疫情3年把數據科學家推上神壇，2023年LinkedIn榜單卻漏

2023年LinkedIn發布Jobs on the Rise榜單時，Content Planner（內容策劃師）擠進前三，而數據科學家連影子都沒出現。這份榜單被轉發了上萬次，但很少有人追問：為什么疫情期間的"最搶手職業"，在復蘇期反而隱身了？

數據科學家的"隱身"悖論

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

印尼數字人才平臺Glints的數據更誠實：2022-2023年，數據類崗位投遞量增長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"，以為數據科學涼了；招聘方看到簡歷堆成山，卻發現90%的候選人連清洗臟數據（Dirty Data，指格式混亂、缺失值過多的原始數據）都要現學。

崗位細分：三個頭銜，三種活法

數據科學這個筐里，現在裝著涇渭分明的三類人。

數據分析師（Data Analyst）活得像翻譯官。業務部扔來一堆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約1.2億印尼盾（約5.4萬人民幣）。

數據科學家（Data Scientist）更像產品經理。他們得問"為什么跌"，然后設計實驗、建預測模型、跟工程師扯皮上線。Python和機器學習框架（如Scikit-learn、TensorFlow）是基本功，但真正的篩選器是"能否把AUC提升0.03講成業務語言"。

機器學習工程師（Machine Learning Engineer）則是隱形基建隊。模型從筆記本搬到生產環境， 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量只有數據科學家的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，復雜模型是護城河；現在，端到端（End-to-End，指從數據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該包括：從API爬取臟數據、寫自動化清洗腳本、用Docker容器化、部署到云端（如AWS或GCP），最后附一個監控面板截圖。

GitHub上的星星數不重要，README里有沒有寫"這個項目幫我發現了用戶流失的3個隱藏觸點"才重要。

疫情遺產：遠程辦公重塑了競爭半徑

疫情前，雅加達的數據科學家和新加坡的同僚活在兩個薪資宇宙。現在，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）這類區域壁壘領域，有人直接跳槽去時區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，但數據科學的職業生命周期更長。前者可能五年后被AI文案工具吃掉一半崗位，后者需要持續學習，但淘汰率反而更低——因為"懂業務+能寫代碼+會講故事"的三棲能力，自動化最難復制。

你現在打開招聘軟件，數據類崗位的描述里，"熟悉大語言模型（Large Language Model，LLM）應用"出現的頻率是兩年前的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？