2023年LinkedIn發(fā)布Jobs on the Rise榜單時，Content Planner（內(nèi)容策劃師）擠進前三，而數(shù)據(jù)科學(xué)家連影子都沒出現(xiàn)。這份榜單被轉(zhuǎn)發(fā)了上萬次，但很少有人追問：為什么疫情期間的"最搶手職業(yè)"，在復(fù)蘇期反而隱身了？

數(shù)據(jù)科學(xué)家的"隱身"悖論

LinkedIn 2023年的統(tǒng)計口徑變了。疫情期間的榜單看"絕對增長量"，2023年改看"同比增長率"。Content Planner從近乎零的基數(shù)起步，增速自然好看。數(shù)據(jù)科學(xué)家崗位基數(shù)早已龐大，增速放緩不代表需求萎縮。

印尼數(shù)字人才平臺Glints的數(shù)據(jù)更誠實：2022-2023年，數(shù)據(jù)類崗位投遞量增長47%，但合格候選人缺口反而擴大到1:8.3。企業(yè)不是不招，是招不到能用的。

這個錯位制造了信息噪音。求職者看到"Content Planner崛起"，以為數(shù)據(jù)科學(xué)涼了；招聘方看到簡歷堆成山，卻發(fā)現(xiàn)90%的候選人連清洗臟數(shù)據(jù)（Dirty Data，指格式混亂、缺失值過多的原始數(shù)據(jù)）都要現(xiàn)學(xué)。

崗位細分：三個頭銜，三種活法

數(shù)據(jù)科學(xué)這個筐里，現(xiàn)在裝著涇渭分明的三類人。

數(shù)據(jù)分析師（Data Analyst）活得像翻譯官。業(yè)務(wù)部扔來一堆Excel，他們用SQL和可視化工具（如Tableau、Power BI）翻譯成"上周轉(zhuǎn)化率跌了12%"。工具鏈成熟，門檻透明，印尼初級崗位年薪中位數(shù)約1.2億印尼盾（約5.4萬人民幣）。

數(shù)據(jù)科學(xué)家（Data Scientist）更像產(chǎn)品經(jīng)理。他們得問"為什么跌"，然后設(shè)計實驗、建預(yù)測模型、跟工程師扯皮上線。Python和機器學(xué)習框架（如Scikit-learn、TensorFlow）是基本功，但真正的篩選器是"能否把AUC提升0.03講成業(yè)務(wù)語言"。

機器學(xué)習工程師（Machine Learning Engineer）則是隱形基建隊。模型從筆記本搬到生產(chǎn)環(huán)境， latency（延遲）從500毫秒壓到50毫秒，這活兒臟且貴。印尼市場這類崗位數(shù)量只有數(shù)據(jù)科學(xué)家的1/5，薪資卻高出40%。

很多人投了一百份簡歷沒回音，是因為用分析師的簡歷申科學(xué)家的崗，或者反過來。

作品集陷阱：Kaggle金牌≠面試通行證

印尼某頭部電商的招聘負責人曾私下吐槽：收到過一份"泰坦尼克號生存預(yù)測"的Kaggle Top 5%證書，面試時讓候選人解釋為什么用隨機森林而非XGBoost，對方答"因為準確率更高"——完全沒提過特征重要性或模型可解釋性。

作品集的黃金標準變了。2020年前，復(fù)雜模型是護城河；現(xiàn)在，端到端（End-to-End，指從數(shù)據(jù)獲取到部署上線全流程）的項目才是硬通貨。一個能展示的項目應(yīng)該包括：從API爬取臟數(shù)據(jù)、寫自動化清洗腳本、用Docker容器化、部署到云端（如AWS或GCP），最后附一個監(jiān)控面板截圖。

GitHub上的星星數(shù)不重要，README里有沒有寫"這個項目幫我發(fā)現(xiàn)了用戶流失的3個隱藏觸點"才重要。

疫情遺產(chǎn)：遠程辦公重塑了競爭半徑

疫情前，雅加達的數(shù)據(jù)科學(xué)家和新加坡的同僚活在兩個薪資宇宙?，F(xiàn)在，同一家跨國公司的遠程崗位，印尼候選人要和越南、菲律賓、甚至東歐的工程師同臺競價。

這倒逼出一個殘酷等式：本地薪資天花板 ÷ 國際競爭強度 = 你的真實議價空間。有人選擇深耕印尼語NLP（自然語言處理，Natural Language Processing）這類區(qū)域壁壘領(lǐng)域，有人直接跳槽去時區(qū)重疊的新加坡遠程崗，薪資翻倍。

LinkedIn榜單沒告訴你的是：Content Planner的增長曲線陡峭，但數(shù)據(jù)科學(xué)的職業(yè)生命周期更長。前者可能五年后被AI文案工具吃掉一半崗位，后者需要持續(xù)學(xué)習，但淘汰率反而更低——因為"懂業(yè)務(wù)+能寫代碼+會講故事"的三棲能力，自動化最難復(fù)制。

你現(xiàn)在打開招聘軟件，數(shù)據(jù)類崗位的描述里，"熟悉大語言模型（Large Language Model，LLM）應(yīng)用"出現(xiàn)的頻率是兩年前的17倍。這是新門檻，還是新泡沫？你的下一個作品集項目，準備押注哪一邊？