2023年LinkedIn发布Jobs on the Rise榜单时，Content Planner（内容策划师）挤进前三，而数据科学家连影子都没出现。这份榜单被转发了上万次，但很少有人追问：为什么疫情期间的"最抢手职业"，在复苏期反而隐身了？
数据科学家的"隐身"悖论
LinkedIn 2023年的统计口径变了。疫情期间的榜单看"绝对增长量"，2023年改看"同比增长率"。Content Planner从近乎零的基数起步，增速自然好看。数据科学家岗位基数早已庞大，增速放缓不代表需求萎缩。
印尼数字人才平台Glints的数据更诚实：2022-2023年，数据类岗位投递量增长47%，但合格候选人缺口反而扩大到1:8.3。企业不是不招，是招不到能用的。
这个错位制造了信息噪音。求职者看到"Content Planner崛起"，以为数据科学凉了；招聘方看到简历堆成山，却发现90%的候选人连清洗脏数据（Dirty Data，指格式混乱、缺失值过多的原始数据）都要现学。
岗位细分：三个头衔，三种活法
数据科学这个筐里，现在装着泾渭分明的三类人。
数据分析师（Data Analyst）活得像翻译官。业务部扔来一堆Excel，他们用SQL和可视化工具（如Tableau、Power BI）翻译成"上周转化率跌了12%"。工具链成熟，门槛透明，印尼初级岗位年薪中位数约1.2亿印尼盾（约5.4万人民币）。
数据科学家（Data Scientist）更像产品经理。他们得问"为什么跌"，然后设计实验、建预测模型、跟工程师扯皮上线。Python和机器学习框架（如Scikit-learn、TensorFlow）是基本功，但真正的筛选器是"能否把AUC提升0.03讲成业务语言"。
机器学习工程师（Machine Learning Engineer）则是隐形基建队。模型从笔记本搬到生产环境， latency（延迟）从500毫秒压到50毫秒，这活儿脏且贵。印尼市场这类岗位数量只有数据科学家的1/5，薪资却高出40%。
很多人投了一百份简历没回音，是因为用分析师的简历申科学家的岗，或者反过来。
作品集陷阱：Kaggle金牌≠面试通行证
印尼某头部电商的招聘负责人曾私下吐槽：收到过一份"泰坦尼克号生存预测"的Kaggle Top 5%证书，面试时让候选人解释为什么用随机森林而非XGBoost，对方答"因为准确率更高"——完全没提过特征重要性或模型可解释性。
作品集的黄金标准变了。2020年前，复杂模型是护城河；现在，端到端（End-to-End，指从数据获取到部署上线全流程）的项目才是硬通货。一个能展示的项目应该包括：从API爬取脏数据、写自动化清洗脚本、用Docker容器化、部署到云端（如AWS或GCP），最后附一个监控面板截图。
GitHub上的星星数不重要，README里有没有写"这个项目帮我发现了用户流失的3个隐藏触点"才重要。
疫情遗产：远程办公重塑了竞争半径
疫情前，雅加达的数据科学家和新加坡的同僚活在两个薪资宇宙。现在，同一家跨国公司的远程岗位，印尼候选人要和越南、菲律宾、甚至东欧的工程师同台竞价。
这倒逼出一个残酷等式：本地薪资天花板 ÷ 国际竞争强度 = 你的真实议价空间。有人选择深耕印尼语NLP（自然语言处理，Natural Language Processing）这类区域壁垒领域，有人直接跳槽去时区重叠的新加坡远程岗，薪资翻倍。
LinkedIn榜单没告诉你的是：Content Planner的增长曲线陡峭，但数据科学的职业生命周期更长。前者可能五年后被AI文案工具吃掉一半岗位，后者需要持续学习，但淘汰率反而更低——因为"懂业务+能写代码+会讲故事"的三栖能力，自动化最难复制。
你现在打开招聘软件，数据类岗位的描述里，"熟悉大语言模型（Large Language Model，LLM）应用"出现的频率是两年前的17倍。这是新门槛，还是新泡沫？你的下一个作品集项目，准备押注哪一边？
热门跟贴