感觉Data Scientist （DS）的职业发展方向和两个因素关系最大，一个是出身（或者说本科研究生PHD领域），一个是职业生涯过程中遇到的机遇。
首先说出身，对于绝大多数人，如果毕业后选择职业方向，有三类人会成为或者说可以成为DS：
领域和DS自然相关的，比如CS，Stats，Machine Learning，偏CS、Computtional的Informatics等等；
领域和DS非自然相关的，但是学业背景非常专，而且这些领域往往依靠数据和编程的情况比较多，比如Computational Bio，Neuro Science，Mechanical Engineer；
领域可以transferable到DS上，尤其是从business/social impact的层面，比如Political Science，Global Health等等。
2和3最大的区别是编程和数据往往贯穿于2的日常工作学习，而3是往往已经知道事情的发展方向，有倾向地去找数据支持自己的观点。1和其他两点最大的不同是，专业细分度差，只学习方法，具体到事实场景再具体学习context。
之所以我先谈出身而不说发展方向是因为出身基本决定了方向，而且这个决定是主动的，也是被动的（市场和行业需要）。
对于1，绝大多数都会去tech或者fintech（有些fintech可能会更加倾向于某些专业，像物理和数学），原因是：
他们没有被special trained，这也是tech和fintech喜欢的一点；
去其他领域只能当support部门，接触前沿的机会相对少，职业发展很容易面临瓶颈。
对于2，绝大多数反而不会去tech或者fin tech，而最终会去他们自己领域的公司：
因为被special trained，如果只是去tech当一个普通的DS，自己这么多年学的东西就浪费了；
从技术环节上讲，和学ML、Stats和CS的竞争tech同等级的职位还是比较劣势的；
很多巨头公司现在都有很specialize的下放研究机构，比如Google（或者叫Alphabet更贴切）的Verily，也有不少更适合他们的机会；
最重要的是，这些高度专业的公司，基本不会招纯技术背景的去做核心的职位 （比如药厂里面的研发部门）。
对于3，还有1和2中对business层面更感兴趣的人，绝大多数会去tech，vendor/service company，big4或者consulting，总之选择的职位更加偏向analytics或者BI：
tech领域的包容性比较强，有些DS职位其实对技术并不是有非常高的要求；
现在很多consulting和big4为了顺应big data的趋势，有很多DS的职位；
这些职位往往需要理解力和沟通力强的人，技术并不是必须要求，反而懂点技术并且沟通能力强的人才是最需要的（当然也有一些因为client的原因，必须要求PHD的职位）；
并不是说做偏business而不是tech的人就low掉了。实际上过10年后，走管理路线的人，很多都是从这个track出来的（管2个人的小manager/director并不能完全算是管理路线，管理路线是指VP and above,比如EVP和CEO）。
开始入职时候做的东西还是以R和Python为主，慢慢开始写R package。同时，很快接触到hadoop和spark，开始重视Visualization，学习AWS。从被动给一个project去做，到开始接触其他的团队申请新的project，学会调配资源，学习evaluate各种DS Tool。目前为止，我觉得最重要的是：
熟练各种DS工具，因为这些工具是为了自己的工作服务的；
熟悉自己所在部门和公司整体的业务联系和业务流程；
理解自己做的东西究竟有什么样的business impact。
至于未来的职业发展途径，就靠个人选择和机遇了。总体还是基于你自己的行业和职业规划。
比如，已经有了几年大公司经验的DS加盟了startup，自然就要担当lead的职位。自己日常工作中的团队协调和真正的技术部分的所占百分比要自己调整。也有很多人求稳，在大的企业中做几十年。如果有机会，争取下management position，没有机会倒是也乐于做最基层的技术工作。
总之，职业途径是基于踏实做事的。踏实做事努力认真总会有好的机遇把自己拽到合适自己发展的路径上来。但是，不管走哪条路线，自己选择的项目的business impact是最重要的，也是衡量自己工作结果的唯一途径。这点对于DS这种新型职位尤其重要。在日常工作中，每天反思下，自己的工作的意义是什么，能给自己的团队带来什么，能给自己的公司带来什么。
直接投简历就行，现在很多企业招聘数据科学家要求1~3年经验，但实际上你如果是应届生也可以投的。数据科学是一门新学科，Glassdoor新发布的全美国50个最佳工作名单，数据科学家又是当之无愧的NO.1
其中排名Top10的工作中，有一半与Analytics、Big Data、Data Science相关：
Data Scientist $110,0002
DevOps Engineer $110,0003
Data Engineer $106,0005
Analytics Manager $112,0007
Database Administrator 8$93,000
其实从这份名单你就可以看出，成为一名数据科学家之前，你可以是软件工程师、可以是数据工程师、数据分析师甚至数据库管理员，所以不要太拘泥于某一条路径，现在开始干就好。
基本技能需求：
熟悉数据科学相关编程语言，如R，SAS，Python，SQL，Hive，Spark
数学和统计学基础要好，有一定分布式计算和统计建模方面的经验
熟悉数据库架构，数据过程，数据建模，数据挖掘和数据分析技术
熟悉数据可视化技术，会写数据分析报告
