立正把 Data Analytics 和 Data Scientist 区分开：Analytics 一般不用复杂模型解决问题，Scientist 则要用复杂的数学模型⁠1。落到技能上，analytics track 会 SQL、做数据可视化基本就够；scientist track 还要用 Python 处理更大规模的数据、做特征提取，最后建机器学习模型⁠2。所以选哪条，先看你更愿意把时间花在业务问题上，还是花在建模上。他也提醒，做 ML 的看不起做 DA 是普遍误区，从解决问题的复杂程度和价值看，两边都有很有价值、也很复杂的地方⁠1。

如果冲着机器学习选 Scientist，要注意立正的判断：绝大多数 data scientist 并不适合做这件事，因为做到最后，在什么机器上训练、怎么优化，其实是工程师更擅长的⁠3。深度学习更像工程理解主导的场景，真正做机器学习的公司几乎都走向工程路线，亚马逊叫 applied scientist，要过程序员的 coding bar、能写 production code，Facebook 干脆叫 machine learning engineer⁠4。也就是说，纯建模的差异化越来越薄，工程能力反而成了门槛。

立正后来把 DS 说成一个被发明出来的假 title，真正重要的是你想帮公司增长 revenue，通过什么方式增长，他不想被限制在数据里⁠5。这提示选 track 时可以换个问法：哪条路让你更接近业务结果。如果目标是尽快独立解决业务问题，Analytics 上手快、反馈直接；如果目标是长期做模型和实验，就要接受补工程能力这件事。可以先在现有工作里挑一个真实业务问题，试着把它翻译成数据问题再给出结论⁠6，看自己更享受定义问题还是打磨模型，这个反馈比 title 更能帮你判断。

立正讲机器学习岗位时提到，这类角色常被叫 machine learning engineer 或 applied scientist，本质是相关专业的博士，但还要过一道 coding bar，也就是具备软件工程的编程能力，才能把自己写的模型直接用到产品上⁠1。他还说，真正的模型很少是自己开发的，多是调用现有模型加调参，而 AutoML 这类工具正在把工程环节自动化，所以工程问题会越来越多交给工程师，只有一小部分人去做“该用哪个模型、怎么把模型变好”的科学问题⁠1。这意味着工程能力弱不是可以绕开的短板，而是这条路的入场条件。

立正强调工程 know-how 需要很强的积累，要一步一步做出来，不能一步登天；他举的例子是从清理数据开始，再到怎么用大模型、怎么调度算力、怎么快速迭代，把这一系列工程问题解决掉才有希望⁠2。他还用材料科学和芯片说明，工程能力很难被复制，因为一步差一点、多步叠加后良品率会差很多⁠3。放到你身上，可迁移的做法是先选一个能真正跑起来的小项目，把数据清理、训练、部署到能被人使用这条链路走完一遍，观察自己在哪一步卡住——卡住的地方往往就是最该补的工程环节，而不是再去多学一个模型。