在媒体宣传中，「数据科学家」已经成为了新世纪的最诱人岗位之一，不少公司也开始把数据分析师、数据工程师、软件工程师统称为数据科学家。但对于数据科学家的前景，也存在不少悲观看法，比如：
从某种意义是看，数据科学家既没有专业程序员的编程能力，也没有机器学习科研人员的知识深度，也不一定比商业人士更加拥有分析能力与前瞻性。另一个现象是，大部分情况下数据科学家的收入比同等级的程序员要低。因此一种预测是，等这一轮机器学习热潮过去后，数据科学家的需求会大幅度降低，而该岗位更像是一种噱头。
以美国目前的就业市场来看，数据科学家本身就不是一个单一的职业。虽然媒体炒作的时候说DS是能搭建大数据infra，做统计分析，业务分析，机器学习建模，研究新的模型算法，部署模型上线的集大成者，但是这种人在entry level是不存在的，在senior level也很少存在。所以严格按照上面这个标准招DS，尤其还是面对应届生的话，那是根本招不到的。但是DS这个概念已经被炒起来了，好像不设置这么一个岗位就落伍了，所以各个公司就各显神通，把跟上面的要求有部分交集的岗位改名叫了DS。
这一点在大公司更明显，比如Facebook的DS就是BA，Google的DS是statistician，Apple的一部分DS是BA，另一部分是做ML相关的Software Engineer（SWE），Mckinsey的DS就是原来的Associate多要求了一些data skills，Morgan Stanley的DS就是原来的Quant associate。所以未来5年，这一部分rebranding出来的岗位职能恐怕不会发生什么变化，因为这些本质上不是新岗位，本来该干什么还干什么。head count很可能还是稳中有升，竞争压力倒是会继续增大因为这两年大量转行读相关学位的人到时候也该陆续毕业了。
调包侠更多的存在那些对于自己设立DS岗位能带来什么价值不明确的公司，多见于传统行业或者小公司。这类岗位，当企业想明白自己需要什么了之后，有可能会发展成前面提到的那种分工更细致的岗位，其中一部分会分流给autoML之类的技术。如果企业还是没想明白需要什么，那倒是有可能盲目用autoML换一拨血。
对于求职者而言，不要笼统的目标定为做Data Science，最好是能定位到细化分工之后的岗位。其中data infra和machine learning engineer本质上都是SWE，所以相当于就是以做SWE为目标了。先考虑达到SWE的门槛，然后再考虑是不是要做data和ML相关。