我作为一个经常评估和雇佣数据科学家的人来回答。

作为一个从学术研究过渡到私营部门职业的人，你不会因为你拥有的任何特定技能而被录用。统计学的学术研究领域以及任何给定公司的一系列问题的领域都太大了，无法根据非常精确定义的特定技能来雇用。

相反，你会被录用，因为你可以展示出精确思考的一般能力、解决问题的渴望和天赋、理解和交流抽象和复杂想法的能力，以及多样化的实践和理论技能。

所以，我的建议，我只是一个人，做你喜欢做的事，培养对解决问题、细微差别和复杂性的渴望。学习多种技能，并了解您的基础知识（比您的研究主题更好）

哦，学习编程。

这很有意义，非常感谢周到的回复。你有什么特别推荐的编程语言吗

很难回答而不是固执己见。

我个人的观点是，这并不重要，所以学习你喜欢的并且能激励你继续学习的那个。真正学好你的第一语言是一大障碍。在第一次学习另一个（和另一个，另一个）之后，会容易得多，因为你已经处理了困难的概念挑战。

但是要好好学习这门语言，了解这门语言是如何工作的，以及为什么它是这样设计的。编写干净的代码，你不怕返回。将编写代码视为一项严肃的责任，而不是不幸的现实。这使它既更有价值，又是您可以宣传的真正技能。

如果您仍需要具体建议，我会回应 @ssdecontrol，更喜欢可以进行统计的通用语言，而不是可以（有点）通用的统计语言。

如果您对“适销对路”的技能感兴趣，我会说学习各种建模技术（GLM、连续和离散的生存模型、随机森林、增强树），重点是预测而不是估计。数理统计有时会在参数模型下的估计中陷入困境，试图回答当模型不真实时变得无关紧要的问题。因此，在深入研究一个问题之前，请考虑当模型不成立时它是否仍然有趣和适用，因为它永远不会成立。如果您感兴趣的话，您应该能够在时间序列领域找到许多此类问题。

还要感谢分析现实世界数据所涉及的挑战，单靠统计学教育可能无法让您做好准备，因此我会考虑通过研究关系数据库和通用计算等主题来补充您的教育。这些领域也非常吸引人，并提供了令人耳目一新的数据视角。

最后，正如 Matthew Drury 已经指出的那样，能够编程是必不可少的。我会努力使用 R 和/或 Python 变得更强大，并开始学习 SQL，这是你将不可避免地遇到的。很多公司仍在使用 SAS，但你真的想为其中一个工作吗？诸如 C 或 Java 之类的编译语言也没有什么坏处，但这并不重要。

作为一个在工业领域度过博士后生涯的人，我会这么说。

1. Matthew Drury 的反应是一流的。dsaxton 关于预测与估计的评论也很好。
2. 学习使用任何能帮助你快速通过研究生院的东西来编程。擅长它。一旦您非常流利地使用一种语言，就很容易掌握其他语言，而且您很可能会为此付出代价。
3. 数据库不会变得更小，也可能不会变得更干净。我预测在接下来的两三年内，处理庞大、混乱/缺失数据的技术是一个不错的选择。

目前大多数答案都是面向“数据科学”的，这绝对是一个就业率很高的领域。正如原始发帖人提到对随机过程和时间序列特别感兴趣一样，另一个可能相关的数理统计领域*是状态空间估计。

这用于估计系统由于高度结构化（准）确定性过程和随机强迫之间的反馈而演变的模型。例如，状态空间估计在自动驾驶汽车中无处不在。

（*这个领域通常被认为是工程或其他领域的一部分，但肯定涉及数理统计。）