---
title: "資料職涯地圖：如何成為 Data Analyst、Scientist、Engineer 或 Team Lead？"
slug: data-career-growth-map
url: https://irenexailab.com/posts/data-career-growth-map
published_at: 2025-04-04
modified_at: 2025-04-04
author: "Irene Chen "
category: "資料人求職指南"
tags: ["資料職涯規劃", "機器學習工程師", "資料科學家", "資料工程師", "資料分析師"]
access: public_access
---

# 資料職涯地圖：如何成為 Data Analyst、Scientist、Engineer 或 Team Lead？

> 不論你是剛踏入資料領域的新手、已經工作幾年的分析師、或正邁向團隊領導角色的資深專業者，這篇文章將帶你認識資料職涯各階段的成長關鍵與技能建議，幫助你在數據的世界中走出屬於自己的路。

By **Irene Chen ** - Halo Project 共同創辦人、資料分析講師 | 2025-04-04

在資訊科技日新月異的今天，資料人才的需求日益增加。這篇文章將帶領大家了解如何養成資料人才，並且每個階段都有其技能關注的重點。資料人才的養成路徑分為三大階段：個人貢獻者的初期、中期、以及長期，並且在每個階段都有其專注的技能與重點。 個人貢獻者的初期：Junior這個階段的適用狀況為 Intern, 新鮮人, 或者是從其他領域過來的轉職工作者。工作與學習重點一、培養全方位的資料人才基本能力可以上各種機構的資料通才訓練課程直接踏入職場當一個 Junior 的角色，從多元的從實務中學習，培養對數據的敏感度與業界解決問題的思維二、探索自己的專長與熱情點在哪裡藉由基本能力導入，會開始發現自己對哪一種資料職能比較擅長以及有興趣目標：因資料職能非常多元，包含 Data Analyst、Data Scientist、Machine Learning Engineer 、Data Engineer 等，我們需要確立自己要往哪個職能發展。 資料職能光譜資料職能光譜包含了數據分析師 (Data Analyst)，資料科學家 (Data Scientist)，機器學習工程師 (Machine Learning Engineer)，以及資料工程師 (Data Engineer)。每種職能都有其專長與重點，例如資料分析師專長於數據視覺化與商業分析；資料科學家專長於模型分析與演算法研究；機器學習工程師專長於模型優化與工程開發；資料工程師專長於資料串接與部署自動化。選擇適合自己的路徑，並不斷學習與成長，是資料人才養成的重要關鍵。 如果我們對 BI 工具 (Data Studio/Tableau…… )比較擅長，熱衷於透過資料視覺化解釋資料的意義、能將資料 結果解讀給 stakeholder 了解、且對 SQL 查詢非常擅長，那會建議可以往 #資料分析師 (Data Analyst) 前進。如果我們熱衷於 end to end 執行資料科學專案，Python, SQL 語言都難不倒我們、不討厭談需求且也能瞭解目標產業分析主題愛用的演算法，那可以往 #資料科學家 (Data Scientists) 前進。如果我們同時對資料工程與演算法都有興趣，享受把自己做完的機器學習題目架構與流程化的過程，那可以往 #機器學習工程師 (Machine Learning Engineer) 前進。現在這個角色通常還可能另外專注在圖像或文字主題的模型建置，會深度學習演算法。如果我們特別對資料工程有興趣，包含 ETL、MLOps、crawler 、Data pipeline 優化等議題有興趣，那 #資料工程師 (Data Engineer) 就是你可能可以發展的路。 個人貢獻者的中期：Professional Junior/Senior這個階段的適用狀況為在資料職涯工作 2 年以上，並已確認自己要當 Data Analyst or Data Scientist、Machine Learning Engineer or Data Engineer。工作重點一、培養獨立解決 問題的能力過往可能會需要資深同事引導協助我們完成專案，現在需要的是降低資深同仁引導的時間，自己規劃自己的工作流，獨立查詢所需資訊與技術把專案如期完成。例如，以資料科學家為例，針對推薦系統題目，我們能獨立完成資料準備、資料清理、資料分析與部分的結果呈現的流程。(定義商業問題和結果呈現步驟還是偏難，可能還是需要領域專家引導是正常的)二、從 Mentee 往 Mentor 的養成當今天開始有 junior 的同事加入，因為已經有一些工作經驗，我們要能開始也有引導別人的能力，透過引導別人可以強化自己的知識架構，同時擴大自己的影響力。目標：過往可能都比較像是被動接收任務的角度，我們需要能更主動創造與推動對公司有利的資料題目應用，這部分可以跟直屬主管有更多的討論。 個人貢獻者的長期：Expert這個階段的適用狀況為在資料職涯工作 5 年以上，並已在以下職能 Data Analyst or Data Scientist、Machine Learning Engineer or Data Engineer 中工作多年。工作重點ㄧ、培養跨職能溝通能力通常一個規模較大的數據題目，都需要透過不同職能之間的彼此合作才能最有效率的完成，所以我們需要在此階段培養自己能跟不同職能的同事溝通的能力。以資料科學家為例，我們要知道今天完成一個資料科學任務會需要資料工程師協助，因為需要他們幫忙匯入資料以及將我們的結果串接自動化程式，因此我們要了解完成這些項目應該要如何尋求支援與溝通，並確保能互相尊重與理解。二、能站在公司的商業效益角度定義商業或技術問題這件事情不容易，但我會期許大家都能努力看看，我們要變成主管最得力的目標管理幫手，了解主管發包問題的背景與原因，甚至開始能思考輕重緩急並發想新的且符合公司方向的題目。目標：脫離個人成功的思維，轉而變成團隊成功思維，創造與完成更多規模更大的任務。 如果想當團隊領導者：Team Lead適用狀況在資料職涯工作 5 年以上，並已在以下職能 Data Analyst or Data Scientist、Machine Learning Engineer or Data Engineer 中工作多年。工作重點ㄧ、培養跨職能溝通能力通常一個規模較大的數據題目，都需要透過不同職能之間的彼此合作才能最有效率的完成，所以我們需要在此階段培養自己能跟不同職能的同事溝通的能力。以資料科學家為例，我們要知道今天完成一個資料科學任務會需要資料工程師協助，因為需要他們幫忙匯入資料以及將我們的結果串接自動化程式，因此我們要了解完成這些項目應該要如何尋求支援與溝通，並確保能互相尊重與理解。二、能站在公司的商業效益角度定義商業或技術問題這件事情不容易，但我會期許大家都能努力看看，我們要變成主管最得力的目標管理幫手，了解主管發包問題的背景與原因，甚至開始能思考輕重緩急並發想新的且符合公司方向的題目。目標：脫離個人成功的思維，轉而變成團隊成功思維，創造與完成更多規模更大的任務。 經驗分享每個人的資料人才養成路徑都會有所不同，有些人 upgrade 的速度比較快、有些人比較慢，這都沒有關係，只要目標明確，跟著自己的步調，就能漸漸達到。最近還有跟資深前輩聊到一些資料職涯現象，其實現在更難的是以個人貢獻者 Expert 再往上爬成更資深的 Expert 或是 Team Lead 的角度再往上爬成引領全公司資料變現領導人需要具備的能力。所以既然這條路可能會是我們的長期目標，我會期許大家跟我一起來面對這個問題，在現階段初期與中期的資料職涯中，就要多問自己做這些題目的原因與背景是什麼？它們能為公司、產業、台灣、世界創造什麼貢獻？做完這一版專案後，未來我們要如何延續？透過反覆多問自己問題，培養批判式思考與更強大的規劃 roadmap 能力，在長期的資料職涯中，我們會更有機會比別人還要亮眼。