دانشمند تصمیم‌گیری
Decision Scientist
Decision Scientist عنوانی است که کارفرماها به نوعی از کار علم داده می‌دهند که خروجی‌اش یک تصمیم کسب‌وکار است، نه مدلی در پروداکشن: تعریف سنجه، طراحی و تحلیل A/B test، سنجیدن اثر تغییرها با روش‌های استنباط علّی وقتی آزمایش تصادفی ممکن نیست، و رساندن توصیهٔ روشن به مدیر محصول و مدیران ارشد. در آگهی‌های ۲۰۲۶ این عنوان دو شاخهٔ اصلی دارد: تیم‌های محصول، رشد و بازاریابی (مثل ZipRecruiter، Ibotta، Instructure و Vinted) و تیم‌های ریسک و تقلب (مثل Plooto و تیم‌های امنیت Vinted). بعضی شرکت‌ها، از جمله Sony Interactive Entertainment، همین کار را با عنوان Data Scientist و برچسب Decision Science آگهی می‌کنند.
مقدمه و تعریف شغل
دانشمند تصمیم‌گیری (Decision Scientist) با داده به این سؤال جواب می‌دهد: «چه کار کنیم؟». کار روزمره ترکیبی است از تعریف سنجه، طراحی و تحلیل آزمایش (A/B test)، سنجیدن اثر تغییرها با روش‌های استنباط علّی وقتی آزمایش ممکن نیست، و نوشتن و ارائهٔ توصیه‌ای که مدیر محصول یا مدیران ارشد بتوانند بر اساسش تصمیم بگیرند. ابزارهایش همان ابزارهای علم داده است، یعنی SQL و Python یا R، اما محصول نهایی کارش معمولاً یک تصمیم مستند است. آگهی مدیر Decision Science در ZipRecruiter این را خوب خلاصه می‌کند: باید بدانید کی «به‌اندازهٔ کافی خوب برای تصمیم» بر «از نظر آماری قطعی» می‌چربد.
Decision Scientist در ۲۰۲۶ عنوانی یکدست نیست و هر کارفرما آن را کمی متفاوت به کار می‌برد. در ZipRecruiter، دانشمند تصمیم‌گیری کنار تیم اپ موبایل با تحلیل، آزمایش و استنباط علّی عملکرد محصول را می‌سنجد و یافته‌ها را به استراتژی محصول تبدیل می‌کند. در Plooto و تیم‌های امنیت و تقلب Vinted، همین عنوان برای تنظیم قواعد و آستانه‌های ریسک و سنجیدن موازنهٔ زیان و اصطکاک کاربر به کار می‌رود. در CVS Health، Lead Decision Scientist بیشتر نقش مالک محصول تحلیلی را دارد و راه‌حل‌هایی را که تیم Data Science می‌سازد به دست ذی‌نفعان می‌رساند. بعضی شرکت‌ها همین کار را با عنوان Data Scientist آگهی می‌کنند: Sony Interactive Entertainment آگهی «Data Scientist II - Decision Science» دارد و Gen Digital برای MoneyLion آگهی «Data Scientist (Decision Science)». در صفحهٔ Glassdoor آمریکا، Meta و Uber هم جزو شرکت‌هایی‌اند که برای عنوان Decision Scientist دادهٔ حقوق دارند؛ در صفحهٔ بریتانیا بانک‌هایی مثل Barclays، NatWest و Monzo در صدرند و در هند Mu Sigma و Fractal. O*NET هم در جست‌وجوی «decision scientist» اول شغل تحلیلگر تحقیق در عملیات را نشان می‌دهد و Decision Analyst را جزو عنوان‌های گزارش‌شدهٔ آن آورده است. Cassie Kozyrkov، که طبق ویکی‌پدیا Chief Decision Scientist گوگل بود، در گفت‌وگویی با DataCamp در ۲۰۱۸ علم داده را «رشتهٔ تصمیم‌گیری، یعنی تبدیل اطلاعات به عمل» توصیف کرد.
چه چیزی می‌سازید؟
مثال‌های واقعی از خروجی کار یک دانشمند تصمیم‌گیری
آزمایش محصول از طراحی تا تصمیم
در تیم اپ موبایل ZipRecruiter، آزمایشی برای بهبود بازگشت کاربران طراحی، اجرا و تحلیل می‌کنید و نتیجه را به یک پیشنهاد روشن برای تیم محصول تبدیل می‌کنید.
سنجش اثر وقتی آزمایش ممکن نیست
در تیم Enterprise همان شرکت، مشتریان بزرگ کم‌اند و آزمایش تصادفی اغلب شدنی نیست؛ اثر طرح‌های فروش و بازاریابی را با روشی شبه‌آزمایشی یا ترکیب شواهد کمّی و کیفی می‌سنجید و میزان اطمینان به هر نتیجه را صریح می‌گویید.
تنظیم قواعد و آستانه‌های ریسک
در Plooto، عملکرد قواعد ریسک پرداخت و بررسی‌های دستی را تحلیل می‌کنید و تغییری در آستانه‌ها پیشنهاد می‌دهید که بررسی دستی غیرضروری را کم کند و زیان را در محدودهٔ مجاز نگه دارد.
موازنهٔ امنیت و تجربهٔ کاربر
در تیم تأیید حساب Vinted، موازنهٔ کنترل‌های امنیتی و اصطکاک کاربر را مدل می‌کنید و اثر روش‌های تازهٔ تأیید را با A/B test می‌سنجید.
سنجه و داشبورد تیم
برای یک تیم محصول، KPIها را تعریف و پایش می‌کنید، ناهنجاری سنجه‌ها را ریشه‌یابی می‌کنید و داشبوردی می‌سازید که ذی‌نفعان بدون کمک شما از آن استفاده کنند.
سنجش اثر محصولات AI
در تیم Automation & Optimization شرکت Oak Street Health (CVS Health)، پیگیری می‌کنید محصولات علم داده‌ای که در خود شرکت یا فروشنده‌ها ساخته‌اند چه اثری روی نتیجه‌های بالینی و عملیاتی دارند.
تخصص‌های مختلف دانشمند تصمیم‌گیری
این شغل یک عنوان واحد نیست — مسیرهای تخصصی متعددی دارد
Decision Science محصول و رشد
Product & Growth Decision Science
آزمایش و تحلیل برای جذب، تعامل و بازگشت کاربر و قیمت‌گذاری. نمونه‌ها: تیم اپ موبایل ZipRecruiter، Senior Decision Scientist در Instructure برای پذیرش محصول و قیمت‌گذاری، و نقش‌های Search Relevance و Purchase در Vinted.
Decision Science ریسک و تقلب
Risk & Fraud Decision Science
تنظیم قواعد، آستانه‌ها و استراتژی‌های بررسی برای کم کردن زیان بدون آزار کاربر عادی. نمونه‌ها: Decision Scientist, Risk در Plooto، نقش‌های Security و Fraud Management در Vinted، و نقش Decision Science در MoneyLion از تقلب تا اعتبارسنجی وام.
سنجش بازاریابی و شرکا
Marketing & Partner Measurement
سنجیدن اثر کمپین‌ها، روش‌های attribution و سنجه‌هایی مثل LTV:CAC و ریزش. نمونه‌ها: تیم Publisher Insights در Ibotta و سنجش کمپین‌های بازاریابی عملکردی در تیم Enterprise شرکت ZipRecruiter.
آزمایش و استنباط علّی
Experimentation & Causal Inference
تخصص در روش: طراحی آزمایش در مقیاس بزرگ و روش‌های شبه‌آزمایشی. Sony Interactive Entertainment در لندن آگهی‌هایی با عنوان «Data Scientist - Measurement, Experimentation & Causal Inference» دارد و Instructure از Senior Decision Scientist می‌خواهد سطح دقت آزمایش را در تیم‌ها بالا ببرد.
Decision Science در سلامت
Healthcare Decision Science
تحلیل دادهٔ بالینی و عملیاتی و سنجیدن اثر محصولات داده و AI روی نتیجهٔ درمان و عملیات. CVS Health نقش‌های متعددی با عنوان Decision Scientist دارد، از Product Analytics در Aetna تا Automation & Optimization در Oak Street Health.
تفاوت با شغل‌های مشابه
کجا این شغل تمام می‌شود و شغل دیگری شروع می‌شود؟
مرز این دو باز است و Decision Science را می‌شود شاخه‌ای از علم داده دانست: Sony آگهی‌اش را «Data Scientist II - Decision Science» نامیده و Glassdoor برای Decision Scientist مسیر Data Scientist، Senior Data Scientist و Data Scientist Manager را نشان می‌دهد. تفاوت در تمرکز است. دانشمند داده علاوه بر تحلیل، مدل آماری یا یادگیری ماشین می‌سازد؛ آگهی Sony هم که برچسب Decision Science دارد «تجربهٔ پیشرفته در به‌کارگیری روش‌های ML» را شرط کرده است. در مقابل، آگهی Sr. Decision Scientist در ZipRecruiter از یادگیری ماشین نامی نمی‌برد و روی تحلیل محصول، آزمایش و استنباط علّی تمرکز دارد.
تحلیلگر داده بیشتر با SQL، گزارش و داشبورد به سؤال‌های جاری کسب‌وکار جواب می‌دهد. دانشمند تصمیم‌گیری هم داشبورد و KPI می‌سازد، اما آگهی‌ها از او طراحی آزمایش و روش‌های استنباط علّی مثل synthetic control را هم می‌خواهند تا بتواند بگوید یک تغییر واقعاً چه اثری داشته است. این دو نقش نزدیک‌اند: شرط ورود آگهی Vinted «تجربه در نقش Decision Science یا Data Analytics» است.
طبق O*NET، تحلیلگر تحقیق در عملیات با مدل‌سازی ریاضی و روش‌های بهینه‌سازی اطلاعاتی می‌سازد که به مدیران در تصمیم‌گیری کمک کند، و Decision Analyst یکی از عنوان‌های گزارش‌شدهٔ این شغل است. هر دو نقش به تصمیم کمک می‌کنند، اما ابزارشان فرق دارد: تحقیق در عملیات بیشتر بهینه‌سازی و شبکه‌های زمان، هزینه و لجستیک است و Decision Scientist در آگهی‌های ۲۰۲۶ بیشتر آزمایش و استنباط آماری روی دادهٔ محصول، مشتری و ریسک.
در آگهی‌ها این دو بسیار نزدیک‌اند: شرط اصلی آگهی Sr. Decision Scientist در ZipRecruiter پنج سال تجربهٔ product analytics است و Lead Decision Scientist در CVS Health عضو تیم Product Analytics است. تفاوتی که آگهی‌ها نشان می‌دهند در انتظار از روش است: ZipRecruiter برای همین نقش دانش استنباط علّی، synthetic control و استنباط بیزی را امتیاز می‌داند. به همین دلیل، برای تحلیلگر محصولی که آمار و استنباط علّی یاد می‌گیرد، Decision Scientist قدم بعدی نزدیکی به نظر می‌رسد.
تأثیر در صنایع مختلف
دانشمند تصمیم‌گیری در همه صنایع مشغول به کار است — نه فقط شرکت‌های فناوری
بازار کار آنلاین
ZipRecruiter تیم‌های Decision Science را کنار محصول موبایل و مشتریان سازمانی گذاشته است تا اثر قابلیت‌ها، کمپین‌ها و طرح‌های فروش را بسنجند.
بازارگاه و تجارت الکترونیک
Vinted برای جست‌وجو، خرید، درآمد، تبلیغات، امنیت و تقلب نقش‌های جداگانهٔ Decision Scientist آگهی کرده است.
سلامت و بیمه
CVS Health و Aetna این عنوان را برای تحلیل محصولات بیمه‌ای، داده‌های بالینی و سنجش اثر محصولات AI به کار می‌برند.
پرداخت و فین‌تک
Plooto برای تصمیم‌های ریسک پرداخت و MoneyLion (از برندهای Gen Digital) برای راه‌حل‌هایی از تقلب تا اعتبارسنجی وام، دانشمند تصمیم‌گیری استخدام می‌کنند.
بانکداری
در صفحهٔ Glassdoor بریتانیا برای این عنوان، Barclays، NatWest، JPMorganChase و Monzo جزو شرکت‌های اول فهرست‌اند.
فناوری آموزشی و SaaS
Instructure تیم Decision Science دارد که آزمایش اجرا می‌کند و مدل‌های علّی و پیش‌بینی برای محصول، قیمت‌گذاری و برنامهٔ فروش می‌سازد.
بازی و سرگرمی
Sony Interactive Entertainment در تیم Decision Science با آزمایش، استنباط علّی و یادگیری ماشین به سؤال‌های تعامل با پلتفرم، قابلیت‌ها و بازی‌ها جواب می‌دهد.
بازاریابی عملکردی و کالاهای مصرفی
Ibotta، که به گفتهٔ خودش تخفیف دیجیتال برندها را به بیش از ۲۰۰ میلیون مصرف‌کننده می‌رساند، از دانشمندان تصمیم‌گیری برای سنجش کمپین‌ها و تحلیل برای مشتریان کالاهای مصرفی استفاده می‌کند.
تصورات غلط رایج
قبل از تصمیم‌گیری، این باورهای اشتباه را بشناسید
Decision Scientist حرفه‌ای کاملاً جدا از علم داده است
در عمل شاخه‌ای از همان خانواده است. Sony و Gen Digital همین کار را با عنوان Data Scientist و برچسب Decision Science آگهی می‌کنند و Glassdoor برای این عنوان مسیر Data Scientist تا Data Scientist Manager را نشان می‌دهد. پیش از درخواست، شرح وظایف را بخوانید، نه فقط عنوان را.
این شغل فقط در Google و Meta وجود دارد
آگهی‌های بررسی‌شده از ZipRecruiter، Ibotta، Instructure، Plooto، CVS Health و Vinted هستند و Glassdoor برای این عنوان از بانک‌های بریتانیا تا شرکت‌های هندی داده دارد. Instructure حتی آگهی Senior Decision Scientist را برای مکزیک منتشر کرده است.
Decision Science یعنی فقط اجرای A/B test
آزمایش بخش مهمی است، اما همیشه ممکن نیست. ZipRecruiter در آگهی مدیر Decision Science می‌نویسد با پایهٔ کوچک مشتریان سازمانی آزمایش تصادفی اغلب شدنی نیست و گاهی داده حتی برای روش‌های استنباط علّی هم کافی نیست؛ آن‌وقت باید قوی‌ترین روشی را انتخاب کنید که داده اجازه می‌دهد و میزان اطمینان را صادقانه بگویید.
بدون دکترا نمی‌شود وارد این شغل شد
به آگهی بستگی دارد. ZipRecruiter، Ibotta و CVS Health کارشناسی در رشته‌ای کمّی یا معادلش را کافی می‌دانند؛ Sony ارشد یا دکترا می‌خواهد اما کارشناسی با تجربهٔ بیشتر را هم بررسی می‌کند؛ Instructure برای Senior Decision Scientist ارشد یا دکترا را شرط کرده است.
دانشمند تصمیم‌گیری خودش تصمیم می‌گیرد
تصمیم معمولاً با مدیر محصول یا مدیران ارشد است. کار دانشمند تصمیم‌گیری، به تعبیر آگهی CVS Health، این است که یافته‌ها را به توصیه برای تصمیم ترجمه کند، اثر تصمیم را ارزیابی کند و اقدام‌ها را بر اساس ارزش، امکان‌پذیری و ریسک اولویت بدهد.
یک روز کاری واقعی
در هر سطح روز کاری چه شکلی است؟
ورودی (۰ تا ۲ سال)
بیشتر وقت به کوئری‌نویسی، آماده کردن داده و ساخت داشبورد و تحلیل‌های مشخص می‌گذرد. یاد می‌گیرید داده چطور ساخته شده و کجا ایراد دارد و با تحلیل‌های افراد ارشدتر آشنا می‌شوید.
- ◆بررسی داشبورد سنجه‌های تیم و پیگیری هر تغییر غیرعادی
- ◆نوشتن کوئری SQL برای پاسخ به یک سؤال مشخص مدیر محصول
- ◆آماده کردن جدول‌ها و نماهای مستند تا دیگران هم بتوانند از داده استفاده کنند
- ◆تحلیل نتیجهٔ یک آزمایش ساده زیر نظر یک همکار ارشد
- ◆نوشتن خلاصهٔ کوتاه یافته‌ها برای تیم
میانی (۲ تا ۵ سال)
آزمایش‌ها را خودتان طراحی و تحلیل می‌کنید، کنار مدیر محصول دربارهٔ اولویت‌ها حرف می‌زنید و یافته‌ها را مستقیم به مدیران ارائه می‌کنید.
- ◆جلسه با مدیر محصول برای تعریف سنجهٔ موفقیت یک قابلیت تازه
- ◆محاسبهٔ حجم نمونه و طراحی یک A/B test
- ◆تحلیل آزمایش هفتهٔ قبل و بررسی اثر آن روی سنجه‌های محافظ
- ◆ساخت مدل پیش‌بینی ساده، مثلاً برای ریزش یا ارزش طول عمر مشتری
- ◆ارائهٔ نتیجه و پیشنهاد به تیم بازاریابی یا محصول
ارشد و مدیر (۵+ سال)
کمتر خودتان کوئری می‌نویسید و بیشتر روی انتخاب سؤال درست، روش درست و رساندن نتیجه به تصمیم‌گیرنده وقت می‌گذارید. در سطح مدیر، رشد افراد تیم و استاندارد روش هم با شماست.
- ◆تصمیم دربارهٔ اینکه کدام سؤال ارزش تحلیل دارد و با چه روشی
- ◆بازبینی طراحی آزمایش و ادعاهای علّی هم‌تیمی‌ها
- ◆طراحی سنجش اثر برای طرحی که آزمایش تصادفی برایش ممکن نیست
- ◆ارائهٔ توصیه به مدیران ارشد همراه با میزان اطمینان و ریسک
- ◆جلسهٔ یک‌به‌یک با اعضای تیم برای رشد شغلی‌شان
مسئولیت‌ها و وظایف
مسئولیت‌های اصلی
وظایف روزانه و مهارت‌های مورد نیاز در این شغل
- ◈طراحی، اجرا و تحلیل A/B test و آزمایش‌های کنترل‌شده برای سنجیدن اثر قابلیت‌ها، قیمت‌ها و کمپین‌ها
- ◈سنجیدن اثر با روش‌های شبه‌آزمایشی مثل difference-in-differences، synthetic control و matching وقتی تصادفی‌سازی ممکن نیست
- ◈تعریف KPI و ساخت گزارش و داشبورد برای پایش عملکرد محصول یا ریسک
- ◈نوشتن SQL و Python روی داده‌های بزرگ محصول یا تراکنش، و شناختن محدودیت‌ها و ملاحظات همان داده
- ◈پایش و تنظیم قواعد و آستانه‌های ریسک و سنجیدن موازنهٔ اصطکاک کاربر و زیان مالی (در تیم‌های ریسک و تقلب)
- ◈تبدیل سؤال مبهم کسب‌وکار به مسئلهٔ تحلیلی روشن
- ◈ارائهٔ توصیهٔ قابل اقدام به مدیر محصول و مدیران ارشد، همراه با میزان اطمینان به هر نتیجه
- ◈استفاده از ابزارهای AI و خودکارسازی برای سرعت دادن به تحلیل، پایش و آزمایش
- ◈تعیین استاندارد روش برای تیم و راهنمایی هم‌تیمی‌ها دربارهٔ سطح دقت لازم برای هر سؤال (سطح ارشد و مدیر)
مهارت‌های مورد نیاز
مهارت‌های فنی، نرم و حوزه‌ای که یک دانشمند تصمیم‌گیری موفق به آن‌ها نیاز دارد
آمار، آزمایش و استنباط علّی
بازهٔ اطمینان، p-value، توان آزمون و حجم نمونه؛ پایهٔ هر تحلیل این نقش
از تعریف سنجه و تصادفی‌سازی تا تحلیل و تفسیر نتیجه
رگرسیون خطی و لجستیک برای توضیح و کنترل متغیرها
Difference-in-differences، synthetic control و matching برای وقتی تصادفی‌سازی ممکن نیست
مدل‌های بیزی و بیان نتیجه به‌صورت احتمال؛ ZipRecruiter آن را امتیاز می‌داند
مدل‌سازی سری زمانی، فصلی بودن و پیش‌بینی؛ در آگهی Ibotta خواسته شده
مدل‌های طبقه‌بندی و پیش‌بینی؛ Sony، Gen Digital و Instructure آن را می‌خواهند
برای تیم‌های ریسک و تقلب، مثل آگهی Plooto
داده و ابزار
بیرون کشیدن و ترکیب داده از جدول‌های بزرگ محصول یا تراکنش
تحلیل آماری، آزمایش و خودکارسازی
Looker، Tableau یا Power BI برای داشبوردهای self-service
Databricks، Snowflake یا Spark برای دادهٔ بزرگ
کنترل نسخهٔ کد تحلیل؛ Ibotta و Sony آن را نام برده‌اند
استفاده از دستیارهای AI برای سرعت و کیفیت تحلیل و سنجیدن خروجی آن‌ها
کسب‌وکار و ارتباط
تبدیل سؤال مبهم کسب‌وکار به مسئلهٔ تحلیلی روشن
انتخاب سنجه‌ای که واقعاً موفقیت را نشان دهد و شناختن محدودیت‌هایش
توصیهٔ کوتاه و روشن برای مخاطب غیرفنی، بدون از دست دادن دقت
وصل کردن تحلیل به نتیجهٔ قابل‌اندازه‌گیری کسب‌وکار
ترکیب شواهد کمّی محدود با سیگنال‌های کیفی و بیان صادقانهٔ عدم قطعیت
کار هم‌زمان با محصول، مهندسی، فروش و مدیران ارشد
نقشه راه و مسیر آموزشی
نقشه راه تبدیل شدن به دانشمند تصمیم‌گیری
این مسیر گام به گام شما را از صفر تا حرفه‌ای هدایت می‌کند.
SQL، Python و کار با دادهٔ واقعی
در ۱۰ آگهی از ۱۱ آگهی بررسی‌شده SQL صریحاً خواسته شده و در همهٔ این ۱۰ آگهی Python یا R هم کنارش آمده است. JOIN، GROUP BY، زیرکوئری و window function را تمرین کنید و بعد روی یک دادهٔ واقعی و نامرتب سؤال بپرسید. آگهی ZipRecruiter یادآوری می‌کند که باید دادهٔ محصول را عمیق بشناسید، «با محدودیت‌ها و ملاحظاتش».
آمار، احتمال و رگرسیون
پایهٔ این شغل آمار است. ZipRecruiter «به‌کارگیری اصول آماری برای تصمیم‌های کسب‌وکار» را شرط کرده، Ibotta تسلط به تحلیل آماری کاربردی، طراحی آزمایش و آزمون فرض را و Vinted آشنایی با A/B test، رگرسیون و «دیگر روش‌های استنباطی» را. آمار توصیفی و استنباطی، بازهٔ اطمینان، آزمون فرض و رگرسیون را تا جایی یاد بگیرید که بتوانید نتیجه را برای کسی که آمار نخوانده توضیح دهید.
طراحی و تحلیل آزمایش (A/B test) و تعریف سنجه
طراحی، اجرا و تحلیل آزمایش تقریباً در همهٔ آگهی‌ها آمده است: ZipRecruiter برای رشد محصول، Vinted برای سنجیدن روش‌های تازهٔ تأیید حساب، و Plooto برای ارزیابی قواعد و استراتژی‌های تازهٔ ریسک. پیش از آزمایش باید سنجه را تعریف کنید؛ ZipRecruiter و Vinted هر دو تعریف و پایش KPI را جزو کار می‌دانند و Vinted تعریف نیازهای ردگیری (tracking) را هم. حجم نمونه را پیش از شروع حساب کنید و برای هر نتیجه بنویسید چه تصمیمی از آن بیرون می‌آید.
استنباط علّی و روش‌های شبه‌آزمایشی
همیشه نمی‌شود آزمایش تصادفی اجرا کرد. آگهی مدیر Decision Science در ZipRecruiter تجربهٔ سنجش اثر با «difference-in-differences، synthetic control و matching» را برای وقتی که تصادفی‌سازی ممکن نیست می‌خواهد و آگهی Sr. Decision Scientist همان شرکت دانش استنباط علّی، synthetic control و استنباط بیزی را امتیاز می‌داند. Instructure هم «مطالعه‌های استنباط علّی» برای سنجیدن اثر قابلیت‌ها، قیمت‌گذاری و طرح‌های بازاریابی را جزو وظایف آورده است. این مرحله بیشترین فاصله را بین تحلیلگر و دانشمند تصمیم‌گیری می‌سازد.
منابع پیشنهادی
از تحلیل تا تصمیم: ارائه، قضاوت و ابزارهای AI
نتیجهٔ کار باید به تصمیم برسد. CVS Health از Lead Decision Scientist می‌خواهد توصیه را در قالب «داستان‌های آماده برای مدیران ارشد» ارائه کند و Instructure از مدیر Decision Science که تحلیل پیچیده را به زبان ساده برای مدیر توضیح دهد و روشش را پیش همکاری که ریاضی‌اش را می‌داند هم دفاع کند. ZipRecruiter قضاوت درست در شرایط دادهٔ کم و بیان صادقانهٔ عدم قطعیت را می‌خواهد. ابزارهای AI هم وارد این کار شده‌اند: Instructure آشنایی عمیق با Claude، ChatGPT و Glean را شرط کرده و Plooto استفاده از AI برای سرعت دادن به تحلیل، پایش و آزمایش را جزو وظایف آورده است.
ابزارها و استک فنی
ابزارهایی که هر مهندس AI باید بشناسد، دسته‌بندی‌شده بر اساس اولویت
داده و زبان‌ها
در ۱۰ آگهی از ۱۱ آگهی بررسی‌شده صریحاً خواسته شده است؛ Plooto تحلیل دادهٔ تراکنشی بزرگ با SQL را می‌خواهد
زبان اصلی تحلیل، آزمایش و خودکارسازی؛ ZipRecruiter، Plooto، CVS Health، Sony و Gen Digital آن را نام برده‌اند
آمار و استنباط علّی
کتابخانهٔ متن‌باز Python برای برآورد مدل‌های آماری و اجرای آزمون‌های آماری، با پشتیبانی از فرمول به سبک R
کتابخانهٔ Python برای استنباط علّی که مدل‌سازی و آزمودن صریح فرض‌های علّی را پشتیبانی می‌کند
بستهٔ R از Google برای استنباط علّی در سری زمانی؛ برای سنجیدن اثر یک تغییر یا کمپین وقتی گروه کنترل تصادفی نیست
آزمایش و مدل‌سازی
پلتفرم متن‌باز feature flag، آزمایش و تحلیل محصول که می‌شود آن را برای تمرین روی سرور خودتان نصب کرد
کتابخانهٔ یادگیری ماشین در Python؛ Sony، Gen Digital و Instructure برای این نقش مدل‌سازی پیش‌بینی یا ML هم می‌خواهند
BI، ارائه و AI
پلتفرم BI گوگل؛ Vinted ساخت داشبوردهای self-service با Looker را می‌خواهد و Ibotta آن را نام برده است
دستیارهای AI؛ Instructure آشنایی عمیق با Claude، ChatGPT و Glean را برای بالا بردن سرعت و کیفیت تحلیل شرط کرده است
مسیر پیشرفت شغلی
از جونیور تا Staff Engineer — چه مهارت‌هایی نیاز دارید و چه درآمدی انتظار داشته باشید
Decision Scientist (ورودی)
۰ تا ۲ سال
ساخت کوئری، داشبورد و تحلیل‌های مشخص زیر نظر افراد ارشدتر. آگهی Decision Scientist در Oak Street Health (CVS Health) یک سال تجربهٔ تحلیل و یک سال کار با SQL و Python را کافی می‌داند و Plooto دو تا سه سال تجربه در تحلیل ریسک، تقلب یا نقش کمّی مشابه را.
Decision Scientist
۲ تا ۵ سال
~$95K
میانگین سالانه (آمریکا)
طراحی و تحلیل مستقل آزمایش، ساخت مدل پیش‌بینی ساده و ارائهٔ یافته‌ها به تیم و مدیران. آگهی Ibotta برای این سطح دست‌کم سه سال تجربهٔ تحلیلی می‌خواهد.
Senior / Staff / Lead Decision Scientist
۵+ سال
~$161K
میانگین سالانه (آمریکا)
مالکیت سؤال‌های یک حوزهٔ محصول، استفاده از روش‌های استنباط علّی وقتی آزمایش ممکن نیست و راهنمایی هم‌تیمی‌ها. ZipRecruiter برای Sr. Decision Scientist پنج سال تجربهٔ تحلیل محصول می‌خواهد و Instructure برای Senior Decision Scientist پنج تا هفت سال تجربه و مدرک ارشد یا دکترا.
Decision Science Manager / Director
۶ تا ۱۰+ سال، با سابقهٔ مدیریت
ساخت و هدایت تیم، تعیین استاندارد روش و تصمیم دربارهٔ اینکه تیم کدام سؤال‌ها را بپذیرد. ZipRecruiter برای مدیر این تیم شش سال تجربهٔ تحلیل یا علم داده و یک سال مدیریت مستقیم می‌خواهد و بازهٔ حقوق پایهٔ ۱۷۷٬۵۰۰ تا ۲۳۵٬۰۰۰ دلار را اعلام کرده است؛ Instructure برای Director دست‌کم ده سال تجربه، شامل سه سال مدیریت تیم.
چالش‌ها و جنبه‌های منفی
واقعیت‌هایی که کمتر در آگهی‌های شغلی می‌بینید — قبل از ورود بدانید
وقتی آزمایش ممکن نیست و داده کم است
عمومیZipRecruiter در آگهی مدیر Decision Science صریح می‌نویسد که در حوزهٔ مشتریان سازمانی آزمایش تمیز کمیاب است و گاهی داده حتی برای روش‌های استنباط علّی هم کافی نیست. باید قوی‌ترین روشی را که داده اجازه می‌دهد انتخاب کنید، شواهد کمّی را با سیگنال‌های کیفی ترکیب کنید و به همکاران بگویید به هر نتیجه چقدر می‌شود اعتماد کرد.
شناختن محدودیت‌های داده
عمومینتیجه به اندازهٔ داده‌ای که پشتش است معتبر است. ZipRecruiter شناخت عمیق دادهٔ محصول «با محدودیت‌ها و ملاحظاتش» را می‌خواهد و Oak Street Health از این نقش می‌خواهد به همکاران کمک کند بفهمند دادهٔ موجود چه چیزی را پشتیبانی می‌کند و چه چیزی را نه.
موازنهٔ زیان و اصطکاک کاربر
عمومیدر تیم‌های ریسک، هر قاعدهٔ سخت‌گیرانه‌تر هم زیان را کم می‌کند و هم کاربر عادی را آزار می‌دهد. Plooto این موازنه را صریحاً جزو شرایط آورده و Vinted برای تیم تأیید حساب می‌خواهد موازنهٔ کنترل امنیتی و تجربهٔ کاربر را مدل کنید. پیدا کردن نقطهٔ درست به عدد و به قضاوت هر دو نیاز دارد.
عنوانی که هر کارفرما متفاوت می‌فهمد
عمومیDecision Scientist در یک شرکت یعنی تحلیلگر محصول با تسلط آماری، در شرکت دیگر متخصص ریسک و در CVS Health نقشی نزدیک به مالک محصول تحلیلی با پیش‌زمینهٔ مشاورهٔ استراتژی. هنگام جست‌وجوی شغل، عنوان‌های Data Scientist و Product Analytics را هم بگردید و شرح وظایف را دقیق بخوانید.
کار با ابزارهای AI بدون از دست دادن دقت
عمومیInstructure از Senior Decision Scientist «AI-first thinking» و آشنایی عمیق با Claude، ChatGPT و Glean را می‌خواهد و Ibotta به‌کارگیری مؤثر AI در جریان کار تحلیلی را. این ابزارها کار را سریع‌تر می‌کنند، اما ارزش این نقش به درستی روش و نتیجه است؛ پس خروجی AI را مثل کار یک هم‌تیمی تازه‌کار بازبینی کنید.
ورود به بازار بدون سابقه
عمومیبیشتر آگهی‌های بررسی‌شده چند سال تجربه می‌خواهند: سه سال در Ibotta، پنج سال در نقش ارشد ZipRecruiter و دو تا سه سال در Plooto. نقش‌های کم‌تجربه‌تر هم هست، مثل آگهی Oak Street Health با یک سال تجربه، اما در میان آگهی‌های بررسی‌شده کمیاب‌ترند. خبر خوب اینکه آگهی‌ها تجربه در نقش‌های نزدیک را هم می‌پذیرند: ZipRecruiter تجربهٔ تحلیل محصول، Vinted تجربه در Data Analytics و Plooto تجربه در تحلیل ریسک یا تقلب. پس شروع با یکی از این نقش‌ها و حرکت به سمت آزمایش و استنباط علّی راه منطقی ورود است.
حقوق و بازار کار جهانی
حقوق جهانی دانشمند تصمیم‌گیری
حقوق سالانه در کشورهای مختلف بر اساس داده‌های منتشرشده؛ منبع هر ردیف با آیکون کنار نام کشور باز می‌شود.
* ارقام سالانه‌اند. منبع هر رقم:
- Glassdoor US, estimate updated Apr 2025, total pay (base + additional): 25th–75th pct; average (292 salaries)
- BLS OEWS May 2025, proxy: Data Scientists (15-2051), the closest official occupation: 25th–75th pct; median
- Ibotta posting, Decision Scientist, Strategic Partner and Marketing Analytics (Denver hybrid, 3+ years), posted Oct 8, 2026: US base range; median = midpoint
- ZipRecruiter posting, Sr. Decision Scientist, Mobile (Santa Monica/US remote, 5+ years), posted Oct 21, 2026: US base range; median = midpoint
- Glassdoor UK, estimate updated Oct 2026, total pay: 25th–75th pct; average (35 salaries)
- Glassdoor Netherlands, estimate updated Oct 2025, total pay: 25th–75th pct; average (13 salaries)
- Glassdoor India, estimate updated May 2025, total pay: 25th–75th pct; average (1,195 salaries)
- Instructure posting, Senior Decision Scientist (Mexico, 5–7 years), posted Oct 12, 2026: annual salary range; median = midpoint
چگونه از صفر شروع کنیم
برنامه گام‌به‌گام برای ورود به مهندسی هوش مصنوعی
ماه ۱: مرور آمار و رگرسیون
آزمون فرض، بازهٔ اطمینان و رگرسیون را مرور کنید و چند تمرین را با Python انجام دهید.
ماه ۲: آزمایش آنلاین
اصول طراحی آزمایش، انتخاب سنجه و خطاهای رایج را یاد بگیرید و برای یک آزمایش فرضی حجم نمونه حساب کنید.
ماه ۳: پروژهٔ اول
یک A/B test را روی دادهٔ عمومی یا شبیه‌سازی‌شده کامل تحلیل کنید و یادداشت تصمیم یک‌صفحه‌ای بنویسید.
ماه ۴: استنباط علّی
difference-in-differences و synthetic control را یاد بگیرید و مثال‌های کتاب را با Python اجرا کنید.
ماه ۶: رزومه و درخواست
تجربه‌های تحلیلی‌تان را با زبان تصمیم بازنویسی کنید، یعنی بگویید هر تحلیل به چه تصمیمی رسید، و برای نقش‌های Decision Scientist، Product Analytics و Data Scientist با تمرکز آزمایش درخواست بدهید.
پروژه‌های پیشنهادی برای رزومه
تحلیل کامل یک A/B test همراه با یادداشت تصمیم
مبتدیروی یک دادهٔ عمومی یا شبیه‌سازی‌شده، از ابتدا تا انتها یک آزمایش را طراحی و تحلیل کنید: فرضیه، سنجهٔ اصلی و سنجه‌های محافظ، محاسبهٔ حجم نمونه، تحلیل نتیجه و بازهٔ اطمینان. در پایان یک یادداشت یک‌صفحه‌ای بنویسید که می‌گوید چه تصمیمی پیشنهاد می‌کنید و چقدر به آن مطمئنید.
درخت سنجه و داشبورد برای یک محصول
مبتدیبرای یک محصول فرضی، مثل اپ موبایل یا فروشگاه آنلاین، سنجهٔ اصلی و سنجه‌های زیرمجموعه را تعریف کنید، با SQL از روی داده محاسبه‌شان کنید و یک داشبورد ساده بسازید. توضیح دهید هر سنجه چه محدودیتی دارد و کجا ممکن است گمراه‌کننده باشد.
سنجش اثر یک تغییر بدون آزمایش تصادفی
متوسطیک تغییر واقعی در دادهٔ عمومی پیدا کنید، مثلاً یک سیاست یا رویداد در یک منطقه، و اثرش را با difference-in-differences یا synthetic control بسنجید. فرض‌های روش را صریح بنویسید، آن‌ها را تا جایی که می‌شود بیازمایید و نتیجه را با یک روش دوم مقایسه کنید.
تنظیم آستانهٔ یک قاعدهٔ تقلب
متوسطروی یک دادهٔ عمومی تقلب یا تراکنش، مدلی ساده یا مجموعه‌ای از قواعد بسازید و نشان دهید تغییر آستانه چطور میزان مثبت کاذب، بررسی دستی و زیان را جابه‌جا می‌کند. شبیه کاری که Plooto از این نقش می‌خواهد، یک آستانه را با استدلال روشن دربارهٔ موازنهٔ اصطکاک کاربر و زیان پیشنهاد کنید.
تحلیل بیزی یک آزمایش با دادهٔ کم
پیشرفتهآزمایشی را در نظر بگیرید که نمونه‌اش کوچک است، مثلاً روی تعداد محدودی مشتری سازمانی، و با یک مدل بیزی احتمال بهتر بودن هر گزینه را برآورد کنید. نتیجه را با تحلیل کلاسیک مقایسه کنید و در یادداشت بنویسید با این میزان شواهد چه تصمیمی منطقی است و چه چیزی نمی‌دانیم.
مثال‌های واقعی و Case Studies
داستان‌های واقعی از مهندسانی که در این حوزه تأثیرگذار بوده‌اند
دانشمند داده و آماردان اهل آفریقای جنوبی. طبق ویکی‌پدیا، در پانزده‌سالگی تحصیل در اقتصاد و آمار ریاضی را در دانشگاه Nelson Mandela شروع کرد، کارشناسی را در دانشگاه شیکاگو تمام کرد و در Duke در رشتهٔ روان‌شناسی و علوم اعصاب شناختی، با تمرکز بر اقتصاد عصبی (neuroeconomics)، تحصیلات تکمیلی را دنبال کرد.
طبق ویکی‌پدیا، در ۲۰۱۴ به‌عنوان آماردان به Google پیوست، در ۲۰۱۶ به دفتر CTO گوگل رفت و سمت Chief Decision Scientist گوگل را داشت؛ ویکی‌پدیا او را بنیان‌گذار Decision Intelligence می‌داند. نوشته‌هایش در Harvard Business Review و Forbes منتشر شده است.
ترکیب آمار با اقتصاد و علوم شناختی در کارنامهٔ او دیده می‌شود. برای کسی که از اقتصاد یا روان‌شناسی می‌آید، این نمونه نشان می‌دهد پیش‌زمینه‌ای غیر از علوم کامپیوتر در کار تصمیم‌سازی با داده می‌تواند نقطهٔ قوت باشد.
طبق سایت کتابش، دکترای علوم کامپیوتر را از Stanford دارد و پیش از Microsoft مدیر داده‌کاوی و شخصی‌سازی در Amazon.com بود. در Microsoft به Technical Fellow و Corporate VP رسید و بعد Vice President و Technical Fellow در Airbnb شد؛ امروز مشاوره و تدریس می‌کند.
طبق سایت ExP، پروژهٔ Experimentation Platform در Microsoft را از ۲۰۰۶ هدایت کرد و در ۲۰۱۹ بیش از ۱۵ گروه محصول اصلی Microsoft، از جمله Bing، Office، Teams، Windows و Xbox، از آن استفاده می‌کردند. با Diane Tang از Google و Ya Xu از LinkedIn کتاب Trustworthy Online Controlled Experiments را نوشت که Cambridge University Press در ۲۰۲۰ منتشر کرد.
کار او نشان می‌دهد آزمایش در مقیاس بزرگ فقط یک تکنیک آماری نیست، زیرساخت و فرهنگ سازمانی هم می‌خواهد. برای دانشمند تصمیم‌گیری، فهمیدن اینکه آزمایش در عمل کجا خطا می‌کند به اندازهٔ خود آمار ارزش دارد.
اقتصاددان آمریکایی و استاد Economics of Technology در دانشکدهٔ کسب‌وکار Stanford. طبق ویکی‌پدیا، در Duke سه رشتهٔ اقتصاد، ریاضی و علوم کامپیوتر را تمام کرد، در ۱۹۹۵ دکترای اقتصاد را از Stanford گرفت و نخستین زنی است که مدال John Bates Clark را برد (۲۰۰۷).
طبق ویکی‌پدیا، شش سال اقتصاددان ارشد مشاور (consulting chief economist) در Microsoft بود، از نخستین کسانی است که «اقتصاددان فناوری» نامیده شدند و یادگیری ماشین را با طراحی بازار ترکیب می‌کند. در یکی از پژوهش‌هایش، اثر تبلیغات شبکه‌های اجتماعی بر نگرش به واکسن کووید را سنجید. امروز مشاور علمی Haus، یک شرکت علم بازاریابی، و مدیر Golub Capital Social Impact Lab است.
مسیر او نشان می‌دهد پیش‌زمینهٔ اقتصاد و اقتصادسنجی چطور می‌تواند به کار تصمیم‌سازی در شرکت‌های فناوری برسد. برای کسی که اقتصاد خوانده، یاد گرفتن ابزارهای داده و یادگیری ماشین پل خوبی به این شغل است.
نمونه آگهی استخدام واقعی + تحلیل
یک آگهی واقعی از شرکت فعال در حال استخدام، با تحلیل هر بخش
Sr. Decision Scientist, Mobile
تحلیل نیازمندی‌ها
Bachelor's degree in a quantitative field such as mathematics, computer science, statistics, or economics (or equivalent experience)
کارشناسی در رشته‌ای کمّی کافی است و عبارت «یا تجربهٔ معادل» یعنی سابقهٔ کاری قوی می‌تواند جای مدرک را بگیرد. برای سطح ارشد، مدرک کمتر از سابقهٔ عملی در تحلیل محصول وزن دارد.
ضروری5+ years of product analytics experience (optional: in a product/engineering/tech environment)
شرط اصلی این آگهی تجربهٔ تحلیل محصول است، نه عنوان Decision Scientist. یعنی کسی که چند سال Product Analyst یا Data Analyst در تیم محصول بوده، مسیر طبیعی‌اش به این نقش می‌رسد.
ضروریExperience designing experiments, testing, and utilizing statistical principles to inform business decisions
هستهٔ کار همین است: آزمایش طراحی کنید و با آمار به تصمیم برسید. در مصاحبه انتظار داشته باشید آزمایشی را که خودتان طراحی کرده‌اید از فرضیه تا تصمیم نهایی توضیح دهید.
ضروریProficient in statistical computing and scripting languages such as Python, R, SQL
SQL برای بیرون کشیدن داده و Python یا R برای تحلیل آماری. لازم نیست مهندس نرم‌افزار باشید، اما باید بتوانید تحلیل را خودتان از داده تا نتیجه انجام دهید.
ضروریMaster’s or Ph.D. in a quantitative field such as mathematics, computer science, operations research, or economics
مدرک ارشد یا دکترا امتیاز است، نه شرط. در این فهرست تحقیق در عملیات و اقتصاد هم کنار ریاضی و علوم کامپیوتر آمده‌اند؛ یعنی پیش‌زمینهٔ اقتصاد هم برای این نقش پذیرفته است.
مفیدIn-depth knowledge and hands-on experience in various areas, including probability and statistics theory, causal inference, experimental design and analysis, synthetic control, product ecosystems, and Bayesian inference
این فهرست چیزی است که دانشمند تصمیم‌گیری را از تحلیلگر جدا می‌کند: استنباط علّی، synthetic control برای وقتی آزمایش ممکن نیست، و استنباط بیزی. اگر از تحلیل داده می‌آیید، این‌ها بخش اصلی یادگیری‌تان هستند.
مهمExperience in product analytics with a focus on mobile apps or building zero-to-one products
تجربهٔ اپ موبایل یا ساختن محصول از صفر امتیاز است. این بند مخصوص همین تیم است و در آگهی‌های دیگر جای آن را دانش دامنهٔ همان تیم، مثل ریسک یا بازاریابی، می‌گیرد.
مفیدتحلیل مسئولیت‌ها
Define KPIs and create reports and dashboards against large data sets to track performance.
پیش از هر تصمیم، باید روشن باشد موفقیت را با چه عددی می‌سنجیم. ساخت گزارش و داشبورد هنوز بخشی از کار است، حتی در سطح ارشد.
Turn ambiguous questions into clear analytical problems and solve them using data.
سؤال‌ها معمولاً مبهم می‌رسند، مثل «چرا کاربران اپ کمتر برمی‌گردند؟». کار شما تبدیل آن به سؤالی است که با داده جواب‌پذیر باشد.
Become deeply familiar with product data, understanding its limitations and caveats, to support development and growth.
باید بدانید هر رویداد چطور ثبت می‌شود و کجا داده ناقص یا گمراه‌کننده است؛ بسیاری از نتیجه‌های غلط از ندانستن همین جزئیات می‌آید.
Design, execute, and analyze experiments that drive product growth and improvement.
آزمایش را از ابتدا تا انتها خودتان پیش می‌برید: طراحی، اجرا با تیم مهندسی و تحلیل نتیجه.
Create readable and informative data visualizations, documentation, and presentations to communicate insights to stakeholders and executives.
خروجی نهایی برای ذی‌نفعان و مدیران است، پس نمودار، مستند و ارائه باید بدون توضیح شفاهی هم قابل‌فهم باشد.
نتیجه‌گیری کلی
این آگهی تصویر روشنی از Decision Scientist در یک تیم محصول می‌دهد: پایه‌اش تحلیل محصول و آزمایش است و آنچه سطح ارشد را جدا می‌کند استنباط علّی، synthetic control و استنباط بیزی است. حقوق پایهٔ اعلام‌شده برای آمریکا ۱۴۷٬۵۰۰ تا ۱۷۵٬۰۰۰ دلار است و ZipRecruiter می‌نویسد ممکن است سهام یا پاداش هم به آن اضافه شود.
آینده و روندها
پیش‌بینی ۵–۱۰ ساله و مهارت‌هایی که باید یاد بگیرید
BLS عنوان جداگانه‌ای برای Decision Scientist ندارد. برای نزدیک‌ترین شغل رسمی، دانشمندان داده، پیش‌بینی می‌کند اشتغال در آمریکا از ۲۰۲۵ تا ۲۰۳۵، ۳۵٪ رشد کند و به‌طور میانگین سالانه حدود ۲۴٬۸۰۰ فرصت شغلی پیش بیاید.
منبع: BLS Occupational Outlook Handbook — Data Scientists (2025–35)
مهارت‌های نوظهور که باید یاد بگیرید
پیش‌بینی‌های آینده
در گزارش Future of Jobs 2025 مجمع جهانی اقتصاد (WEF)، کارفرمایان شرکت‌کننده در نظرسنجی «تحلیلگران و دانشمندان داده» (Data Analysts and Scientists) را در فهرست ۱۵ شغلی گذاشته‌اند که تا ۲۰۳۰ سریع‌ترین رشد را (به درصد) خواهند داشت.
BLS پیش‌بینی می‌کند اشتغال دانشمندان داده در آمریکا از ۲۰۲۵ تا ۲۰۳۵، ۳۵٪ رشد کند و می‌نویسد این رشد از تقاضای بیشتر برای تصمیم‌های مبتنی بر داده می‌آید.
عنوان این شغل یکدست نیست: Sony و Gen Digital همین کار را با عنوان Data Scientist و برچسب Decision Science آگهی می‌کنند و ZipRecruiter و Vinted با عنوان Decision Scientist. پس بهتر است مهارت‌ها را بسازید، نه وابستگی به عنوان. روش کار هم در حال تغییر است: Instructure از این نقش «AI-first thinking» می‌خواهد. وقتی بخشی از کوئری‌نویسی و تحلیل با ابزارهای AI سریع‌تر می‌شود، ارزش دانشمند تصمیم‌گیری بیشتر در انتخاب سؤال درست، روش درست و بیان صادقانهٔ میزان اطمینان است.
منابع
اطلاعات این صفحه در تاریخ ۳۰ مهر ۱۴۰۵ از این ۳۱ منبع بررسی شده است.
- Sr. Decision Scientist, Mobile — ZipRecruiter (job posting)
- Decision Science Manager — ZipRecruiter (job posting)
- Decision Scientist, Strategic Partner and Marketing Analytics — Ibotta (job posting)
- Staff Decision Scientist — Ibotta (job posting)
- Senior Decision Scientist — Instructure (job posting, Mexico)
- Director, Decision Science — Instructure (job posting)
- Decision Scientist, Risk — Plooto (job posting)
- Lead Decision Scientist - Product Analytics — CVS Health (job posting)
- Decision Scientist (Automation & Optimization) — CVS Health / Oak Street Health (job posting)
- Decision Scientist, Account Verification — Vinted (job posting)
- Vinted Careers — job list (Decision Scientist roles)
- Data Scientist II - Decision Science — Sony Interactive Entertainment (job posting)
- Data Scientist - Measurement, Experimentation & Causal Inference — Sony Interactive Entertainment (job posting, London)
- Data Scientist (Decision Science) - MoneyLion — Gen Digital (job posting)
- Glassdoor — Decision Scientist salaries, United States
- Glassdoor — Decision Scientist salaries, Canada
- Glassdoor — Decision Scientist salaries, United Kingdom
- Glassdoor — Salarissen Decision Scientist, Nederland
- Glassdoor — Decision Scientist salaries, India
- BLS OEWS Profiles, May 2025 — 15-2051 Data Scientists
- BLS Occupational Outlook Handbook — Data Scientists
- O*NET OnLine — 15-2031.00 Operations Research Analysts
- O*NET OnLine — keyword search: decision scientist
- World Economic Forum — The Future of Jobs Report 2025 (PDF)
- Cassie Kozyrkov — Wikipedia
- DataCamp podcast — Decision Intelligence and Data Science (Cassie Kozyrkov, 2018)
- Experiment Guide — Trustworthy Online Controlled Experiments (book site)
- Experiment Guide — About Us (Kohavi, Tang, Xu)
- ExP Platform — Experimentation Platform at Microsoft (Ronny Kohavi)
- Susan Athey — Wikipedia
- GrowthBook — GitHub repository