力場景造成實質傷害。
控制方式：中國處理可識別個人資訊應核PIPL13合法依據（非一律同意）、6最小必要與51合理許可權/定期安全教育；單位賬號不代法律依據。利用個人資訊自動化決策另適用24透明公平/相應個人權利與55事前影響評估、56報告和記錄至少3年，不對所有資料科學模型一概套用。編輯建議做分組誤差/適用範圍檢查，模型評分非一概屬於法定自動化決策。
概念漂移與不可復現
業務環境變化可能令模型效能變化，未核每個模型必然下降；缺少版本/隨機狀態/流程記錄可妨礙復現，記錄也不保證外部環境不變。
控制方式：編輯建議核效能變化及適用範圍，記錄版本、隨機狀態與評估流程；是否再訓練按真實問題驗證，不能承諾記錄後必然可復現。
資料許可權與合規邊界
使用未授權或來源不明的資料、或把受限資料匯出到外部工具，會帶來合規與信任風險。
控制方式：按單位資訊管理制度與資料安全、個人資訊保護要求操作，在授權範圍內處理並保留記錄，涉及行業監管的按內部流程審批。
不同人群應該如何應對？
準備進入這個職業的人
先把資料清洗、驗證與復現的基本功打牢，再學生成型助手與平臺工具，並養成記錄資料與程式碼版本、主動證偽自己模型的工作習慣。
在職資料科學家
把工具輸出當作待驗證的草稿，保留對方法選擇、洩漏與偏差排查以及結論不確定性的獨立判斷。
用人單位與團隊管理
明確工具使用與人工複核點、資料授權與留痕要求、偏差與漂移監測責任以及上線審批路徑，把資料治理寫進流程。
培訓提供者
在培訓裡同時訓練統計與建模方法、工程實現與復現，以及人機分工下的驗證、責任與合規意識。
關於 AI 與職業發展的常見問題
資料科學家的官方任務檔案裡有哪些任務？
O*NET 為資料科學家（15-2051.00）列出：用統計軟體分析、處理或清洗大規模資料；建立圖表或其他視覺化以傳達分析結果；測試、驗證並重新設計模型以確保預測準確；向管理層或其他終端使用者報告建模與分析結果；向關鍵利益相關方提出資料驅動的解決方案建議；識別可通過資料分析解決的管理目標；用損失函式或解釋方差比例等指標比較模型；應用特徵選擇演算法；識別關係、趨勢或影響研究結果的因素；用程式語言編寫新函式或應用開展分析；閱讀科學文章與會議論文以識別新興分析趨勢與技術；訪談利益相關方以確定待分析的問題；並設計調查或其他資料採集工具等。
來源：O*NET詳細檔案：15-2051.00資料科學家原始資料 ↗
這個職業場景中常提到的技術是什麼？
O*NET 熱門技術檔案列出僱主招聘中出現的軟體與技術關鍵詞及其出現率：Python（66%）、Structured query language SQL（51%）、R（34%）、Tableau（22%）、Microsoft Power BI（19%）、Amazon Web Services AWS（17%）、Microsoft Azure（13%）、TensorFlow（11%）、PyTorch（10%）、SAS（9%）、Microsoft Excel（8%）與 Snowflake（8%）等；這屬於招聘與本職業場景的市場訊號，不代表使用率或熟練度。
來源：O*NET熱門技術：2025資料科學招聘文本原始資料 ↗
工作情境統計能說明 AI 會替代這個職業嗎？
不能。O*NET 的工作情境百分比描述任務與環境條件（如坐姿與用眼、準確性的重要程度、決策自由度、時間壓力、競爭程度與協作頻率），不含技術採用、編制數量或個人收入的變化資料。
來源：O*NET詳細檔案：15-2051.00資料科學家原始資料 ↗
生成式 AI 會直接讓這個職業崗位減少嗎？
本輪無職業提效、僱主GenAI採用或編制/工資因果；工具候選不等於已加速，ILO暴露也不推出裁員機率。
來源：O*NET詳細檔案：15-2051.00資料科學家原始資料 ↗
官方預測怎樣描述這個職業的就業？
BLS自身15-2051：2025約275600→2035約371000、淨增95400/+34.6%，年均24800空缺含增長與替換，自僱1.9%。OOH35%是同預測取整；O*NET Muchfaster7%及以上為分類，當前已列2025—2035，非個人錄用率或AI因果份額。
來源：BLS表1.2：2025—2035資料科學家預測原始資料 ↗
任務暴露研究能預測這個職業崗位消失嗎？
不能。任務暴露度量說明任務與技術的接近程度，不給出替代日期或單職業預測；ILO 的任務暴露框架不能解釋為崗位流失機率。
來源：ILO：Generative AI and Jobs—Refined Global Index（摘要）原始資料 ↗
引入 AI 工具時哪些治理要求不可省略？
中國處理可識別個人資訊應核PIPL13合法依據（非一律同意）、6最小必要與51合理許可權/定期安全教育；單位賬號不代法律依據。利用個人資訊自動化決策另適用24透明公平/相應個人權利與55事前影響評估、56報告和記錄至少3年，不對所有資料科學模型一概套用。NIST治理為自願建議；編輯建議保留方法複核與版本記錄，真實行業規則另核。
來源：NIST AI RMF Core：GOVERN 3.2等原始資料 ↗
下一步：把上面三類任務變化與具體分析場景逐項核對——哪些環節已經由生成型助手、平臺與自動化流水線承擔，哪些仍需人的判斷與責任，以及誰對資料授權、驗證充分性與模型上線負責。
中國大陸薪資參考
中國大陸資料分析與建模崗位的公開口徑與缺口
美國程式碼O*NET-SOC15-2051.00；本輪未取得可與之直接比較的中國職業級工資口徑，不由檢索缺口斷言全國未建立。
官方統計口徑與缺失說明
大陸分類按任務對照，不直接對映美國程式碼；兩則公告見入行模組。
中國大陸（全國職業級口徑）
本頁未查到可與美國 15-2051 對應的大陸全國工資分佈。下面兩則公告說明崗位與報酬口徑，行業均值另作背景。
行業背景（不是職業工資）
2025 年：非私營 248,752 元、私營 128,166 元，均為年均稅前。 涵蓋該行業多種工作；不能據此推算資料科學家工資。
兩個招聘樣本（不能換算月薪）
兩則公告只能說明各自要求。沒有可比的全國職業工資分佈：北大面議；川大就業網樣本列 8000–12000，未說明週期或分開列全職與實習。
不同學歷與專業背景對應哪些資料與建模崗位方向？
大陸資料：兩則招聘、數字職業清單及 2025 年行業工資。
| 學歷與專業背景 | 崗位方向 | 說明與核對建議 |
|---|---|---|
| 本科（數學、統計、計算機或相關專業） | 編輯準備/發展核對例，非學歷自動對應崗位 | 北大公共衛生學院 2026 年 10 月招 1 名合同制資料科學家，負責醫療資料治理、特徵、建模及驗證。要求相關碩士及以上，熟悉 SQL、Spark/Hive；兩年及以上資料處理、分析或建模經驗優先。首聘兩年，第三方派遣，薪酬面議。 |
| 碩士（統計、計算機或相關方向） | 編輯準備/發展核對例，非學歷自動對應崗位 | 四川大學就業網的企業原公告列醫學資料統計儲備崗，碩士，負責病例資料清洗、建模和報告。頁面把全職與實習合列，“薪資”欄寫 8000–12000，未說明計薪週期，也未分列兩類用工；不能當作已核月薪。 公告頁面列有效期至 2026 年 11 月 29 日；實際是否仍有空缺向用人單位核對。 |
| 博士或研究方向（統計、機器學習等） | 編輯準備/發展核對例，非學歷自動對應崗位 | 中國處理可識別個人資訊應核PIPL13合法依據（非一律同意）、6最小必要與51合理許可權/定期安全教育；單位賬號不代法律依據。利用個人資訊自動化決策另適用24透明公平/相應個人權利與55事前影響評估、56報告和記錄至少3年，不對所有資料科學模型一概套用。博士不自動賦研究崗或合規任命。 |
| 完整專案經驗＋跨部門協作能力 | 編輯準備/發展核對例，非學歷自動對應崗位 | 編輯發展例：模型/團隊負責人應核實際職責任命、經驗與人員預算許可權，專案經歷不自動賦管理權；未核統一招聘條件。 |
比較報價前，先把正式員工、派遣、實習和專案合同分開，再確認金額週期、固定和浮動部分。
資料與建模工作怎樣按業務週期與上線節點安排？
網際網路與軟體
北大公告薪酬面議；四川大學就業網樣本未說明數字的計薪週期。向具體單位分別問合同主體、基本工資、獎金、股權和工時。
金融與保險
用工核對要點：崗位名稱（資料分析、演算法、建模等）與實際職責差異較大，職級、績效與股權結構也會顯著影響收入，資訊傳輸、軟體和資訊科技服務業等行業均值不能當作本職業工資，須按具體崗位與現行規定核對。
專業服務與製造
編輯工作安排核對：交付、上線/監測、複核分工與加班報酬按真實崗位調查，未核中國統一業務季節或每模型都需再訓練。
AI 或自動化會影響這個職業的工資嗎？
本輪無中國職業工資或工具因果資料；行業工資只能作實際匹配背景，不能由統計釋出方式斷言工具變化永遠不能取得職業工資數字。
美國薪資參考
美國資料科學家的工資與就業怎麼看？
美國統計口徑：本頁的工資為 O*NET／OEWS 上 15-2051.00（Data Scientists）本細類自身口徑釋出的數值；該職業全國工資頁 2025 年 5 月工資資料同時公佈年度與小時分位（年度分位 67,240／85,660／120,230／158,880／199,130 美元，中位時薪 57.80 美元）；分位是該口徑下全國工資分佈的統計位置，不能當作個人報價或個人到手收入；就業規模與預測為 BLS 職業展望手冊口徑（2025—2035 年預測期）。
年度工資分位與小時口徑
| 工資位置 | 工資參考（年薪） | 收入口徑邊界 | 怎樣理解這個位置 |
|---|---|---|---|
| 較低工資位置（第 10 分位） | 67240美元/年；32.33美元/時（2025第10分位，非起薪） | 分佈低端統計位置，非個人起薪、到手收入或總報酬；OEWS包含規定的激勵報酬和生產獎金，排除非生產獎金等，不能一概說不含獎金。 | 全國分位不是資歷或行業/管理職責分組，本頁未核因素貢獻；不能把高分段一一配特定機構/行業。 |
| 中位工資位置 | 120230美元/年；57.80美元/時（2025中位數） | 不等於個人到手收入 | 中位數表示分佈的中點位置：該口徑下一半從業者低於、一半高於該值；它不是平均起薪，也不表示入職即可達到。 |
| 較高工資位置（第 90 分位） | 199130美元/年；95.74美元/時（2025第90分位，非資歷線） | 分佈高階統計位置，不表示入職即可達到 | OEWS為非農僱員直時稅前工資，排除自僱；包含激勵佣金/生產獎金等，排除加班溢價/班次差額/非生產獎金等，不能一概稱不含獎金績效。股權與個人實際所得須查合同/稅費，未取得個人稅後推算依據。 |
薪資 · 年薪 10 分位：67240美元/年；32.33美元/時（2025第10分位，非起薪）；2025全國自身OEWS工資/2025—2035自身就業按指標分開；分位非起薪或因素因果，預測含替換不代個人機會，OEWS排除自僱而就業含自僱。
薪資 · 年薪 25 分位：85,660美元/年（第 25 分位，2025 年 5 月工資資料）；第 25 百分位表示約四分之一從業者年度工資低於該值，屬於統計位置，不表示技能等級；O*NET 全國工資：15-2051.00（2025 年 5 月工資資料，本細類口徑）
薪資 · 年薪中位數：120230美元/年；57.80美元/時（2025中位數）；2025全國自身OEWS工資/2025—2035自身就業按指標分開；分位非起薪或因素因果，預測含替換不代個人機會，OEWS排除自僱而就業含自僱。
薪資 · 年薪 75 分位：158,880美元/年（第 75 分位，2025 年 5 月工資資料）；第 75 百分位是分佈上四分之一的位置，來源為同一統計期；不能據此推斷經驗年限或崗位型別；O*NET 全國工資：15-2051.00（2025 年 5 月工資資料，本細類口徑）
薪資 · 年薪 90 分位：199130美元/年；95.74美元/時（2025第90分位，非資歷線）；2025全國自身OEWS工資/2025—2035自身就業按指標分開；分位非起薪或因素因果，預測含替換不代個人機會，OEWS排除自僱而就業含自僱。
讀這些數字時要問的問題
美國工資資料的來源與期間是什麼？
本輪未做州/地區工資查詢，不稱地域資料不存在；全國年/時官方值、OEWS覆蓋與2025—2035就業各保留，不能推中國或個人工資。
行業分佈能代表我的收入嗎？
O*NET2025四寬門類25/19/12/10，其餘34為編輯差額；OOH釋出廣播內容12/保險10/計算機系統設計10/企業管理10/信貸中介6為另一細分層級，不能混加或稱O*NET五官方門類。
分位數應該怎樣理解？
全國分位是統計位置，本輪未拆行業/地區/資歷/職責貢獻，不把它們寫為已證實差額原因或個人報價。
地區工資資料能否當作我的報價？
BLS自身15-2051：2025約275600→2035約371000、淨增95400/+34.6%，年均24800空缺含增長與替換，自僱1.9%。OOH35%是同預測取整；O*NET Muchfaster7%及以上為分類，當前已列2025—2035，非個人錄用率或AI因果份額。
這個職業分佈在哪些行業？
| 行業 | 行業就業佔比／統計狀態 | 怎麼理解 |
|---|---|---|
| 專業、科學與技術服務 | 專業科學技術｜25%（2025就業佔比） | 2025自身專業科學技術25%為寬行業就業佔比；不推工資/具體業務佔比或對映中國行業。 |
| 金融與保險 | 金融保險｜19%（2025就業佔比） | 2025自身金融保險19%為寬行業就業佔比；不推工資/具體業務佔比或對映中國行業。 |
| 資訊業 | 資訊｜12%（2025就業佔比） | 2025自身資訊12%為寬行業就業佔比；不推工資/具體業務佔比或對映中國行業。 |
| 行業分佈口徑 | 企業管理10%；其餘34%為編輯差額，非官方第五門類 | 企業管理10%為官方第四門類；剩餘34%=100−25−19−12−10僅編輯差額，不是官方其他門類或自僱。BLS自僱另為1.9%，不能混加。 |
什麼因素會讓同類崗位的收入不同？
可獲得的有薪工作
編輯薪酬核對項：合同、實際職責、付薪工時/獎金/股權與地區；本輪未核因素貢獻或外包/靈活崗位份額，OEWS工資不代個人所得。
任務範圍與計酬口徑
同一職業名下的職責差異不小：只做建模與調參的崗位與同時承擔資料治理、模型上線、監測與管理職責的崗位，對方法與責任的要求不同，對應不同的技能與工作強度。
工作場所與生活安排
編輯薪酬核對項：合同、實際職責、付薪工時/獎金/股權與地區；本輪未核因素貢獻或外包/靈活崗位份額，OEWS工資不代個人所得。
就業預測怎樣讀？
2025 就業 · 基期人數
約275600人（2025基期）2025全國自身OEWS工資/2025—2035自身就業按指標分開；分位非起薪或因素因果，預測含替換不代個人機會，OEWS排除自僱而就業含自僱。
2025—2035 就業 · 增長預測
增長34.6%；淨增約95400（2025—2035，OOH35%取整）2025全國自身OEWS工資/2025—2035自身就業按指標分開；分位非起薪或因素因果，預測含替換不代個人機會，OEWS排除自僱而就業含自僱。
2025—2035 就業 · 年均空缺
年均約24800空缺（2025—2035，含增長與替換）2025全國自身OEWS工資/2025—2035自身就業按指標分開；分位非起薪或因素因果，預測含替換不代個人機會，OEWS排除自僱而就業含自僱。
職業適配指南
你的工作偏好與資料科學家匹配嗎？
編輯自我觀察：資料/質量核對、驗證與反證、說明不確定性及業務溝通的體驗；未核清洗比建模時間多或某偏好必然更適配。與自己的可承受範圍逐項對照。
值得進一步體驗： 編輯自我觀察：是否願意核數據與方法、學習並接受反證、說明不確定性；21風格Impact細節100/好奇100/創新81/盡責79非百分比或這類人格成功率。
先核對現實條件： 先核對真實工作形態：清洗與驗證投入的時間比例、與業務方溝通的頻率、專案交付與上線視窗的節奏、資料授權與合規約束，以及是否接受結論不確定性被反覆挑戰。
先做一次小體驗： 先做 DS-04：讀欄位可用時間、算錯誤率，再寫上線建議。復盤你更願反覆做的是核字段、驗證結果還是解釋限制。
不要用一個測試替你決定職業
職業興趣（RIASEC）
官方來源：O*NET OnLine 15-2051.00 興趣程式碼（2026 年更新）我的興趣型別與資料科學接近嗎？
O*NET 為資料科學家（15-2051.00）公示的興趣程式碼是 IC：研究型對應研究與分析資料、用統計與數學方法探索規律，常規型對應按程式與規則組織資訊與資料。把程式碼當作活動型別線索，不要當作人格標籤。
- 願意用統計與數學方法分析與解釋資料。
- 願意按規範流程清洗、驗證並記錄結果。
別這樣用：興趣程式碼只說明活動型別，不預測工作表現，也不構成錄用標準。
做霍蘭德職業興趣測試大五特質（OCEAN）
通用工具：大五量表描述特質傾向，無官方職業匹配閾值我的性格特質對資料科學有幫助嗎？
編輯自我觀察：是否按流程記錄、願意持續學習；O*NET工作風格不是大五研究，本輪未核盡責/開放在此職業關係最直接或職業匹配閾值。
- 能按流程核對資料並保持自律。
- 願意持續學習新方法與新工具。
別這樣用：特質描述不診斷人格，也不預測能否勝任某個具體崗位。
做大五人格測試人格偏好（MBTI 類）
通用工具：型別偏好描述，非職業適配測評MBTI 能說明我適合做建模還是做業務溝通嗎？
MBTI 類工具描述偏好，不是職業分配工具；建模與業務溝通的差異主要在工作形式（以方法與實驗為主，還是以需求澄清與結果溝通為主），而不是偏好型別。請用實際體驗核對。
- 編輯自我觀察：是否願意獨立鑽研方法並持續驗證；不由MBTI偏好預測適配。
- 編輯自我觀察：是否願意澄清需求和解釋結果；不由MBTI偏好推職業分配。
別這樣用：不得用型別結果作為錄用、分配或晉升依據。
做 MBTI 偏好測試動機線索（九型類）
通用工具：動機描述，非職業適配測評九型能幫我理解自己為什麼想做資料科學嗎？
九型類描述動機線索：想用資料解釋現實問題、想通過技術解決業務難題、或想進入某個行業積累領域理解，對應的選擇不同。把它當作提問工具，不當作崗位結論。
- 能說清自己想通過這份工作獲得什麼。
- 願意用實際專案反饋檢驗動機是否成立。
別這樣用：不把動機描述當成職業選擇結論或用人依據。
做九型人格測試認知與操作能力
通用工具：認知表現描述，無官方職業門檻這個職業對認知與操作能力有什麼要求？
O*NET JobZone4/SVP7至低於8；受訪者對新僱員所需學歷意見為48%學士、44%碩士、4%副學士，非員工構成或法律。BLS典型學士/無相關經驗/無在崗訓練類別不等於無需準備；OOH部分僱主需/偏好碩博或行業經驗，不代中國錄用/IQ線。統計/建模/溝通實際表現須觀察，不用學歷/JobZone推出IQ錄用線。
- 能理解統計方法與建模假設並據此作出判斷。
- 能按流程完成程式碼實現、驗證與結果記錄。
別這樣用：認知測試結果不作為錄用標準，也不代替實際訓練與專案表現。
做矩陣推理測試溝通與情緒管理
通用工具：溝通與情緒描述，非崗位門檻需要很強的溝通與情緒管理能力嗎？
美國受訪96%每日郵件、43%每日面對面/48%每週及以上但非每日面對面、35%團隊協作非常重要、56%約半時間接觸；頻率並非情緒能力或中國統一協作制度，編輯建議觀察解釋結果與溝通的體驗。
- 能清楚說明方法、結果與不確定性。
- 能在結論被質疑與競爭壓力下保持專業並堅持驗證原則。
別這樣用：不以溝通風格判斷錄用或分配，也不把情緒描述當作健康結論。
做情緒能力測試你更可能適合哪條資料科學家工作方向？
資料建模與驗證方向
更匹配：以資料清洗、特徵工程、模型建立與比較、驗證與誤差分析為主要工作；此處為可觀察職責，不由意願推勝任，具體崗位與協作責任另核。
注意：受資料可得性與質量約束；需在結論反覆被挑戰時保持驗證原則。
分析解釋與業務溝通方向
更匹配：以需求澄清、結果視覺化與解釋、面向業務的建議與協作為主要工作；此處為可觀察職責，不由意願推勝任，具體崗位與協作責任另核。
注意：受業務週期與跨部門溝通約束；需在需求頻繁變化時保持結論可追溯。
商業智慧分析師（相鄰職業）
更匹配：面向業務與運營建立指標體系與報表，支援日常經營決策。
注意：15-2051.01為同SOC下另一O*NET細類，職責可交疊；編輯核對業務指標/報表/測試要求，不保證自動轉崗或獨立細類工資。
檢視相關職業：商業智慧分析師职业详情暂不可用
統計師（相鄰職業）
更匹配：設計試驗與抽樣方案，做統計推斷並評估不確定性。
注意：以推斷方法與試驗設計為核心，轉入需補足統計理論與試驗設計能力。
檢視相關職業：統計師职业详情暂不可用
運籌學分析師（相鄰職業）
更匹配：建立最佳化與決策模型，為資源分配與流程安排提供方案。
注意：以最佳化建模與決策分析為核心，轉入需補足運籌方法與目標函式建模能力。
檢視相關職業：運籌學分析師职业详情暂不可用
計算機與資訊研究科學家（相鄰職業）
更匹配：研究並設計新的演算法、計算模型與系統方案。
注意：目標職責涉及計算問題、技術方案和系統研究等；編輯核對所需研究、演算法與原型驗證訓練，具體學歷與準備時長按目標單位要求另核，不給統一較長判斷。
檢視相關職業：計算機與資訊研究科學家职业详情暂不可用
職業適配常見問題
你能接受資料清洗和驗證作為核心任務，並核對目標崗位的實際時間安排嗎？
清洗/驗證是核心任務；本輪未核時間佔比，不稱人人大量時間主要不做建模。
你能接受模型結果被業務或合規否掉嗎？
編輯復盤建議：記錄業務口徑、新資料或評審反饋引起的結論變化，核對驗證依據、修改過程與後續結果；個人如何理解反饋可用於討論體驗，不能作為持續改進的必要條件。
結論被質疑或方法被推翻，會讓你放棄驗證原則嗎？
O*NET 顯示該職業 40% 表示準確精確極其重要、65% 表示競爭程度「高度競爭」；堅持驗證與復現比追求一時的高分模型更穩妥。
你更願意專注建模與方法還是做業務溝通與落地？
建模與方法更看重統計與工程細節，業務溝通更看重需求理解與解釋能力：先看清目標方向再決定。
你願意在頻繁書面溝通與跨部門協作下工作嗎？
美國受訪96%每日郵件、43%每日面對面/48%每週及以上但非每日面對面、35%團隊協作非常重要、56%約半時間接觸；頻率並非情緒能力或中國統一協作制度，編輯建議觀察解釋結果與溝通的體驗。
你能適應長時間坐姿與高強度認知投入嗎？
O*NET 顯示該職業 76% 表示持續或幾乎持續坐著工作、91% 表示每天在環境可控的室內工作、44% 表示持續或幾乎持續用手操作或控制工具；對長時間螢幕作業有顧慮的人應優先核對工位與工作方式安排。
你能適應按專案週期與上線視窗推進的節奏嗎？
美國受訪52%每週及以上但非每日時間壓力、63%典型40小時/38%超40小時（取整）；實際週期/上線監測與工時按崗位核，不證明人人再訓練或中國統一忙季。
你願意持續記錄、復現並在復盤裡調整嗎？
編輯建議記錄版本與驗證假設並復盤實際反饋；本輪未核這類記錄比測試分數更能預測適配的比較效度。
興趣或人格測試能決定我適合做資料科學家嗎？
不能。測試描述偏好線索，不預測工作表現，也不構成錄用、資格或能力判斷；真正的判斷來自實際專案中的分析與復盤、帶教反饋與業務方評價。
下一步應該怎麼做？
用本頁虛構練習或一次真實專案的復盤來核對真實條件，並把觀察結果與目標方向的物件、方法要求與合規邊界逐項對照。
工作壓力、風險與職業邊界
資料科學家有哪些實際工作風險？
風險集中在三類：資料與目標洩漏、樣本偏差、概念漂移與不可復現等技術風險，越權使用資料、把受限資料帶出環境以及忽略行業監管要求帶來的合規風險，以及結論不確定性溝通不足導致模型被誤用於高影響決策的風險；此外還有結論被質疑與競爭帶來的壓力、以及工具與組織分工變化帶來的崗位職責變化風險。
美國任務情境、scikit-learn方法建議、PIPL適用法律與NIST自願治理分開；風險場景為編輯例，不是事故/傷害率或所有中國僱主已核制度。
資料洩漏與目標洩漏
典型場景：方法風險例：預測時不可得資訊用於訓練、測試用於選模型或預處理擬合，可讓效能評估過於樂觀；不是實測職業事故率。
主要崗位：需要從歷史資料構建預測模型的崗位
可能後果：洩漏可能使評估過於樂觀，新資料或上線表現不及評估；具體下降幅度及個人模型上線結果未核，不能據文件示例推必然大幅下降。
降低風險：方法建議：先劃分，預處理/特徵選擇只在訓練集擬合，測試不用於選模型；Pipeline可用於交叉驗證，時間/分組依賴需另核，發現洩漏需重新驗證。
依據：scikit-learn開發者：洩漏與復現建議
樣本偏差與不公平
典型場景：訓練資料不能代表目標人群時，模型可能系統性高估或低估某些群體，在高影響場景造成實質傷害並引發合規問題。
主要崗位：面向人群做預測或評分的崗位（金融、人力、醫療等）
可能後果：偏差會造成不公平結果與合規風險。
降低風險：中國處理可識別個人資訊應核PIPL13合法依據（非一律同意）、6最小必要與51合理許可權/定期安全教育；單位賬號不代法律依據。利用個人資訊自動化決策另適用24透明公平/相應個人權利與55事前影響評估、56報告和記錄至少3年，不對所有資料科學模型一概套用。編輯建議核分組誤差和適用範圍；PIPL個人資訊自動化決策非所有分析模型。
依據：個人資訊保護法：資料使用與自動化決策 · NIST AI RMF Core：GOVERN 3.2等
概念漂移與不可復現
典型場景：編輯風險例：環境變化可能影響效能，版本/隨機狀態記錄不足可能妨礙復現；不稱所有模型效能必然下降。
主要崗位：模型上線後需持續執行的崗位
可能後果：可能妨礙發現效能變化與定位問題，未核職業事故率，也未實施本頁監測實驗。
降低風險：編輯建議核數據/程式碼版本、隨機狀態與評估設計，觀察分佈/效能變化；變化不必然令每模型下降，記錄不保證全部結果可復現，再訓練須驗證。
依據：scikit-learn開發者：洩漏與復現建議 · NIST AI RMF Core：GOVERN 3.2等
資料許可權與合規邊界
典型場景：中國處理可識別個人資訊應核PIPL13合法依據（非一律同意）、6最小必要與51合理許可權/定期安全教育；單位賬號不代法律依據。利用個人資訊自動化決策另適用24透明公平/相應個人權利與55事前影響評估、56報告和記錄至少3年，不對所有資料科學模型一概套用。
主要崗位：接觸個人資訊與受限資料的崗位
可能後果：越權或外洩會造成合規風險與信任損失。
降低風險：中國處理可識別個人資訊應核PIPL13合法依據（非一律同意）、6最小必要與51合理許可權/定期安全教育；單位賬號不代法律依據。利用個人資訊自動化決策另適用24透明公平/相應個人權利與55事前影響評估、56報告和記錄至少3年，不對所有資料科學模型一概套用。行業/敏感資訊/跨境配套本輪未全核，單位制度不能取代法律依據。
依據：個人資訊保護法：資料使用與自動化決策
過度信任自動生成結果
典型場景：生成型助手給出的程式碼、特徵或結論看似完整，但可能基於錯誤假設、過時方法或不適用於當前資料分佈；直接採用會繞過驗證並放大方法錯誤。
主要崗位：使用生成型助手與自動化流水線的崗位
可能後果：未經驗證的生成結果會把方法錯誤帶入交付。
降低風險：把生成結果當作待驗證草稿，按標準流程複核方法與資料假設，關鍵結論須經獨立驗證並留痕，涉及上線或高影響決策的須經審批。
依據：NIST AI RMF Core：GOVERN 3.2等
結論被誤用與不確定性溝通不足
典型場景：編輯風險例：把關聯當因果、省略適用條件可能誤導決策。美國52%每週及以上但非每日時間壓力與56%Somefreedom不證明趕工導致誤用的職業因果。
主要崗位：需要向業務方解釋模型結果的崗位
可能後果：結論誤用會造成業務損失與信任損害。
降低風險：在交付中寫明假設、適用條件與不確定性，對高影響用途明確限制與需人工複核的環節，必要時提供反例與失效場景說明。
依據：NIST AI RMF Core：GOVERN 3.2等 · O*NET詳細檔案：15-2051.00資料科學家
入行、證書與職業發展
資料科學家怎樣入行與進階？
編輯路線例：資料/問題核對→模型驗證與解釋→崗位需要時上線/監測；不是全國統一晉級或比證書必然更有效。O*NET JobZone4/SVP7至低於8；受訪者對新僱員所需學歷意見為48%學士、44%碩士、4%副學士，非員工構成或法律。BLS典型學士/無相關經驗/無在崗訓練類別不等於無需準備；OOH部分僱主需/偏好碩博或行業經驗，不代中國錄用/IQ線。
入行時的準備與核對
招聘样本与使用边界
常見入門崗位與工作方向
| 入門崗位 | 入職初期主要做什麼 | 編輯建議觀察證據（未核僱主統一標準） | 沒經驗如何證明 | 與其他方向的區別 |
|---|---|---|---|---|
| 分析支援崗 | 在帶教下完成資料清洗、指標統計與基礎分析，按規範處理資料。 | 資料質量意識、按規範操作、請示與記錄習慣。 | 一份虛構的資料說明與質量核查清單。 | 偏受監督的資料處理與分析支援，不獨立承擔建模與驗證責任。 |
| 資料科學崗 | 獨立完成從問題澄清、資料準備到建模與驗證的分析。 | 方法適當性、驗證充分性、結論與不確定性表述。 | 一份虛構的基線模型、驗證與誤差分析記錄。 | 對方法與驗證可靠性負責，須按複核規則執行並留痕。 |
| 業務資料分析崗 | 獨立澄清需求、構建分析並面向業務解釋結果與限制。 | 需求轉譯能力、口徑一致性、溝通效果。 | 一份虛構的需求澄清與結論說明樣本。 | 側重業務解釋與溝通，模型複雜度的要求通常低於建模崗。 |
| 資料工程師崗 | 獨立建設與維護資料管道、特徵儲存與資料質量監控。 | 工程實現能力、資料可追溯性與質量監控。 | 一份虛構的管道設計與質量監控記錄。 | 重心在資料基礎設施與工程質量，分析結論由分析崗負責。 |
| 商業智慧分析師（相鄰方向） | 面向業務與運營建立指標體系與報表，支援日常經營決策。 | 指標口徑設計、報表交付與業務理解。 | 一份虛構的指標體系與報表說明。 | 商業智慧15-2051.01為另一O*NET細類，查詢/報表/趨勢和系統測試可與資料科學交疊，不能稱不承擔預測模型驗證。 |
僱主通常會核對什麼
學歷與訓練要求
O*NET JobZone4/SVP7至低於8；受訪者對新僱員所需學歷意見為48%學士、44%碩士、4%副學士，非員工構成或法律。BLS典型學士/無相關經驗/無在崗訓練類別不等於無需準備；OOH部分僱主需/偏好碩博或行業經驗，不代中國錄用/IQ線。
O*NET 摘要頁顯示準備層級為 Job Zone Four；美國口徑與中國大陸該類崗位的錄用與訓練要求不可直接等同。
體力與作業環境適應
美國坐姿與情境不是中國統一健康/工時門檻；實際工位及可承受要求按崗位核。
本頁未取得中國大陸統一的公開條件，須按目標單位當年要求核對；本頁不構成健康或錄用建議。
可觀察的專業能力證據
能獨立完成從資料核查、建模到驗證與解釋的閉環、排查常見洩漏與偏差、並如實說明不確定性（來自 O*NET 任務與工作情境資料）。
以上是任務與情境觀察點，不是人格標籤或錄用閾值；工作情境顯示 40% 準確精確極其重要、65% 競爭程度高度競爭、52% 至少每週一次、但並非每天面對時間壓力、56% 決策自由為「有一些」。
常見物件與工具範圍
2025全年美國招聘文本55項：Python66/SQL51/R34/Tableau22/PowerBI19/AWS17/Azure13/TensorFlow11/PyTorch10/SAS9/Excel8/Snowflake8%，非實際使用/熟練度/GenAI率；不可按這些比例相加或推業務用途。
招聘提及非工具熟練度或真實用途，工具證不代合法處理依據/上線任命。
沒有相關經驗，可以準備什麼作品
作品一：虛構資料說明與質量核查
交付物：一份完全虛構的資料說明檔案，含欄位含義、來源、缺失與異常處理、以及核查清單與結論。
寫明每處判斷的依據（欄位定義、資料規則或業務口徑），說明不得自相矛盾。
作品二：虛構基線模型與驗證
交付物：一份虛構的建模記錄，含基線選擇、特徵處理、驗證切分、效能指標與誤差分析。
區分給定資料與你的假設，說明驗證為何成立，不使用真實單位的業務資料。
作品三：虛構結論與不確定性說明
交付物：一頁面向非技術讀者的結論說明，含主要發現、適用條件、不確定性範圍與不建議的使用方式。
作品四：復盤說明
交付物：一頁說明，寫清你在資料異常、效能不達預期或口徑衝突時如何處置、哪一步最耗時、下一步要補什麼；不得寫入真實單位資料或未公開的業務資訊。
面試與試崗考察可能看什麼
| 階段 | 可能考察 | 觀察證據 | 使用邊界 |
|---|---|---|---|
| 分析與方法問答 | 能否說清問題定義、方法選擇依據與驗證方式，並識別常見洩漏與偏差。 | 答題記錄與現場推演過程。 | 單一單位的考核方式不代表統一流程。 |
| 資料與合規判斷 | 遇到資料缺失、口徑衝突、許可權不足或疑似敏感資料時能否說出核對、暫停與上報順序。 | 答題記錄與判斷依據。 | 考察範圍由單位制度與現行規定決定，本頁不作推斷。 |
| 實操與復現 | 在限定任務中完成資料清洗、建模與驗證時的規範度、可復現性與解釋質量。 | 任務提交物或試崗資料、過程復盤。 | 任務形式與標準由單位規定，本頁不作推斷。 |
| 試崗或試用觀察 | 在真實專案中處理需求變更、結果解釋與協作溝通的規範度與主動性。 | 帶教評價或試用記錄、過程復盤。 | 考核與聘用條件由單位規定，本頁不構成錄用承諾或資料與釋出授權。 |
學歷、能力與資料授權怎麼選擇
| 資格／準備項 | 主要適合誰 | 求職現實作用 | 是否普遍入職門檻 | 報名／辦理條件 | 投入考慮 | 重要限制 |
|---|---|---|---|---|---|---|
| 學歷與專業訓練 | 準備進入資料崗位的人 | 編輯準備核對，未核中國多數崗位條件 | O*NET JobZone4/SVP7至低於8；受訪者對新僱員所需學歷意見為48%學士、44%碩士、4%副學士，非員工構成或法律。BLS典型學士/無相關經驗/無在崗訓練類別不等於無需準備；OOH部分僱主需/偏好碩博或行業經驗，不代中國錄用/IQ線。 | 按目標單位招聘公告 | 證據不足：本輪無統一費用/訓練時長；按實際學習與單位方案核 | 學歷不代表方法能力、資料授權或錄用結果。 |
| 程式設計與資料分析能力 | 從事資料處理與建模的人 | 影響能否通過技術考核與獨立開展工作 | 通常按崗位要求考察 | 通過課程、專案與實踐積累 | 證據不足：本輪無統一費用/訓練時長；按實際學習與單位方案核 | 工具熟練度不等於統計方法正確性或業務理解。 |
| 資料訪問與使用授權 | 接觸個人資訊與受限資料的人 | 影響可處理的資料範圍與合規邊界 | 涉及個人資訊核合法依據/最小必要，不能用入門門檻稱可省略 | 中國處理可識別個人資訊應核PIPL13合法依據（非一律同意）、6最小必要與51合理許可權/定期安全教育；單位賬號不代法律依據。利用個人資訊自動化決策另適用24透明公平/相應個人權利與55事前影響評估、56報告和記錄至少3年，不對所有資料科學模型一概套用。 | 證據不足：本輪無統一費用/訓練時長；按實際學習與單位方案核 | 授權有範圍與期限，不等於通用資格或法律意見。 |
| 生產環境釋出許可權 | 需要把模型上線的人 | 影響能否獨立釋出與維護模型 | 通常由單位按崗位與流程授予 | 按單位上線審批流程申請 | 證據不足：本輪無統一費用/訓練時長；按實際學習與單位方案核 | 釋出許可權不等於模型正確性或合規審批。 |
| 行業監管知識 | 在金融、醫療等領域建模的人 | 影響方案可行性與合規通過率 | 不是通用入職門檻 | 通過崗位培訓與專案積累 | 證據不足：本輪無統一費用/訓練時長；按實際學習與單位方案核 | 領域知識不等於監管部門授權或執業資格。 |
| 培訓證書 | 希望證明方法與工具能力的人 | 可作為能力的參考證據 | 未核全國強制職業證書，不能一概承諾不是任何崗位門檻 | 按培訓機構的報名條件參加 | 證據不足：本輪無統一費用/訓練時長；按實際學習與單位方案核 | 培訓證書不等於資料授權、釋出許可權或錄用承諾。 |
學歷、能力與資料授權邊界
虛構練習材料：資料洩漏與偏差問題處置
DS-04｜紙面上線複核
任務：對預測截點已經預約的記錄，在開始前 24 小時預測是否爽約。字典：booked_lead_hours 建立預約時寫入並固定；checkout_status 在預約結束後才寫入。候選模型使用了兩個欄位。
同一留出集共有 100 條：A 組 80 條錯 8，B 組 20 條錯 7；兩組無重疊。題設門檻：總體錯誤率不高於 16%，每組不高於 20%，每組至少 20 條，並且所有特徵在預測時點可得。
兩週後擬上線。同事想把含聯絡方式的原始表傳外部工具；題設只有內部彙總資料許可權。上線要模型負責人和資料保護負責人簽字，當前均未籤。移除欄位後沒有新評估。
任務｜寫一頁決策
計算兩組和總體錯誤率，對照門檻。指出不可用欄位及下一次切分、訓練和評估的順序。
寫現在能否上線、原表能否外發、要誰複核，以及哪一項資訊仍未知。用兩句向專案負責人說明結論。 變式：同一留出集只更正 B 組錯誤數為 4，分母仍 20；欄位、批准及外發條件均不變。分別寫兩版。
先獨立寫兩版
獨立交兩版復算和一頁給專案負責人的交接，列決定、兩位複核人與下一項證據。
交卷後再展開常見問題「DS-04 上線複核參考解（交卷後再開啟）」。
邊界｜只用題設數值
這些門檻只用於 DS-04，不代表正式審批要求。總體錯誤率通過不證明對所有群體有效，也不證明真實合規。
無需程式碼、賬號或真實患者資料。若想繼續，先比較你更願意查欄位、做誤差分析還是解釋結果。
七天低成本體驗安排
- 01
第 1 天：讀一份公開材料
讀 DS-04 的預測時間和兩個欄位，畫可用時間線。
- 02
第 2 天：做一次欄位與質量核查
寫出每組的分母和錯誤數，再寫總體分母。
- 03
第 3 天：計算錯誤率並核對門檻
計算總體及兩組錯誤率，逐項核門檻。
- 04
第 4 天：寫一份驗證與誤差分析
設計時間切分和留出集安排，並說明兩版數值各能支援什麼。
- 05
第 5 天：寫一份結論與限制說明
寫兩句話解釋上線與外發決定。
- 06
第 6 天：獨立提交
不看參考，獨立提交。 獨立交兩版復算和一頁給專案負責人的交接，列決定、兩位複核人與下一項證據。
- 07
第 7 天：開啟參考自核
展開常見問題「DS-04 上線複核參考解（交卷後再開啟）」，記一處差異或無差異，再選擇下一項職業探索。
第七天如何判斷是否繼續
- 具體變化：你是否能在給定材料下寫清資料依據、驗證順序、偏差與洩漏判斷以及合規處置路徑，而不是隻寫「已處理」。
- 事實與選擇：你更願意專注建模與方法、做業務解釋與落地，還是走資料與平臺工程方向。
- 練習消耗：長時間螢幕作業與高認知投入、結論被反覆質疑，哪一步最消耗你，你能否接受它在工作裡反覆出現。
- 材料邊界：練習材料均為虛構或以公開資料為基礎，不得寫入真實單位資料或未公開的業務資訊。
- 反饋反應：當業務方或複核人質疑你的方法與結論時，你是否願意回到驗證與證據。
- 過程興趣：即使清洗與驗證很枯燥，你是否願意每次都完成記錄、復現與複核。
- 下一步：如果前六步你都願意繼續，下一步是在合規前提下（如一次真實專案復盤或試用任務）完成一次從資料核查、建模到驗證與解釋的閉環並請有經驗者評閱；如果某一步明顯消耗，先縮小方向再驗證。
資料建模與驗證方向
分析支援崗
典型職責：在帶教下完成資料清洗、指標統計與基礎分析，按規範處理資料。
晉升證據：能按規範完成資料處理、遵守使用與留痕要求並及時請示疑點。
資格邊界：先核目標崗位的學歷、相關經歷、具體任務和資料許可權。兩則樣本的要求只適用於各自崗位。
下一步：熟悉資料口徑、工具鏈與驗證流程。
資料科學崗
典型職責：獨立完成從問題澄清、資料準備到建模與驗證的分析。
晉升證據：方法適當、驗證充分、結論與不確定性表述清楚。
資格邊界：先核目標崗位的學歷、相關經歷、具體任務和資料許可權。兩則樣本的要求只適用於各自崗位。
下一步：學習複雜建模、特徵工程與上線要求。
高階建模崗
典型職責：承擔複雜模型設計與驗證、上線監測與再訓練安排。
晉升證據：能兼顧方法可靠性、上線穩定性與業務可用性。
資格邊界：先核目標崗位的學歷、相關經歷、具體任務和資料許可權。兩則樣本的要求只適用於各自崗位。
下一步：學習模型治理與跨團隊協作。
方法或模型負責人（相鄰方向）
典型職責：主導方法選型與模型治理，協調業務、工程與合規多方。
晉升證據：能兼顧方法質量、合規要求與落地可行性。
資格邊界：先核目標崗位的學歷、相關經歷、具體任務和資料許可權。兩則樣本的要求只適用於各自崗位。
下一步：核對該方向的職責與任職要求。
分析解釋與業務溝通方向
業務分析支援崗
典型職責：協助需求澄清、指標整理與結果解釋，按規範記錄分析過程。
晉升證據：能準確轉述需求、如實記錄並說明資料限制。
資格邊界：先核目標崗位的學歷、相關經歷、具體任務和資料許可權。兩則樣本的要求只適用於各自崗位。
下一步：熟悉業務指標與溝通流程。
業務資料分析崗
典型職責：獨立澄清需求、構建分析並面向業務解釋結果與限制。
晉升證據：結論清晰、口徑一致、不確定性說明完整。
資格邊界：先核目標崗位的學歷、相關經歷、具體任務和資料許可權。兩則樣本的要求只適用於各自崗位。
下一步：學習指標體系與決策支援方法。
分析產品或解決方案崗
典型職責：把分析方法沉澱為可複用的產品或解決方案，協調多方推進落地。
晉升證據：能兼顧業務價值、方法可靠性與實施成本。
資格邊界：先核目標崗位的學歷、相關經歷、具體任務和資料許可權。兩則樣本的要求只適用於各自崗位。
下一步：學習需求管理與方案設計。
資料團隊管理方向（相鄰）
典型職責：負責團隊目標、人員安排與資料分析體系建設。
晉升證據：能兼顧團隊產出、方法規範與合規要求。
資格邊界：先核目標崗位的學歷、相關經歷、具體任務和資料許可權。兩則樣本的要求只適用於各自崗位。
下一步：核對該方向的相關要求。
資料與平臺工程方向
資料工程支援崗
典型職責：協助資料管道與基礎表建設，按規範處理資料質量與許可權。
晉升證據：能按規範完成管道與表結構維護並記錄變更。
資格邊界：先核目標崗位的學歷、相關經歷、具體任務和資料許可權。兩則樣本的要求只適用於各自崗位。
下一步：熟悉資料倉儲與管道工具。
資料工程師崗
典型職責：獨立建設與維護資料管道、特徵儲存與資料質量監控。
晉升證據：管道穩定、資料可追溯、質量監控到位。
資格邊界：先核目標崗位的學歷、相關經歷、具體任務和資料許可權。兩則樣本的要求只適用於各自崗位。
下一步：學習資料架構與治理規範。
機器學習平臺崗
典型職責：建設訓練與部署平臺，支撐模型上線、監測與版本管理。
晉升證據：能兼顧平臺穩定性、可復現性與團隊效率。
資格邊界：先核目標崗位的學歷、相關經歷、具體任務和資料許可權。兩則樣本的要求只適用於各自崗位。
下一步：學習平臺工程與模型運維方法。
資料治理方向（相鄰）
典型職責：負責資料標準、許可權與合規治理，協調多方執行。
晉升證據：能兼顧治理要求、業務需求與執行成本。
資格邊界：先核目標崗位的學歷、相關經歷、具體任務和資料許可權。兩則樣本的要求只適用於各自崗位。
下一步：核對該方向的職責與任職要求。
能力階梯：晉升看什麼證據？
- 01
受監督的分析支援位置
在帶教與複核下承擔資料清洗、指標統計與基礎分析，能按規範完成資料處理並遵守資料使用與留痕要求；目標是熟悉資料口徑、工具鏈與驗證流程。
- 02
獨立承擔分析與建模
獨立完成一次從問題澄清、資料準備到建模與驗證的分析，能排查常見洩漏與偏差、如實說明不確定性，並在口徑不清時及時請示。
- 03
承擔模型上線與監測
承擔模型上線、效能監測與再訓練安排，能判斷漂移與偏差異常、按流程處置並保留記錄，並向業務方交代方法的適用範圍與限制。
- 04
方法主導與跨部門協作
主導方法選型、資料治理或分析體系設計，協調業務、工程與合規多方；該階段通常要求較完整的專案經驗與管理協作能力，任職條件由單位制度規定。
職業前景與相關職業轉向
資料科學家的職業前景與相鄰方向
區分三件事：BLS 預測美國就業總量，兩則大陸公告描述特定崗位，技術詞只說明來源樣本。選擇方向時先查自己的工作職責。 四川大學就業網的企業原公告列醫學資料統計儲備崗，碩士，負責病例資料清洗、建模和報告。頁面把全職與實習合列，“薪資”欄寫 8000–12000，未說明計薪週期，也未分列兩類用工；不能當作已核月薪。 公告頁面列有效期至 2026 年 11 月 29 日；實際是否仍有空缺向用人單位核對。
三類資料，三種不同口徑
r5-bls-current
2025基期/2025—2035美國 · 資料科學家（BLS 職業展望手冊與 O*NET 就業趨勢，2025—2035 年預測期，15-2051.00 本細類口徑）
增長34.6%；淨增約95400（2025—2035，OOH35%取整）
就業總體變化
BLS自身15-2051：2025約275600→2035約371000、淨增95400/+34.6%，年均24800空缺含增長與替換，自僱1.9%。OOH35%是同預測取整；O*NET Muchfaster7%及以上為分類，當前已列2025—2035，非個人錄用率或AI因果份額。
不能說明：預測是職業總量變化，不是個人錄用機率；該口徑的年均空缺含更替需求，也不代表崗位立即增加或減少。
O*NET OnLine：Data Scientists 認證與培訓入口（15-2051.00）
現行頁面（2026 年更新）美國 · 資料科學家（O*NET 15-2051.00 口徑）
認證與培訓查詢入口
認證與培訓資訊
O*NET 提供該細分的認證與培訓查詢入口，用於核對證書與培訓資訊；這屬於資訊入口說明，而不是需求訊號，認證也不等於許可證、僱主任命、資料訪問或生產環境釋出授權，培訓專案本身也不等於錄用。
不能說明：認證與培訓入口不預測崗位數量或工資水平，也不等於錄用或資料與釋出授權。
r5-onet-current
本頁編輯設計（2026-10-09）本頁編輯整理 · 資料科學家
招聘公告核對口徑（編輯整理）
招聘資訊核對方式
北大公共衛生學院 2026 年 10 月招 1 名合同制資料科學家，負責醫療資料治理、特徵、建模及驗證。要求相關碩士及以上，熟悉 SQL、Spark/Hive；兩年及以上資料處理、分析或建模經驗優先。首聘兩年，第三方派遣，薪酬面議。
不能說明：招聘公告不代表全國需求、工資中位數或統一準入要求。
現有能力可以遷移到哪裡？
這些是能力鄰近關係，不代表自動晉升或無需補課。
商業智慧分析師（相鄰職業）
編輯轉向例：業務指標/查詢/報表與系統測試；15-2051.01另一細類可交疊，非不同SOC互斥任務或獨立工資樣本，不保證自動轉崗。可遷移：條件性編輯對映：只有實際訓練或職責已有相關經驗時，資料查詢、視覺化與業務指標理解。 不證明已勝任或可直接轉崗。
需補足：需補足：指標體系設計、資料倉儲與報表交付能力。
职业详情暂不可用統計師（相鄰職業）
距離說明：從面向預測的工程化建模轉向推斷與試驗設計。可遷移：條件性編輯對映：只有實際訓練或職責已有相關經驗時，統計方法與資料分析基礎。 不證明已勝任或可直接轉崗。
需補足：需補足：試驗設計、抽樣與統計推斷的理論能力。
职业详情暂不可用運籌學分析師（相鄰職業）
距離說明：從資料驅動的預測與解釋轉向最佳化與決策建模。可遷移：條件性編輯對映：只有實際訓練或職責已有相關經驗時，定量建模與最佳化思路。 不證明已勝任或可直接轉崗。
需補足：需補足：運籌方法、目標函式與約束建模能力。
职业详情暂不可用計算機與資訊研究科學家（相鄰職業）
編輯方向對照：目標任務更關注計算技術與系統研究；實際職責可交疊，具體準備條件按單位核，未核統一轉崗距離或年限。可遷移：條件性編輯對映：只有實際訓練或職責已有相關經驗時，演算法與計算工具的使用。 不證明已勝任或可直接轉崗。
需補足：需補足：研究訓練、演算法創新與系統原型驗證能力。
职业详情暂不可用金融量化分析師（相鄰職業）
距離說明：從通用資料建模轉向金融市場的量化建模與風險度量。可遷移：條件性編輯對映：只有實際訓練或職責已有相關經驗時，統計建模與程式設計實現。 不證明已勝任或可直接轉崗。
需補足：需補足：金融市場知識、定價與風險模型能力。
职业详情暂不可用數學家（相鄰職業）
距離說明：從應用資料問題轉向數學理論的研究與證明。可遷移：條件性編輯對映：只有實際訓練或職責已有相關經驗時，數學推導與抽象建模基礎。 不證明已勝任或可直接轉崗。
需補足：需補足：數學理論研究方法與證明能力，通常要求更高學歷與研究訓練。
职业详情暂不可用生物資訊學科學家（相鄰職業）
距離說明：從通用業務資料轉向生物醫學資料的分析與解釋。可遷移：條件性編輯對映：只有實際訓練或職責已有相關經驗時，資料建模與程式設計分析。 不證明已勝任或可直接轉崗。
需補足：需補足：生物醫學背景、組學資料與實驗方法知識。
职业详情暂不可用統計助理（相鄰職業）
距離說明：從獨立建模與驗證轉向支援性資料處理與統計輔助工作。可遷移：條件性編輯對映：只有實際訓練或職責已有相關經驗時，資料處理與統計軟體操作。 不證明已勝任或可直接轉崗。
需補足：需補足：統計方法基礎與資料整理規範。
职业详情暂不可用常見問題與資料來源
資料科學家每天的具體工作是什麼？
開發並實施一套技術或分析應用，用面向資料的程式語言與視覺化軟體把原始資料轉化為有意義的資訊：用統計軟體分析、處理或清洗大規模資料；建立圖表或其他視覺化以傳達分析結果；測試、驗證並重新設計模型以確保對目標結果的預測準確；用損失函式或解釋方差比例等指標比較模型；應用特徵選擇演算法；識別關係、趨勢或可能影響研究結果的因素；用程式語言編寫新函式或應用開展分析；訪談利益相關方以確定待分析的問題；設計調查或其他資料採集工具；向管理層與其他終端使用者報告建模與分析結果；並向關鍵利益相關方提出資料驅動的解決方案建議，也可能建立動態資料包表。
這個職業與相鄰的分析、統計與運籌方向有什麼區別？
本職業的核心是從原始資料構建並驗證模型，產出可複核的預測或解釋結論並交付與監測；商業智慧分析師以指標體系與報表交付為核心；統計師以推斷方法與試驗設計為核心；運籌學分析師以最佳化與決策建模為核心；計算機與資訊研究科學家以演算法與系統研究為核心；數學家以數學理論的提出與證明為核心；生物統計學家為生物醫學研究提供統計方法支援。名稱相近不代表職責、評價標準或資格可以互換。
AI 會怎樣影響或取代資料科學家？
生成式 AI 可協助草擬程式碼、整理欄位說明或改寫彙報；本頁沒有職業級提效估計。特徵可用性、洩漏、分組錯誤、資料許可權和上線仍由有權人員複核。
這個職業哪些任務已有 AI 變化證據？
可核對的是任務層面的變化：程式碼與原型生成、特徵探索與文件整理、報表與視覺化草稿三類任務可被工具部分承擔；本頁沒有單職業的採用率或替代資料。
面對 AI，這個職業仍應重點驗證哪些能力？
問題與指標定義、資料授權與口徑核對、洩漏與偏差排查、驗證設計、不確定性表達以及按合規要求處置資料與上線模型的能力。
這個職業的工資一般多少，應該怎樣比較？
美國 2025 年 5 月工資資料中位年薪 120,230 美元（中位時薪 57.80 美元），年薪分位為 67,240／85,660／120,230／158,880／199,130 美元，為 O*NET-SOC 15-2051.00 本細類自身口徑；分位是統計位置，不能當作個人報價或個人到手收入；中國大陸未取得職業級數值，本頁按缺口處理，不使用行業均值或報價樣本代填。
這個職業需要什麼學歷，又該怎樣訓練？
美國準備層級為 Job Zone Four（SVP 7.0 至低於 8.0），官方教育調查顯示新入職者中 48% 要求學士學位、44% 要求碩士學位、4% 要求副學士或其他兩年制學位；常見入口是數學、統計、計算機或相關學科的本科基礎，部分僱主偏好碩士或博士；中國大陸多要求相關專業背景與程式設計能力，具體按目標單位規定。
做這個職業必須考證嗎？
O*NET 提供該細分的認證與培訓查詢入口，但認證不等於許可證、僱主任命、資料訪問或生產環境釋出授權；中國大陸該類崗位多按單位要求經招聘與培訓上崗，涉及個人資訊與受限資料處理可能另有授權要求；具體條件按目標單位與現行規定核對。
零基礎想嘗試這個方向，應該先做什麼？
先做「入行、證書與職業發展」的 DS-04：用題內資料算錯誤率，找出事後欄位，再寫上線和外發決定。根據哪一環節願反覆做，去查目標崗位的職責和培訓。
現在選擇這個職業，還應考慮什麼？
美國 BLS 表 1.2：2025 年 275,600 個崗位，2035 年預計 371,000 個，淨增約 95,400（34.6%）；職業手冊取整為 35%。年均約 24,800 個空缺含增長與替補。這是全國職業預測，選崗位時另核行業、職責與資料許可權。
DS-04 上線複核參考解（交卷後再開啟）
A：8/80 = 10%；B：7/20 = 35%；總體：15/100 = 15%。樣本數和總體通過，B 未通過。checkout_status 晚於預測時點；該模型的分數不是無洩漏表現，刪欄位也不能沿用原分數。 當前不上線；只使用獲授權的內部彙總，不上傳含聯絡方式的原表。題中彙總可復算錯誤率，不能用來重訓，本次只交驗證計劃。待獲准取得合適的逐行輸入及已確認的結果標籤，再按時間切分，用訓練集擬合併用獨立留出集核總體與分組；仍需新結果和兩方批准。示例：「舊模型有事後欄位，且 B 組未達線，先不上線。請模型負責人複核獲准資料上的新評估，資料保護負責人確認允許的輸入；原表不外發。」 變式：A 8/80=10%，B 4/20=20%，總體 12/100=12%；組別、總體和樣本量門檻都通過，但事後欄位與批准缺口不變，仍不釋出或外發。
資料來源
费马测试编辑部
资料核对日期：2026 年 11 月 9 日。
職業任務查 O*NET，美國工資與就業分別查 OEWS 和 BLS 表 1.2；大陸行業、職業分類和招聘分別註明原件。
O*NET OnLine：Business Intelligence Analysts（15-2051.01）職業檔案O*NET OnLine｜美國｜頁面 2026 年更新；檢索 2026-09-19｜official source
檢視原始資料：O*NET OnLine：Business Intelligence Analysts（15-2051.01）職業檔案- 用於商業智慧分析師方向的指標與報表對照（相鄰職業）。
- 不把指標與報表責任併入本職業。
使用限制：只支援商業智慧分析師（相鄰職業）的指標體系與報表交付任務；本職業以從原始資料構建並驗證模型為核心，不把指標與報表責任併入本職業。
O*NET OnLine：Mathematicians（15-2021.00）職業檔案O*NET OnLine｜美國｜頁面 2026 年更新；檢索 2026-09-19｜official source
檢視原始資料：O*NET OnLine：Mathematicians（15-2021.00）職業檔案- 用於數學家方向的數學理論對照（相鄰職業）。
- 不把理論研究職責併入本職業。
使用限制：只支援數學家（相鄰職業）的數學理論研究任務；本職業以業務資料上的分析與模型交付為核心，不把理論研究職責併入本職業。
O*NET OnLine：Computer and Information Research Scientists（15-1221.00）職業檔案O*NET OnLine｜美國｜頁面 2026 年更新；檢索 2026-09-19｜official source
檢視原始資料：O*NET OnLine：Computer and Information Research Scientists（15-1221.00）職業檔案- 用於計算機與資訊研究科學家方向的演算法與系統研究對照（相鄰職業）。
- 不把研究職責併入本職業。
使用限制：只支援計算機與資訊研究科學家（相鄰職業）的演算法與系統研究任務；本職業以業務資料上的端到端分析與模型交付為核心，不把研究職責併入本職業。
BLS Occupational Outlook Handbook：Data Scientists（15-2051）U.S. Bureau of Labor Statistics｜美國｜2025—2035 年預測期；檢索 2026-09-19｜official statistics
檢視原始資料：BLS Occupational Outlook Handbook：Data Scientists（15-2051）- BLS 就業預測為 2025—2035 年；職業手冊將 34.6% 四捨五入為 35%。
- 不含中國大陸資訊，不能替代中國大陸資料。
- 美國職業總量預測，不代表個人錄用機會。
使用限制：美國職業總量預測，不代表個人錄用機會。
中國大陸公開用工與資料合規資訊（資料分析與建模崗位）公開主管部門與行業資訊｜中國內地｜現行規定；檢索 2026-09-19｜official guidance
檢視原始資料：中國大陸公開用工與資料合規資訊（資料分析與建模崗位）- 中國個人資訊與行業規則按相應條文和具體場景核對。
- 不據此推定任職資格、資料授權或工資數值。
- 政務門戶不替代具體法條或資料授權。
使用限制：政務門戶不替代具體法條或資料授權。
O*NET OnLine：Statistical Assistants（43-9111.00）職業檔案O*NET OnLine｜美國｜頁面 2026 年更新；檢索 2026-09-19｜official source
檢視原始資料：O*NET OnLine：Statistical Assistants（43-9111.00）職業檔案- 用於統計助理方向的資料處理對照（相鄰職業）。
- 不把輔助性統計工作併入本職業。
使用限制：只支援統計助理（相鄰職業）的資料處理與統計輔助任務；本職業以獨立建模與驗證為核心，不把輔助性統計工作併入本職業。
O*NET OnLine：Financial Quantitative Analysts（13-2099.01）職業檔案O*NET OnLine｜美國｜頁面 2026 年更新；檢索 2026-09-19｜official source
檢視原始資料：O*NET OnLine：Financial Quantitative Analysts（13-2099.01）職業檔案- 用於金融量化分析師方向的量化建模對照（相鄰職業）。
- 不把金融定價與風險職責併入本職業。
使用限制：只支援金融量化分析師（相鄰職業）的金融建模與風險度量任務；本職業面向的業務領域更廣，不把金融領域的定價與風險職責併入本職業。
O*NET OnLine：Bioinformatics Scientists（19-1029.01）職業檔案O*NET OnLine｜美國｜頁面 2026 年更新；檢索 2026-09-19｜official source
檢視原始資料：O*NET OnLine：Bioinformatics Scientists（19-1029.01）職業檔案- 用於生物資訊學科學家方向的生物醫學資料分析對照（相鄰職業）。
- 不把生物醫學研究職責併入本職業。
使用限制：只支援生物資訊學科學家（相鄰職業）的生物醫學資料分析任務；本職業面向的業務領域更廣，不把生物醫學研究職責併入本職業。
O*NET OnLine：Bioinformatics Technicians（15-2099.01）職業檔案O*NET OnLine｜美國｜頁面 2026 年更新；檢索 2026-09-19｜official source
檢視原始資料：O*NET OnLine：Bioinformatics Technicians（15-2099.01）職業檔案- 用於生物資訊科技方向的資料整理對照（相鄰職業）。
- 不把技術員職責併入本職業。
使用限制：只支援生物資訊科技員（相鄰職業）的生物資料整理與基礎分析任務；本職業以獨立建模與驗證為核心，不把技術員職責併入本職業。
O*NET OnLine：Data Scientists 摘要（15-2051.00）O*NET OnLine｜美國｜頁面 2026 年更新；檢索 2026-09-19｜official source
檢視原始資料：O*NET OnLine：Data Scientists 摘要（15-2051.00）- O*NET 職業資料可查工作任務、職業準備和調查所列學歷。
- 不構成具體僱主的錄用條件或中國大陸的門檻。
- 調查結果不是僱主門檻或大陸招聘條件。
使用限制：調查結果不是僱主門檻或大陸招聘條件。
O*NET OnLine：Operations Research Analysts（15-2031.00）職業檔案O*NET OnLine｜美國｜頁面 2026 年更新；檢索 2026-09-19｜official source
檢視原始資料：O*NET OnLine：Operations Research Analysts（15-2031.00）職業檔案- 用於運籌學分析師方向的最佳化建模對照（相鄰職業）。
- 不把最佳化與決策建議職責併入本職業。
使用限制：只支援運籌學分析師（相鄰職業）的最佳化與決策建模任務；本職業更常處理預測與解釋任務，不把最佳化與決策建議職責併入本職業。
O*NET Interest Profiler（職業興趣問卷）O*NET OnLine｜美國/通用｜當前工具；檢索 2026-09-19｜official tool
檢視原始資料：O*NET Interest Profiler（職業興趣問卷）- 興趣問卷只用於自我觀察。
- 不得作為錄用、分配或晉升依據。
使用限制：興趣問卷只描述體驗偏好，不替代能力、訓練、授權或錄用判斷，也不預測工作表現。
國家統計局：公開統計與工資釋出入口國家統計局｜中國內地｜現行釋出；檢索 2026-09-19｜official statistics
檢視原始資料：國家統計局：公開統計與工資釋出入口- 登記中國大陸公開工資統計的細分層級。
- 行業均值不得寫成本職業工資。
使用限制：公開工資統計按行業門類與人員類別釋出，未建立與 15-2051.00 對應的職業細類；行業或人員類別均值不是本職業工資，也不能外推為全國職業收入；本頁未取得本職業單列數值，缺口在頁面可見位置標記，不以行業均值代填。
NIST：Artificial Intelligence Risk Management Framework (AI RMF 1.0)National Institute of Standards and Technology｜美國｜AI RMF 1.0；檢索 2026-09-19｜institutional framework
檢視原始資料：NIST：Artificial Intelligence Risk Management Framework (AI RMF 1.0)- NIST 框架用於組織 AI 風險管理和人工複核。
- 框架不替代單位制度與合規要求的責任劃分。
- 自願框架不替代適用法規或上線審批。
使用限制：自願框架不替代適用法規或上線審批。
BLS Occupational Employment and Wage Statistics（OEWS）U.S. Bureau of Labor Statistics｜美國｜2025 年 5 月工資資料；檢索 2026-09-19｜official statistics
檢視原始資料：BLS Occupational Employment and Wage Statistics（OEWS）- 用於說明工資統計的覆蓋與折算口徑。
- 不提供個人收入結論，也不能用於推算個人到手工資。
使用限制：提供按職業程式碼釋出的工資統計入口與覆蓋說明；本頁分位數值經 O*NET 全國工資頁（15-2051.00）公示，為本細類自身口徑；分位是統計位置，不能當作起薪或個人到手收入，也不能跨市場換算個人報價。
O*NET OnLine：Data Scientists（15-2051.00）職業檔案O*NET OnLine｜美國｜頁面 2026 年更新；檢索 2026-09-19｜official occupation data
檢視原始資料：O*NET OnLine：Data Scientists（15-2051.00）職業檔案- 支援本職業的任務、工作情境與準備層級。
- 不含技術採用與崗位替代資料。
使用限制：支援本職業（15-2051.00）的任務、工作活動、工作情境百分比、準備層級、興趣程式碼與工作風格；為單一職業自身口徑，不含技術採用、崗位替代或收入變化資料。
O*NET OnLine：Data Scientists 熱門技術（15-2051.00）O*NET OnLine｜美國｜頁面 2026 年更新；檢索 2026-09-19｜official occupation data
檢視原始資料：O*NET OnLine：Data Scientists 熱門技術（15-2051.00）- O*NET 技術關鍵詞來自美國招聘文本。
- 關鍵詞不等於採用率或能力要求。
- 關鍵詞比例不能用來估計工具使用或熟練程度。
使用限制：關鍵詞比例不能用來估計工具使用或熟練程度。
國家統計局：2025 年城鎮單位就業人員年平均工資情況國家統計局｜中國內地｜2025 年釋出口徑；檢索 2026-09-19｜official statistics
檢視原始資料：國家統計局：2025 年城鎮單位就業人員年平均工資情況- 國家統計局城鎮單位工資按行業等範圍釋出。
- 未取得本職業單列數值，不填代理數值。
- 行業工資不等於資料科學家職業工資。
使用限制：行業工資不等於資料科學家職業工資。
BLS Handbook of Methods：OEWS 工資與折算口徑U.S. Bureau of Labor Statistics｜美國｜現行方法說明；檢索 2026-09-19｜official methodology
檢視原始資料：BLS Handbook of Methods：OEWS 工資與折算口徑- OEWS 工資含部分激勵收入，排除加班溢價與輪班差額等。
- 不提供個人收入結論。
- 統計分位不等於個人到手收入。
使用限制：統計分位不等於個人到手收入。
O*NET OnLine：Data Scientists 全國工資（15-2051.00）O*NET OnLine / U.S. Bureau of Labor Statistics｜美國｜2025 年 5 月工資資料；檢索 2026-09-19｜official statistics
檢視原始資料：O*NET OnLine：Data Scientists 全國工資（15-2051.00）- 用於說明工資分位的統計位置與口徑。
- 不提供個人收入結論，也不能當作個人報價。
使用限制：公示本職業年度分位 67,240／85,660／120,230／158,880／199,130 美元（小時分位 32.33／41.18／57.80／76.39／95.74 美元），為本細類自身口徑；分位是統計位置，不是技能等級；按州或地區細分的資料須在該頁按地區與期間查詢。
O*NET OnLine：Data Scientists 認證與培訓入口（15-2051.00）O*NET OnLine｜美國｜頁面 2026 年更新；檢索 2026-09-19｜official guidance
檢視原始資料：O*NET OnLine：Data Scientists 認證與培訓入口（15-2051.00）- 支援認證與培訓資訊的核對入口。
- 入口不預測崗位數量或工資水平。
使用限制：提供該細分的認證與培訓查詢入口，用於核對證書與培訓資訊；認證不等於許可證、僱主任命、資料訪問或生產環境釋出授權，也不替代中國大陸的招聘、培訓與資料授權要求。
ILO：Generative AI and Jobs — A Refined Global Index of Occupational ExposureInternational Labour Organization｜全球｜研究發表時點；檢索 2026-09-19｜institutional research
檢視原始資料：ILO：Generative AI and Jobs — A Refined Global Index of Occupational Exposure- ILO 研究按任務估計生成式 AI 暴露。
- 任務暴露不等於自動化採用或崗位替代結果。
- 潛在暴露不衡量採用率或崗位減少。
使用限制：潛在暴露不衡量採用率或崗位減少。
O*NET OnLine：Data Scientists 詳細資料（15-2051.00）O*NET OnLine｜美國｜頁面 2026 年更新；檢索 2026-09-19｜official source
檢視原始資料：O*NET OnLine：Data Scientists 詳細資料（15-2051.00）- 支援任務、工作活動與工作情境百分比。
- 不含技術採用、崗位數量或收入變化資料。
使用限制：支援本職業（15-2051.00）的任務、工作活動與工作情境百分比；該頁為單一職業自身口徑，不含技術採用或崗位替代資料。
O*NET OnLine：Statisticians（15-2041.00）職業檔案O*NET OnLine｜美國｜頁面 2026 年更新；檢索 2026-09-19｜official source
檢視原始資料：O*NET OnLine：Statisticians（15-2041.00）職業檔案- 用於統計師方向的推斷與試驗設計對照（相鄰職業）。
- 不把推斷與試驗設計職責併入本職業。
使用限制：只支援統計師（相鄰職業）的統計推斷與試驗設計任務；本職業常面向工程化落地與預測目標，不把推斷與試驗設計職責併入本職業。
O*NET詳細檔案：15-2051.00資料科學家O*NET OnLine｜美國｜Updated2026；非統一調查期；檢索2026-10-09｜official occupation data
檢視原始資料：O*NET詳細檔案：15-2051.00資料科學家- 17任務15核心1補充1New未給重要度；設計調查補充、訪談New，非人人必用。21風格Impact細節100/好奇100/創新81/盡責79，非百分比。學歷48學士44碩士4副學士為新僱員所需意見，非員工構成；情境非遠端採用率或中國工時。行業2025四門類25/19/12/10，34為編輯差額。
使用限制：17任務15核心1補充1New未給重要度；設計調查補充、訪談New，非人人必用。21風格Impact細節100/好奇100/創新81/盡責79，非百分比。學歷48學士44碩士4副學士為新僱員所需意見，非員工構成；情境非遠端採用率或中國工時。行業2025四門類25/19/12/10，34為編輯差額。
O*NET2025全國工資：15-2051.00自身O*NET OnLine｜美國｜2025全國OEWS工資；檢索2026-10-09｜official occupation data
檢視原始資料：O*NET2025全國工資：15-2051.00自身- 年10/25/50/75/90分位67240/85660/120230/158880/199130美元；時32.33/41.18/57.80/76.39/95.74。直接引用官方年值，非本頁自行年化；全國僱員非自僱/個人稅後/中國工資，分位非資歷或因素因果。
使用限制：年10/25/50/75/90分位67240/85660/120230/158880/199130美元；時32.33/41.18/57.80/76.39/95.74。直接引用官方年值，非本頁自行年化；全國僱員非自僱/個人稅後/中國工資，分位非資歷或因素因果。
O*NET熱門技術：2025資料科學招聘文本O*NET OnLine｜美國｜2025全年美國Lightcast去重招聘文本；檢索2026-10-09｜official occupation data
檢視原始資料：O*NET熱門技術：2025資料科學招聘文本- 55項，Python66/SQL51/R34/Tableau22/PowerBI19/AWS17/Azure13/TensorFlow11/PyTorch10/SAS9/Excel8/Snowflake8%。招聘提及非使用率/熟練度/GenAI採用；Under1非0，InDemand僅標籤。
使用限制：55項，Python66/SQL51/R34/Tableau22/PowerBI19/AWS17/Azure13/TensorFlow11/PyTorch10/SAS9/Excel8/Snowflake8%。招聘提及非使用率/熟練度/GenAI採用；Under1非0，InDemand僅標籤。
BLS表1.2：2025—2035資料科學家預測Bureau of Labor Statistics｜美國｜2025基期；2025—2035預測；檢索2026-10-09｜official occupation data
檢視原始資料：BLS表1.2：2025—2035資料科學家預測- 自身15-2051：275.6→371.0千、+95.4千/+34.6%、年均24.8千空缺、自僱1.9%。OOH35%取整非不同預測；O*NET7%及以上僅分類。典型學士/無相關經驗/無在崗訓練類別，非無需準備/中國法律。
使用限制：自身15-2051：275.6→371.0千、+95.4千/+34.6%、年均24.8千空缺、自僱1.9%。OOH35%取整非不同預測；O*NET7%及以上僅分類。典型學士/無相關經驗/無在崗訓練類別，非無需準備/中國法律。
BLS職業展望：資料科學家教育與環境Bureau of Labor Statistics｜美國｜2025資料/2025—2035預測；檢索2026-10-09｜official occupation data
檢視原始資料：BLS職業展望：資料科學家教育與環境- 辦公/多全職，典型數學統計計算機等學士，部分僱主碩士博士或行業經驗。OOH細分行業與O*NET寬門類層級不同，不能混合；增長原因是預測解釋非已發生AI因果份額。
使用限制：辦公/多全職，典型數學統計計算機等學士，部分僱主碩士博士或行業經驗。OOH細分行業與O*NET寬門類層級不同，不能混合；增長原因是預測解釋非已發生AI因果份額。
BLS OEWS方法：工資包含與排除Bureau of Labor Statistics｜美國｜當前方法頁；檢索2026-10-09｜official methodology
檢視原始資料：BLS OEWS方法：工資包含與排除- 非農全/兼職僱員；排除自僱等。工資直時稅前，包含基礎/生活成本/保證/危險工作/激勵佣金與生產獎金/小費；排除加班溢價、班次差額、非生產獎金等。不能一概稱不含績效或津貼，不代個人扣稅/實際報酬。
使用限制：非農全/兼職僱員；排除自僱等。工資直時稅前，包含基礎/生活成本/保證/危險工作/激勵佣金與生產獎金/小費；排除加班溢價、班次差額、非生產獎金等。不能一概稱不含績效或津貼，不代個人扣稅/實際報酬。
NIST AI RMF Core：GOVERN 3.2等National Institute of Standards and Technology｜美國｜AI RMF 1.0（2023）；檢索 2026-10-09｜institutional framework
檢視原始資料：NIST AI RMF Core：GOVERN 3.2等- NIST自願風險治理建議，非PIPL強制法律/職業資格，不證明本職業AI採用、提效或因果。
使用限制：NIST自願風險治理建議，非PIPL強制法律/職業資格，不證明本職業AI採用、提效或因果。
ILO：Generative AI and Jobs—Refined Global Index（摘要）International Labour Organization｜全球｜2025-05-20研究摘要；檢索 2026-10-09｜institutional research
檢視原始資料：ILO：Generative AI and Jobs—Refined Global Index（摘要）- ILO 研究將生成式 AI 的潛在影響分到任務層面。
使用限制：研究不提供本頁所用的崗位級採用或失業機率。
個人資訊保護法：資料使用與自動化決策國家網際網路資訊辦公室（轉載人大文本）｜中國內地｜2021-08-20通過；2021-11-01施行；檢索2026-10-09｜official law
檢視原始資料：個人資訊保護法：資料使用與自動化決策- 4不含匿名化資訊；13多種處理依據非一律同意；24利用個人資訊自動化決策的透明公平、營銷選擇/拒絕及重大權益決定說明/拒絕僅自動化權。55事前影響評估、56報告與處理記錄至少3年，非所有模型一律；51合理許可權/定期培訓。行業、敏感和跨境配套未全面核完。
使用限制：4不含匿名化資訊；13多種處理依據非一律同意；24利用個人資訊自動化決策的透明公平、營銷選擇/拒絕及重大權益決定說明/拒絕僅自動化權。55事前影響評估、56報告與處理記錄至少3年，非所有模型一律；51合理許可權/定期培訓。行業、敏感和跨境配套未全面核完。
broader proxy國家統計局｜中國內地｜2025統計；2026-05-15釋出；檢索2026-10-09｜official industry wage
檢視原始資料：broader proxy- 資訊傳輸軟體IT服務非私營248752/私營128166元年均稅前；5人及以上法人，排除個體自由職業，非私營非僅國企。僅實際歸屬行業的單位背景，不覆蓋全部資料科學家或美國資訊業自動對應。
使用限制：資訊傳輸軟體IT服務非私營248752/私營128166元年均稅前；5人及以上法人，排除個體自由職業，非私營非僅國企。僅實際歸屬行業的單位背景，不覆蓋全部資料科學家或美國資訊業自動對應。
scikit-learn開發者：洩漏與復現建議scikit-learn developers｜跨市場｜當前官方方法文件；檢索2026-10-09｜official technical documentation
檢視原始資料：scikit-learn開發者：洩漏與復現建議- 預測時不可得資訊參與訓練造成評估過於樂觀；先劃分，預處理/特徵選擇只在訓練集fit，測試不用於選模型；Pipeline適用於交叉驗證。隨機性需明確，不是全國職業強制流程或所有資料皆隨機切分。
使用限制：預測時不可得資訊參與訓練造成評估過於樂觀；先劃分，預處理/特徵選擇只在訓練集fit，測試不用於選模型；Pipeline適用於交叉驗證。隨機性需明確，不是全國職業強制流程或所有資料皆隨機切分。
本職業三項代表核心任務FermatMind / 費馬測試｜2026-10-18｜編輯模型估算方法
檢視原始資料：本職業三項代表核心任務- 按輸入、人工複核和責任分析用途。
- 按輸入、人工複核和責任分析用途。
- 按輸入、人工複核和責任分析用途。
- 按輸入、人工複核和責任分析用途。
- 按輸入、人工複核和責任分析用途。
使用限制：不衡量採用率、提效或失業。
北大公共衛生學院：資料科學家Peking University Health Science Center｜2026-10-21｜官方原始資料
檢視原始資料：北大公共衛生學院：資料科學家- 北大公共衛生學院 2026 年 10 月招 1 名合同制資料科學家，負責醫療資料治理、特徵、建模及驗證。要求相關碩士及以上，熟悉 SQL、Spark/Hive；兩年及以上資料處理、分析或建模經驗優先。首聘兩年，第三方派遣，薪酬面議。
使用限制：單個合同制崗位，待遇面議。
四川大學就業網：醫學資料統計儲備崗四川芮來醫藥科技有限公司；四川大學就業網｜2026-10-12｜官方原始資料
檢視原始資料：四川大學就業網：醫學資料統計儲備崗- 四川大學就業網的企業原公告列醫學資料統計儲備崗，碩士，負責病例資料清洗、建模和報告。頁面把全職與實習合列，“薪資”欄寫 8000–12000，未說明計薪週期，也未分列兩類用工；不能當作已核月薪。 公告頁面列有效期至 2026 年 11 月 29 日；實際是否仍有空缺向用人單位核對。
使用限制：相鄰樣本，週期與用工型別未分列。
人社部數字職業清單人力資源社會保障部｜2022｜官方原始資料
檢視原始資料：人社部數字職業清單- 人社部數字職業清單列資料分析處理工程技術人員（2-02-30-09）和大數據工程技術人員（2-02-38-03）。教育部大數據工程技術專業教學標準列這兩個職業類別；中文崗位按任務與美國 15-2051 對照，未建立一一對應。
使用限制：職業分類與任務對照，不給個人許可或工資。
教育部：大數據工程技術專業教學標準教育部｜2025｜官方原始資料
檢視原始資料：教育部：大數據工程技術專業教學標準- 第 5 節列資料分析處理工程技術人員 2-02-30-09 和大數據工程技術人員 2-02-38-03。
使用限制：教學標準說明培養對口方向，不是所有資料科學家崗位的准入要求。
費馬測試編輯部：DS-04 虛構試做FermatMind｜編輯練習｜2026-11-10｜编辑设计
兩則招聘不能推導全國招聘或薪資；DS-04 的數值與許可權均為虛構。 美國工資與就業預測的口徑分開；大陸兩則招聘和製造或資訊科技等寬行業統計也各有用途。 17任務15核心1補充1New；教育所需意見、21風格Impact與6興趣評分非員工比例/人格門檻。編輯工具與風險不代實測採用/事故；NIST自願、PIPL適用法條分開。 練習和發展示例為編輯設計，不是錄用、資格或資料/釋出授權；具體崗位的統計方法、資料許可權和行業條件應分別核對。
做霍蘭德職業興趣測試 · 做大五人格測試 · 做 MBTI 偏好測試 · 做九型人格測試
