知乎问题：

今天逛Quora时看到了一个有意思的问题： Why did you quit Data Science?

- 一些回答分享了他们选择离开了数据科学行业的原因，不同人之间的观点甚至互相矛盾，比如：

- 企业雇佣了数据科学家却没有足够的数据供他们分析，工作缺乏挑战性。

- 企业缺乏足够的硬件来处理大量的数据。

- 实际工作中技术要求不高，而更加偏重汇报而非建模。

总结来看，数据科学的准入门槛较高，但在实际工作中往往会遇到很多软件/硬件上的限制，导致从业者选择离开。

你是否可以分享选择离开数据科学/分析/挖掘行业的原因？或者你听说过有哪些有趣的离职原因？

回答：

并没有离开数据科学行业，但是对此颇有感受。

现任某上市公司集团用户数据中心，负责数据产品建设及数据模型在业务公司的实际落地。工作原因，见证了很多离职与升迁。为了提供更全面的认知，作为零基础转行数据分析并坚持至今的我总结了离开数据科学行业的三个节点：

节点一：“面试造火箭，工作拧螺丝”

——入职前的预期与上岗后的落差

估计各位经常可以看到铺天盖地的数据分析广告：同事偷偷学Python，不用加班还涨薪。

可能有不同行业苦逼中同学在了解后，觉得数据分析门槛低、收入高。于是便零基础转行，报课程学习相关知识。积累到一定程度后便开始投简历，投身到新的岗位上。

当顺利入职上岗后才发现，此前学习的各种模型：AARRR海盗模型、商品推荐模型、XGBoost算法等，都没用武之地。

实际工作中，其实大部分公司数据基础都不是很牢固，也就是说，面对一些业务需求甚至没有数据可以分析。

在AI模型的业务应用中，“可解释度”是很重要的因素，如果模型无法很好地还原到业务场景来解释，业务方很可能无法接受。所以业务应用中，【逻辑回归】是最受欢迎的模型，当然这中间也有是IT开发方面的原因。

这些现象也就是常说的“面试造火箭，工作拧螺丝”。建议尤其是零基础转行的同学，适当降低预期。根据二八原则，数据分析工作中，80%精力可能花是在数据获取、清洗，而分析部分的工作也是用最常用的对比分析等工具就可实现。

当然，这也是数据分析升级打怪的必由之路。把握好剩下的20%的核心分析，使分析结论在业务落地产生价值，即可蜕变晋升。

节点二：分析报告经常被“不了了之”

——数据分析结论无法在业务落地

克服了上阶段的落差后，分析师已经可以轻车熟路地完成各项数据工作。但是如果在此时不论是主动还是被动地选择离开，多半是因为数据分析工作对业务无法产生价值。

这可能并不是因为肚子里的墨水不够，而是有如一些刚毕业的大学生：理论知识丰富，但具体到业务场景的实践就不太行。在工作中，具体体现在输出一份视觉效果极佳的数据分析报告，而后就容易不了了之。

这过程仿佛一直在写报告，一直在沟通，但是分析出来的结果是否在业务侧有效落地？这是个关键的问题。

实际上理论与业务场景落地之间往往有一条鸿沟，要求灵活地应用模型，使之更贴合业务习惯。

例如，根据业务提升连带率的需求，分析师根据所学知识或下载好的模板，套上订单、商品等数据后，就可完成常说的购物篮分析。讨论会议上，分析师介绍完这个模型，告诉业务可以有的商品组合。因为业务之前可能没见过这样的结论，所以当场觉得很好。结果，却无法落地。

为什么？因为通用模型计算出的结果一般无法直接用，这个结果需要由分析师转译成具体的行动指南，业务才知道如何在实际工作中去配合实践。

例如对接的业务方是用户运营部门，业务实操的流程一般是先明确有了人群，例如通过RFM分组，然后再与运营沟通要产品、要折扣，再做人货匹配去触达。所以分析师直接给产品可以怎么组合的结果，业务方是蒙圈的，他们不知道在哪个环节可以插入。

所以这就要求做模型分析时，需要充足的业务经验，如果没有就拉上业务参与进来，才知道【业务目标】是要做复购，所以这个关联模型要调整成按用户前后订单商品做【复购关联分析】; 才知道业务是【按RFM模型分群运营】：重要价值用户 和 一般发展用户 的关联规则可能会不一样，要分开计算。

此外还要考虑最终的落地形态：

例如某次专项数据分析项目，结论通过测试，被证实有效。并期望可以复制到更普遍的日常中。从产出形态上说，也就是将专项的分析过程及报告可形成动态报表，更进一步地，可以形成数据产品，融入到日常工作中。

节点三：被“很低”的数据科学天花板压倒？

—— 无法明确职业发展路径

来到此节点的童鞋已经可以稳定地输出业务价值，实现从“查数姑” 到 “数据分析师” 的蜕变。

倘若选择这个时候再离开，原因可能更多元：无法实现业务更复杂的业务需求(如AI智能营销模型)、组织架构调整等等。

实际上刚开始进入到数据科学行业，尤其是转行的童鞋，起点可能是不高的，关键是在积累了专业知识及业务经验后，以此为跳