就个人而言，我会冒险一些猜测：

(1) 在过去的几十年里，贝叶斯统计数据的受欢迎程度大幅上升。部分原因是由于 MCMC 的进步和计算资源的改进。贝叶斯统计从理论上非常好，但只适用于玩具问题，变成了一种可以更普遍应用的方法。这意味着几年前，说你从事贝叶斯统计工作可能确实让你成为一个非常有竞争力的员工。

现在，我想说贝叶斯统计仍然是一个优势，但在不使用贝叶斯方法的情况下解决有趣的问题也是如此。缺乏贝叶斯统计学背景对于大多数招聘委员会来说肯定是一个负面因素，但是在没有接受足够贝叶斯方法培训的情况下获得统计学博士学位将是相当令人惊讶的。

(2) 贝叶斯统计学家会在简历中提及“贝叶斯”。常客通常不会在他们的简历上写上“常客”，但更常见的是他们工作的领域（即生存分析、预测建模、预测等）。举个例子，我的很多工作都是编写优化算法，我猜这意味着你会说我在做Frequentist的工作。我还写了相当多的贝叶斯算法，但它肯定只占我工作的一小部分。贝叶斯统计在我的简历上，频率统计不是。

（3）在某种程度上，你在问题中所说的也有道理。与频率论领域相比，高效的通用贝叶斯计算存在更多的开放问题。例如，哈密顿蒙特卡罗最近已成为一种非常令人兴奋的算法，用于从贝叶斯模型中进行一般采样。通用的改进空间不大这些天优化；Newton Raphson、L-BFGS 和 EM 算法涵盖了很多基础。如果你想改进这些方法，你通常必须专门研究这个问题。因此，您更像是说“我从事地理空间模型的高维优化”，而不是“我从事高维最大似然估计”。机器学习世界是一个例外，因为发现新的随机优化方法（即 SGD、Adam 等）令人兴奋，但由于某些原因，这是一个稍微不同的野兽。

同样，在为模型提出好的先验知识方面还有很多工作要做。频率论方法确实有与此等价的方法（提出很好的惩罚，即 LASSO、glmnet），但先验可能比惩罚更有肥沃的土壤。

(4) 最后，这绝对是个人观点，很多人将频率论与 p 值联系起来。鉴于在其他领域观察到的 p 值普遍滥用，许多统计学家希望尽可能远离当前 p 值的滥用。