不能简单说DS在金钱回报和长期发展上更好。副业收入高低取决于能否完成价值交换,职业天花板则取决于你带来的是维持还是增量,两者都不由岗位名称决定。
AI根据立正公开的文章和视频整理,不是他本人回复。重要的判断,请回到出处核对。
副业赚钱靠交易技能,不靠岗位标签
立正把赚钱当成一门要练的手艺,核心是需求洞察、价值塑造、谈判和长期合作,而不是先选一个回报更高的岗位。他提到,只要开口收费,问题就从价格滑向动机,别人会开始怀疑你为什么收钱,所以第一笔真实的小交易往往比继续比较岗位更难也更有用1,2。他自己在副业上赚到钱之后,才发现副业比主业更稳定、成就感更强,也更能规模化3。这些是他个人在特定条件下的体会,不是“做DS或做副业就一定赚更多”的保证。
天花板来自防御型评价,不来自分析师身份
升不上去,往往不是因为能力差,而是因为一直停留在“交给你的事不会出问题”的防御型评价里。组织提拔人,看的是能不能带来新业务、新资源、新打法,也就是创造增量4。这个逻辑对分析师和DS同样成立:如果只是接住别人画好的框,岗位名称换一个也未必突破;如果能靠近业务结果、对结果负责,反而更难被替代5。所以“分析师转业务manager有天然天花板”这个判断,更可能是评价类型的问题,而不是身份本身的问题。
先做一次小交换,比先选赛道更能验证判断
AI推演如果你现在纠结的是“该不该把投入转向DS”,可以先不换赛道,而是试着在自己有把握的地方完成一次收费的小交换,比如帮一个具体的人解决一个具体问题并收一笔小钱。观察两件事:对方是否愿意付,以及你在过程中卡在哪一步——是找不到需求、说不清价值,还是不敢开口要钱1,2。这一步能帮你判断自己缺的是交易能力还是技术能力,比先比较DS和分析师的长期回报更直接。
材料没有关于DS与分析师薪资回报的直接比较,也没有美国职场天花板的系统数据,上述判断是从交易技能和升职逻辑推出来的。
出处
- 1第19课|赚钱不是结果,而是技能,它包括……
解释赚钱为什么是一门综合技能,适合核对副业回报取决于什么。
- 2第20课|想赚钱?如何改变空想付诸行动?
说明收费为什么难在动机而非价格,适合理解第一笔交易卡在哪。
- 3自媒体5年,没人告诉我的3个副业真相
立正本人副业与主业对比的体会,适合看副业稳定性和成就感的原始表述。
- 4高阶升职加薪的三个底层逻辑
区分防御型与进攻型评价,适合核对升职天花板的来源。
- 5AI Agent 时代的 FDE:把模型能力落到真实业务里
可回到原文核对这部分判断
你也有想问的?
卡住的时候,问问立正:回答附有出处,可以点回原文核对。
也可以接着问:
别人还问了
- 课代表立正在哪里讲过为什么要多用动词,少用名词,怎么拆解一个概念,怎么用prompt
立正在《为什么所有人都在学名词,但真正拉开差距的是动词》和《AI的正确打开方式:不学概念,学动作》里讲过:名词是地标,动词是走路的能力,拆概念就是把它还原成一组动词。
- Data scientist 和data analyst选哪个track更好
两个 track 的差别不在高低,而在你解决的问题是否需要复杂模型:Analytics 靠 SQL、可视化和业务判断,Scientist 靠统计建模,且后者的优势正在被工程能力挤压。
- 一个打算做几十年的非营利社群,不把规模当目标。它应该怎么定义成功,才不会变成假装忙碌的 fake work?什么样的成功定义是真的?
把成功定义成"某个具体的人或事发生了可验证的改变",而不是活动量、成员数或影响力这类感觉。指标只是衡量策略的代理,不能当目标本身。
- 大家都在抢着用 AI agent,把能自动化的都自动化了。往后看十年二十年,这个世界会缺什么?什么会变得真正稀缺?
稀缺的不是会用 AI 的人,而是能判断 AI 结果好坏、能收口负责的人,以及愿意把时间还给身体、关系与思考的人。
- 有个投资人讲 alexzandra wang
最直接的是周楠那期访谈,标题就点明他讲 Alexandr Wang 为什么是顶级创始人;片段里还提到 Scale AI 在 2021 到 2022 年因自动驾驶降温而客户变少的转折。
- 找到10%高价值的工作,但是在AI时代,对于data scientist来说,高价值的工作是什么呢?我觉得我之前很多的高价值的工作现在都没有价值了,而且留不下来,而且别人不会觉得是我做的。
AI 让“处理信息”这件事变便宜,所以数据科学里原来值钱的分析、建模、报表正在贬值;新的高价值位置是判断该做什么、把模糊问题变成可执行系统,并对结果负责。