Tomcat之整体架构

从以上数据中，我得出有趣的几点见解：

•  总体而言，数据分析师的人数要多于数据科学家，但 2019 年情况却出现了逆转！这是否意味着数据分析师的职位正被很多公司重新冠名为数据科学家？
•  机器学习工程师的薪水略高于数据科学家，但实际工作中机器学习工程师的职位数量要少得多。这是因为机器学习工程师的正式头衔通常就是 软件工程师。
•     而研究科学家的平均薪资水平低得令人惊讶。我发现这是因为该数据库可能包括了许多其他类型的研究科学家，而不仅仅是那些在机器学习技术领域做研究的人员。这就是为什么我特意只选了一家科技公司列了第三张表格，以减少此类干扰。正如预期的那样，在微软公司里研究人员占据了最高薪酬的宝座。
•  然而，我还是被数据工程师 130 万美元的最高年薪震惊了。这简直是太疯狂了！也许你应该考虑一下该职位。
•  请记住，该数据集只包含底薪，而如今在科技界，股票也常常扮演着重要角色。此外，它也远没有描绘出就业市场的全貌。然而，考虑到美国科技行业的外籍员工数量，这仍然算是提供了一个很好的参考指标。

根据这些数据，我认为，也不能就武断地说数据科学行业已经走向萧条。这个行业仍在增长，但今后可能会更加专注于分析方向。根据我的观察，如今似乎有更多数据科学领域的工作岗位降低了准入门槛，但这也并不算是一件坏事。

结  论

到这里，本文已经讲了很多，但我仍希望你能读完最后这一部分。我写这篇文章是因为，面对这个行业正在发生的所有变化，我自己也常常感到困惑。而且，人们似乎对什么是数据科学有太多五花八门的看法。无论谁对谁错，我希望你能看到发展的趋势，并自己做出决定。

最后，不要因为一个工作或行业的平均薪酬较高或热度较高就轻易地对它做出选择。你的头衔是数据科学家、机器学习工程师还是数据分析师，这些并不重要。如果有人说数据科学家其实就是工程师，或者就是分析师，这些也不重要，因为这两种说法都可能是对的。

虽然很容易根据薪水高低来比较职位头衔，但选择一个你喜欢并且擅长的职位才是真正重要的事情。请专注于你所做的实际工作，并确保这份工作与自己契合。别因为平均工资看上去较低就产生错误的印象，这并不一定意味着你的实际工资会比别的工作低。正如你在前面表格中看到的，本文讨论的所有职位它们的最高年薪都相当地高。

在我结束本文之前，还有一些其他的资源和更多的信息可以供你参考：

•  Airbnb 曾经发过一篇文章“数据科学，同一职称多种职能”：我认为 Airbnb 在组织数据科学相关的各种工种方面确实做得非常棒，这篇文章对此进行了详细的解释。他们并没有给大家统一地冠以一个含义模糊的数据科学家头衔，而是细分为三个不同的方向：分析、算法和推理。