Business Analytics

Business Analytics无疑是个交叉学科，包括数学（统计）、计算机和商学（经济学、市场营销，博弈论等等）。统计类的方法占据了数据分析学科的首要地位（主要是回归模型）。可以说如果把统计方法全部拿走，数据科学基本就支离破碎不成体系了。然后是计算机（包括机器学习、模式识别、图像处理等一类的领域），基于一些应用层面的需求，计算机领域提出了一些新颖的思路和模型。值得一提的是，这些东西又吸引了统计学家的关注，他们把同样的问题又用统计学方法做了出来。再结合一些传统的回归模型，统计学出现了新的分支：统计学习。最后是商学类，现阶段来说比重最小，Finance，Accounting，MKT。很多business analytics硕士会结合商业应用来讲统计和计算机方法。

Marketing Analytics

( 或者Marketing Research/Market Analysis, 只是叫法不同，学习的内容大同小异) 更专注于行业或公司内部的市场营销职能，主要从市场的角度分析数据团队提供的结果，给出建设性的意见，发布指导报告。

Marketing Analytics主要学习这几大方向：

1)数据分析：熟练运用Excel以及更高端的数据处理软件SQL、SAS、SPS、R等进行数据挖掘、数据可视化

2)市场分析/测试：根据数据预测、分析市场的需求，提出正确的市场营销战略

3)用户交互：通过数据了解客户的需求，改善、管理用户体验

交互指的是产品与它的使用者之间的互动过程。设计师对产品与它的使用者之间的互动机制进行分析、预测、定义、规划、描述和探索的过程，即定义人造物的行为方式。

区别：侧重于市场方向的分析，本科市场课程或者有相关实习

主要工作内容：

收集竞争对手的策略，市场情况和消费者人口统计数据

研究客户的意见，购买习惯，偏好和需求/需求

创建和评估积累数据的方法，包括调查，访谈，问卷调查和民意测验

使用统计程序，预测分析和其他数据驱动工具分析数据

Applied Analytics/ analytcis

相似之处： 专业的核心是数据挖掘和数据分析，

数据挖掘：数据挖掘一般是指从大量的数据中通过算法搜索隐藏于其中信息的过程。数据挖掘通常与计算机科学有关，并通过统计、在线分析处理、情报检索、机器学习、专家系统（依靠过去的经验法则）和模式识别等诸多方法来实现上述目标。

数据分析：用适当的统计分析方法对收集来的大量数据进行分析，提取有用信息和形成结论而对数据加以详细研究和概括总结的过程。这一过程也是质量管理体系的支持过程。

区别： BA涉及商科基础知识。AA: 侧重工作经验，DS调过去。项目要求的核心课程包括两个领域：领导力、管理和沟通领域；应用分析领域。领导力、管理和沟通领域的课程在于培养学生以企业视角来学习数据、激励知识和技能以及组织中的分析文化。应用分析领域, 通过数据搜集来解决真实的商业问题。

Data science/Data analytics

这个名词在IT行业更常用，开设在工程学院下。Data science数据科学，也称为数据驱动科学，是一门跨学科领域，涉及从各种形式（无论是结构化的还是非结构化的）数据中提取知识或见解的科学方法、过程和系统。类似于数据挖掘。主要是基于大数据，根据不同实际需求，简历数学模型，然后编程计算，最后目的是从大数据里面得到或者抽取线稿的有用的信息，以帮助决策者进行决策。

数据科学是一个统一的统计概念，数据分析和相关方法”以“理解和数据分析实际现象”。它采用的技术和理论来自许多领域的数学，广阔的区域内统计、信息科学、和计算机科学，特别是从机器学习子域，分类，聚类分析，数据挖掘，数据库和可视化。

Data Science的主要学什么呢？

模型，算法；

数学模型：数学模型是针对参照某种事物系统的特征或数量依存关系，采用数学语言，概括地或近似地表述出的一种数学结构，这种数学结构是借助于数学符号刻划出来的某种系统的纯关系结构。从广义理解，数学模型包括数学中的各种概念，各种公式和各种理论。因为它们都是由现实世界的原型抽象出来的，从这意义上讲，整个数学也可以说是一门关于数学模型的科学。从狭义理解，数学模型只指那些反映了特定问题或特定的具体事物系统的数学关系结构，这个意义上也可理解为联系一个系统中各变量间内的关系的数学表达。

数学模型所表达的内容可以是定量的，也可以是定性的，但必须以定量的方式体现出来。因此，数学模型法的操作方式偏向于定量形式。

简单来说：数学模型，是对某一个具体问题的抽象描述，因为要求严谨和准确，所以一般只能选择数学描述，避免出现二义性。数学模型的建立，并不意味着问题的解决，但却是问题解决的基础，因为至少把问题解释清楚了，保证了所有人对问题的理解是一致的。

计算机算法：算法是一系列解决问题的清晰指令，也就是说，能够对一定规范的输入，在有限时间内获得所要求的输出。算法常常含有重复的步骤和一些比较或逻辑判断。如果一个算法有缺陷，或不适合于某个问题，执行这个算法将不会解决这个问题。不同的算法可能用不同的时间、空间或效率来完成同样的任务。一个算法的优劣可以用空间复杂度与时间复杂度来衡量。

简单来说：计算机算法是解决问题的方法和流程，一般情况下，算法是基于数学模型的。如 “常微分方程的精确求解” 问题，分别采用代数模型、几何模型来描述，就会推导出不同的算法：代数动力学算法与几何算法，两者虽然算法思路完全不同，但都通向 “问题解决” 的终点。

数据结构：数据结构是在整个计算机科学与技术领域上广泛被使用的术语。它用来反映一个数据的内部构成，即一个数据由那些成分数据构成，以什么方式构成，呈什么结构。数据结构有逻辑上的数据结构和物理上的数据结构之分。逻辑上的数据结构反映成分数据之间的逻辑关系，而物理上的数据结构反映成分数据在计算机内部的存储安排。数据结构是数据存在的形式。 数据结构是信息的一种组织方式，其目的是为了提高算法的效率，它通常与一组算法的集合相对应，通过这组算法集合可以对数据结构中的数据进行某种操作。 数据结构作为一门学科主要研究数据的各种逻辑结构和存储结构，以及对数据的各种操作。因此，主要有三个方面的内容：数据的逻辑结构；数据的物理存储结构；对数据的操作（或算法）。

visualization（可视化）：数据可视化，是关于数据视觉表现形式的科学技术研究。其中，这种数据的视觉表现形式被定义为，一种以某种概要形式抽提出来的信息，包括相应信息单位的各种属性和变量。由此课程设置，可以预测该专业的背景要求。仔细观察，可以看出这些课程，都是与计算机密切相关的。并且，比如可视化，目前应用比较多的，当属machine learning，也就是通过计算机图形与图像处理，从而将我们所需要的数据在电脑屏幕上显示出来。所以，整个过程，需要一定的计算机技能，如编程、算法。

这个时代是大数据时代，也是大数据人才稀缺的时代。由于中国人才缺口比较大，大数据也迅速成为行业和市场的热点，更多的企业无论是对大数据人才的招聘都成了刚需，这也促使大数据人才的薪资在同岗位中是最高的，掌握大数据技术，工资提升40%左右是很常见的。

大数据的就业领域是很宽广的，不管是科技领域，还是食品产业，零售业等等，都是需要大数据人才进行大数据的处理，以提供更好的用户体验，以及优化库存，降低成本，预测需求。下面跟小编一起看看大家今后可以从事的工作岗位及未来发展方向。

大数据分析九大热门工作岗位

一、BI工程师

1：负责BI数据仓库的规划，搭建报表平台

2：参与需求分析，数据仓库建模，功能设计及评审

3：与业务部门沟通协调需求并提出各种新的数据分析项目或方案

4：负责日常业务运营提供数据支撑,对分析结果进行报表开发设计

5：负责数据仓库的日常管理与维护

6：负责BI模型设计、报表开发和数据平台门户界面开发

7： 根据项目的数据分析需求进行BI的设计和项目开发

8： 对数据进行挖掘、整理和分析，提取数据进行系统建模

9：根据需求进行数据仓库模型设计，进行程序的开发，构建企业级数据中心

二、数据仓库工程师

1：负责对应业务线数据建模及数据仓库相关产品的设计、开发、测试

2：元数据的搭建和ETL设计、开发、测试

3：构建本行业大数据中心，创建OLAP多维分析模型并组织数据，开发数据集市

4：参与大数据平台数据仓库的建设工作

三、ETL工程师

1：遵循开发任务的计划与目标，服从项目经理的工作安排，参与或负责项目的详细设计、ETL开发等工作，保证项目的顺利研发及推广

2：负责数据中心建模、业务运营数据的导入、数据预处理的设计和开发

3：负责数据中心ETL流程的优化及解决ETL相关技术问题。

4：具备良好的ETL实施经验，能够按要求完成ETL设计和开发工作

四、数据分析师

1：深入理解业务数据分析需求，支持面向业务的数据服务

2：进行数据产品的算法研究和实现，并定期优化迭代

3：数据分析的流程、规范和方法建立，及相关文档的撰写

4：通过API收集数据，进行数据清洗并保存到数据库

五、数据库开发工程师

1：负责数据库系统日常架构，开发，部署，维护，备份和运行方案设计

2：负责软件开发项目中的数据库设计工作

3：负责数据库日常运维程序的编写

4：根据业务需求设计数据库结构，编写表、存储过程、触发、函数等脚本，及性能优化、疑难问题的解决

六、报表开发工程师（Cognos、MSTR）

1：按照要求使用ETL工具对数据进行清洗和整理

2：针对SQLSERVER或者ORACLE数据库编写存储过程

3：使用COGNOS或MSTR等报表工具进行模型创建和报表开发

七、软件实施工程师

1：负责BI项目的需求调研与分析工作

2：负责BI项目的方案设计、实施或项目管理工作

3：了解岗位范围内的硬件、软件、网络的状况，实施维护或更新计划、确保正常使用

4：负责上线企业的BI系统维护，提供技术支持对接服务

5：接受上级领导工作安排，完成其它临时性或突发性任务

八、运维工程师

1：负责BI系统的日常维护、故障排查、性能调优

2：负责系统的日常监测与维护、故障处理、性能分析与优化

3：负责系统模块部署、配置、维护、备份与监测

4：负责服务器维护和监控

5：负责系统的相关文档编写、运维信息统计等

九、软件测试工程师

1：根据产品需求完成测试计划、测试设计以及测试用例的编写，完成测试报告的分析与输出

2：对系统bug进行跟踪、推动解决，保障产品质量

3：根据需要完成关键模块的白盒测试工作

以上就是容大教育小编对数据分析专业可任职九大工作岗位整理，容大教育IT培训机构，专业数据分析培训机构，能够为你提供良好的技术学习，能够更好地了解每个学习者的需求，根据每个学习者特定的需求为其配置最合适的资产组合，无疑更加符合学习者的需求。

我们的脸型基本上可以分为七个类型，网上很多类似文章都只是从外形和形象上区分，完全凭的是感觉，有时候感觉这个脸型像圆型脸，换个角度观察又感觉像蛋型脸。那我们可不可以从数据上来清晰的辨别呢？今天我们就用脸部三分图来讲解一下各种脸型如何区分。如下图所示，在朝向正面的脸孔的眉毛和眼睛中间、鼻头前端画水平线①和②。如此脸型上区分为A、B、C三个部分。

首先我们根据什么来确认脸型呢？毋庸置疑我们是根据脸A、B的大小面积比率来决定脸型的。A的部分是“头”部，与知性活动和判断力等关系密切；B的部分是和感情、体贴心、社交性有关的；C的部分和口关系十分密切，代表着活力或体力行动力，所以运动员这部分都是比较发达的。

1.圆型脸

B相当发达的人是圆型脸，也就是圆型脸脸孔整体宽幅广。

2.蛋型脸

蛋型脸和圆型脸几乎没多大区别，唯一的区别就是蛋型脸B部分宽幅较圆型脸窄。

3.四角型脸

四角型脸的ABC三个部分大小面积相同，脸型宽幅较广的人称为四角型脸。

4.细长型脸

细长型脸AB二个部分大小面积是相同的，较之四角型脸横幅较窄。

5.本垒型脸

脸型AB部分大小面积相同，而C部分比较窄。

6.混合型脸

脸部C部分横幅较广，而AB部分面积不对称。

7.倒三角型脸

脸部A部分横幅较广，而AB部分由上而下慢慢变窄，形成一个倒三角形。

接下来我们对1-7种脸型的人物性格做下详细分析（仅供参考）：

一、圆型脸的人

圆型脸的人脸部肌肉厚实，性格如其外貌般温和。体型多半带点浑圆感。此种脸型的人待人温和是和任何人都可以相处融洽的社交家。性格好、亲切不过也带有任性及自扫门前雪的个人主义的一面。和圆型人相处的要领是成为好的听众，如果公司上司是属于这种脸型则会受益颇多，然而言而不行也是这种脸型的特征。

二、蛋型脸的人

蛋型脸的人的脸瘦长下颚带着圆弧感，额头清晰而广圆，这种脸型的女性多半是美女。此种脸型美女具有顺应性，即使身为职业妇女也能兼顾工作与家庭，而且富有理性，在混乱的事态中能做正确的判断。情绪稳定，极易获得旁人的信赖。不过神经非常细腻，会为一点小事而变得消沉落寞。因而和这种类型的人交往绝不可有贸然的行动，若因为彼此感情好而像粘皮条似地纠缠或擅自行动无视对方的存在，则会惹来对方的厌恶。

三、四角型脸的人

四角型脸有着四角型的下巴和发达的脸颊骨。口大唇薄，运动员常见的脸型。此种人对任何事都表现积极，意志坚强。缺乏融通性，一旦决定的事情一定贯彻到底，在职场上很容易和上司部属有意见上的冲突。此种脸型一般都具有老大气质，属于有事相求一定鼎力相助类型。

四、细长型脸的人

此种人脸型长，下巴呈四角型，而鼻、口显得较小。细长型脸的人对细微琐事考虑周到，具有研究的热忱，擅长与人交际。适合于从事必须有特殊技术或才能的职业。细长型脸型的男性似乎对性爱的追求强过一般人，个中技巧也出类拔萃，天生花花公子类型。女性则在性方面较生涩，不过内心深处渴望病态的性关系。

五、本垒型脸的人

此类型人颧骨到下巴线条非常明显，体格健壮带有阳刚之气。性格热心且非常具有耐心，交际上无特殊好恶和任何人都能打成一片。具有对他人体贴和同情之心，属于不将自己感情表露于外的类型，因而爱到任何人的喜欢。本垒型的男性不会沾花惹草，只对单一的女性钟爱。但是本垒型的女性恰恰相反，喜欢和多数男性交往，在性方面极为大胆。

六、混合型脸的人

此种脸型的人外观有棱有角或变形，额头小而颧骨宽大。此种脸型的人似乎很难找到一处优点，顽固，不服输，神经质，爱慕虚荣，不过做任何事情都能展现一般以上的能力。此种人畏惧权势喜欢受人吹捧，往这方面进击必能与其相处融洽。温和型的男性具有喜欢病态性爱的倾向，女性则有对性认为是不洁行为并憎恶的倾向。这种女性如果碰到被男性背叛或产生不信赖感时，很可能走向同性恋。

七、倒三角型脸的人

此类脸型的人脸部看上去就是一个倒三角形状，很明显的类型。此种人一般脸孔小，身材多半也是细瘦、妖小的人。这种人多半属于一丝不苟、具有洁癖的性格。也具有优柔寡断的一面，但会专注于某一件事上而有令周遭人惊讶的机智。虽然缺乏行动力，但却具有罗曼蒂克的一面。要接近这类人必须以浪漫、带有梦幻的话题做为交际的润滑剂。而这种脸型的人，不论男女对性都较为淡泊而不积极。

讲了这么多，你们都分清楚自己的脸型了吗？如果对您有用，记得转发收藏喔！~

大数据行业发展如火如荼，国家政策利好，互联网大佬纷纷在大数据行业布局，我们想让自己的职业生涯在一个朝阳行业发展，肯定又要学习相关技术，让自己与时俱进，但是难就难在大数据是一个新兴事物，目前我国大学的专业里面还鲜少有这个专业，国家刚批的大数据专业，全国目前35个高校，但是从17年开始招生，2021年才有第一批毕业生进入职场，在四年期间，是大数据行业发展的飞速时期，没有行业发展是等着人才进入的，而是需要要虚位以待、蓄势待发，所以在没有高等教育准备好的大数据教育，如何高效的学习大数据，如何快速的与行业发展想契合，那么需要我们成为第一个吃螃蟹的人，作为一个随着大数据行业成长的职业人，首先要知道大数据是个啥？

大数据（big data），指无法在一定时间范围内用常规软件工具进行捕捉、管理和处理的数据集合，是需要新处理模式才能具有更强的决策力、洞察发现力和流程优化能力的海量、高增长率和多样化的信息资产。

那来帮大家分析下：如何高效的学习大数据。

经常有初学者会问，自己想往大数据方向发展，该学哪些技术，学习路线是什么样的，觉得大数据很火，就业很好，薪资很高……首先，如果你确定了想往这个方面发展，先考虑自己的过去从业经历、专业、兴趣是什么。计算机专业——操作系统、硬件、网络、服务器？软件专业——软件开发、编程、写代码？还是数学、统计学专业——对数据和数字特别感兴趣？

那么你能找师傅带吗？

但凡有这种想法的人，或多或少都会存有侥幸之心，或者叫做“天真，单纯”。希望不花一分钱，就能更快速的学到更优质，更实用的技能。

关于这一点，我只想反问一句你：“如果你是大师，你凭什么愿意带我？”

其实这就是想告诉你大数据的三个发展方向，平台搭建/优化/运维/监控、大数据开发/设计/架构、数据分析/挖掘。

先说一下大数据的4V特征：

数据量大，TB->PB

数据类型繁多，结构化、非结构化文本、日志、视频、图片、地理位置等；

商业价值高，但是这种价值需要在海量数据之上，通过数据分析与机器学习更快速的挖掘出来；

处理时效性高，海量数据的处理需求不再局限在离线计算当中。

现如今，正式为了应对大数据的这几个特点，开源的大数据框架越来越多，越来越强，先列举一些常见的：

文件存储：Hadoop HDFS、Tachyon、KFS

离线计算：Hadoop MapReduce、Spark

流式、实时计算：Storm、Spark Streaming、S4、Heron

K-V、NOSQL数据库：HBase、Redis、MongoDB

资源管理：YARN、Mesos

日志收集：Flume、Scribe、Logstash、Kibana

消息系统：Kafka、StormMQ、ZeroMQ、RabbitMQ

查询分析：Hive、Impala、Pig、Presto、Phoenix、SparkSQL、Drill、Flink、Kylin、Druid

分布式协调服务：Zookeeper

集群管理与监控：Ambari、Ganglia、Nagios、Cloudera Manager

数据挖掘、机器学习：Mahout、Spark MLLib

数据同步：Sqoop

任务调度：Oozie

······

第一步：初识Hadoop

1.1 学会百度与Google

不论遇到什么问题，先试试搜索并自己解决。

Google首选，翻不过去的，就用百度吧。

1.2 参考资料首选官方文档

特别是对于入门来说，官方文档永远是首选文档。

相信搞这块的大多是文化人，英文凑合就行，实在看不下去的，请参考第一步。

1.3 先让Hadoop跑起来

Hadoop可以算是大数据存储和计算的开山鼻祖，现在大多开源的大数据框架都依赖Hadoop或者与它能很好的兼容。

关于Hadoop,你至少需要搞清楚以下是什么：

· Hadoop 1.0、Hadoop 2.0

· MapReduce、HDFS

· NameNode、DataNode

· JobTracker、TaskTracker

· Yarn、ResourceManager、NodeManager

自己搭建Hadoop，请使用第一步和第二步，能让它跑起来就行。

建议先使用安装包命令行安装，不要使用管理工具安装。

另外：Hadoop1.0知道它就行了，现在都用Hadoop 2.0.

1.4 尝试使用Hadoop

· HDFS目录操作命令；

· 上传、下载文件命令；

· 提交运行MapReduce示例程序；

· 打开Hadoop WEB界面，查看Job运行状态，查看Job运行日志。

· 知道Hadoop的系统日志在哪里。

1.5了解它们的原理

MapReduce：如何分而治之；

HDFS：数据到底在哪里，什么是副本；

Yarn到底是什么，它能干什么；

NameNode到底在干些什么；

ResourceManager到底在干些什么；

1.6 自己写一个MapReduce程序

仿照WordCount例子，自己写一个（照抄也行）WordCount程序，

打包并提交到Hadoop运行。

不会Java的话，Shell、Python都可以，有个东西叫Hadoop Streaming。

如果能认真完成了以上几步，恭喜你，你的一只脚已经进来了。

第二步：更高效的WordCount

2.1 学点SQL吧

如果不懂数据库的童鞋先学习使用SQL句。

2.2 SQL版WordCount

在1.6中，你写（或者抄）的WordCount一共有几行代码？

如果用SQL的话：

SELECT word,COUNT(1) FROM wordcount GROUP BY word;

这便是SQL的魅力，编程需要几十行，甚至上百行代码，SQL一句就搞定；使用SQL处理分析Hadoop上的数据，方便、高效、易上手、更是趋势。不论是离线计算还是实时计算，越来越多的大数据处理框架都在积极提供SQL接口。

2.3 安装配置Hive

Hive算是数据仓库工具，安装不难，网上有很多教程，配置完成后，可以正常进入Hive命令行。

2.4 试试使用Hive

尝试在Hive中创建wordcount表，并运行2.2中的SQL语句。在Hadoop WEB界面中找到刚才运行的SQL任务。看SQL查询结果是否和1.4中MapReduce中的结果一致。

明明写的是SQL，为什么Hadoop WEB界面中看到的是MapReduce任务？

2.5 学会Hive的基本命令

创建、删除表；加载数据到表；下载Hive表的数据；并学习更多关于Hive的语法和命令。

0和Hadoop2.0的区别

MapReduce的原理（还是那个经典的题目，一个10G大小的文件，给定1G大小的内存，如何使用Java程序统计出现次数最多的10个单词及次数）；

HDFS读写数据的流程；向HDFS中PUT数据；从HDFS中下载数据；

自己会写简单的MapReduce程序，运行出现问题，知道在哪里查看日志；

会写简单的SELECT、WHERE、GROUP BY等SQL语句；

Hive SQL转换成MapReduce的大致流程；

Hive中常见的语句：创建表、删除表、往表中加载数据、分区、将表中数据下载到本地；

从上面的学习，你已经了解到，HDFS是Hadoop提供的分布式存储框架，它可以用来存储海量数据，MapReduce是Hadoop提供的分布式计算框架，它可以用来统计和分析HDFS上的海量数据，而Hive则是SQL On Hadoop，Hive提供了SQL接口，开发人员只需要编写简单易上手的SQL语句，Hive负责把SQL翻译成MapReduce，提交运行。

第三步：把别处的数据搞到Hadoop上

此处也可以叫做数据采集，把各个数据源的数据采集到Hadoop上。

3.1 HDFS PUT命令

put命令在实际环境中也比较常用，通常配合shell、python等脚本语言来使用。建议需熟练掌握。

3.2 HDFS API

HDFS提供了写数据的API，自己用编程语言将数据写入HDFS，put命令本身也是使用API。

实际环境中一般自己较少编写程序使用API来写数据到HDFS，通常都是使用其他框架封装好的方法。比如：Hive中的INSERT语句，Spark中的saveAsTextfile等。

可以尝试了解原理，试着写几个Demo。

3.3 Sqoop

Sqoop是一个主要用于Hadoop/Hive与传统关系型数据库Oracle/MySQL/SQLServer等之间进行数据交换的开源框架。

就像Hive把SQL翻译成MapReduce一样，Sqoop把你指定的参数翻译成MapReduce，提交到Hadoop运行，完成Hadoop与其他数据库之间的数据交换。

自己下载和配置Sqoop（建议先使用Sqoop1，Sqoop2比较复杂）。

了解Sqoop常用的配置参数和方法。

使用Sqoop完成从MySQL同步数据到HDFS；

使用Sqoop完成从MySQL同步数据到Hive表；

PS：如果后续选型确定使用Sqoop作为数据交换工具，那么建议熟练掌握，否则，了解和会用Demo即可。

3.4 Flume

Flume是一个分布式的海量日志采集和传输框架，因为“采集和传输框架”，所以它并不适合关系型数据库的数据采集和传输。Flume可以实时的从网络协议、消息系统、文件系统采集日志，并传输到HDFS上。因此，如果你的业务有这些数据源的数据，并且需要实时的采集，那么就应该考虑使用Flume。

下载和配置Flume。使用Flume监控一个不断追加数据的文件，并将数据传输到HDFS；

PS：Flume的配置和使用较为复杂，如果你没有足够的兴趣和耐心，可以先跳过Flume。

3.5 阿里开源的DataX

之所以介绍这个，是因为以前某公司客户目前使用的Hadoop与关系型数据库数据交换的工具，就是之前基于DataX开发的，个人感觉非常好用。现在DataX已经是3.0版本，支持很多数据源。你也可以在其之上做二次开发。

PS：有兴趣的可以研究和使用一下，对比一下它与Sqoop。

至此，你的“大数据平台”应该是这样的：

第四步：把Hadoop上的数据搞到别处去

前面介绍了如何把数据源的数据采集到Hadoop上，数据到Hadoop上之后，便可以使用Hive和MapReduce进行分析了。那么接下来的问题是，分析完的结果如何从Hadoop上同步到其他系统和应用中去呢？

其实此处的方法和第三步基本一致的。

4.1 HDFS GET命令

把HDFS上的文件GET到本地。需要熟练掌握。

4.2 HDFS API

原理同3.2。

4.3 Sqoop

原理同3.3。

使用Sqoop完成将HDFS上的文件同步到MySQL；

使用Sqoop完成将Hive表中的数据同步到MySQL；

4.4 DataX

原理同3.4

此时，“你的大数据平台”应该是这样的：

走完第三步和第四步的流程，那么你应该已经具备以下技能和知识点：

· 知道如何把已有的数据采集到HDFS上，包括离线采集和实时采集；

· 知道sqoop（或者还有DataX）是HDFS和其他数据源之间的数据交换工具；

· 知道flume可以用作实时的日志采集；

至此，对于大数据平台，应该已经掌握如何搭建Hadoop集群，把数据采集到Hadoop上，使用Hive和MapReduce来分析数据，把分析结果同步到其他数据源。

接下来的问题就是，Hive使用的越来越多，你会发现很多不愉快的地方，特别是速度慢，

大多情况下，明明我的数据量很小，它都要申请资源，启动MapReduce来执行。

第五步：快一点吧，我的SQL

其实大家都已经发现Hive后台使用MapReduce作为执行引擎，实在是有点慢。因此SQL On Hadoop的框架越来越多，按我的了解，最常用的按照流行度依次为SparkSQL、Impala和Presto.这三种框架基于半内存或者全内存，提供了SQL接口来快速查询分析Hadoop上的数据。

目前我们的方案使用的是SparkSQL，至于为什么用SparkSQL，原因大概如下：

· 使用Spark还做了其他事情，不想引入过多的框架；

· Impala对内存的需求太大，没有过多资源部署；

5.1 关于Spark和SparkSQL

什么是Spark，什么是SparkSQL。

Spark有的核心概念及名词解释。

SparkSQL和Spark是什么关系，SparkSQL和Hive是什么关系。

5.2 如何部署和运行SparkSQL

Spark有哪些部署模式？

如何在Yarn上运行SparkSQL？

使用SparkSQL查询Hive中的表。

PS:Spark不是一门短时间内就能掌握的技术，因此建议在了解了Spark之后，可以先从SparkSQL入手，循序渐进。

第六步：一夫多妻制

其实我想说的是数据的一次采集、多次消费。

在实际业务场景下，特别是对于一些监控日志，想即时的从日志中了解一些指标（关于实时计算，后面步节会有介绍），这时候，从HDFS上分析就太慢了，尽管是通过Flume采集的，但Flume也不能间隔很短就往HDFS上滚动文件，这样会导致小文件特别多。

为了满足数据的一次采集、多次消费的需求，这里要说的便是Kafka。

6.1 关于Kafka

Kafka是一种高吞吐量的分布式发布订阅消息系统，它可以处理消费者规模的网站中的所有动作流数据。这种动作（网页浏览，搜索和其他用户的行动）是在现代网络上的许多社会功能的一个关键因素。这些数据通常是由于吞吐量的要求而通过处理日志和日志聚合来解决。

6.2 如何部署和使用Kafka

使用单机部署Kafka，并成功运行自带的生产者和消费者例子。

使用Java程序自己编写并运行生产者和消费者程序。

Flume和Kafka的集成，使用Flume监控日志，并将日志数据实时发送至Kafka。

至此，“大数据平台”应该扩充成这样：

这时，使用Flume采集的数据，不是直接到HDFS上，而是先到Kafka，Kafka中的数据可以由多个消费者同时消费，其中一个消费者，就是将数据同步到HDFS。

总结：

为什么Spark比MapReduce快。

使用SparkSQL代替Hive，更快的运行SQL。

使用Kafka完成数据的一次收集，多次消费架构。

自己可以写程序完成Kafka的生产者和消费者。

前面的学习已经掌握了大数据平台中的数据采集、数据存储和计算、数据交换等大部分技能，而这其中的每一步，都需要一个任务（程序）来完成，各个任务�...

想从事数据分析师的童鞋们，在各大招聘网站进行搜“数据分析师”职位，你会不会发现这个岗位其实是有专业要求的？中枪的专业经常有哪些呢？“统计学”或“社会学”或“信息管理与信息系统”或“应用数学”或“营销学”或“财务管理”或…….，小编给大家依次介绍下数据分析师对口专业，对求职与报考专业的同学提供一些帮助。数据分析师有哪些专业要求？学什么专业比较好呢？

数据分析师有哪些专业要求？

　　截图取自某招聘网站—数据分析师岗位要求

一、统计学专业

　　统计学贯穿数据分析的全过程，没有统计学基础，很难有专业的数据分析。数据分析的各个步骤，都要用到统计学的知识。

　　数据采集时，如何抽样？做多大的样本？接受多大的抽样误差？要用到统计学；

　　数据处理时，频数怎么求？交叉表怎么做？统计图怎么划？要用到统计学；

　　数据分析时，如何验证？如何探索？如何预测？也要用到统计学。

　　问卷设计时，问卷的信度是否符合要求？效度有多大？要用到统计学；

　　可以这么说，数据分析是统计学的应用。掌握统计学是数据分析师的基本功。

二、信息管理与信息系统

　　信管专业往往涉及到的知识领域很广 ，主要是通过学习计算机技术和管理学，竞争情报等等学科知识，通过计算机技术对海量的数据进行收集和信息处理，才能成为有用的信息，然后通过科学的统计学原理在对信息的过滤和分析进而形成知识，最终目的就是能运用所获取的知识来做出正确的决策。

　　可以说信管专业非常对口数据分析师职位，从信息中 发掘财富。与计算机结合，使计算机作为工具， 信息管理更加有效和实用，随着企业经营规模的现代化，对信息管理 的要求越来越强烈。例如铁路订票系统，就是对车票这种信息的查询和管理系统。可以说软件开发的最主要面向的客户就是 帮助企业制作良好的信息管理系统。

三、应用数学

　　随着科技事业的发展，数学专业和其他专业的联系也越来越紧密，所以数学专业知识也得广泛的应用。

　　数据分析师需要有专业的数学功底和严密的逻辑思维，而严密的逻辑思维则来源于扎实的数学功底。 学数学的同学更注重理论的完备性和逻辑链的完整性，即对于在分析过程中出现的任何一些命题，都要能证明它是正确的还是错误的。

四、经济学

　　数据分析师相关职业之一，这个专业需要学习经济学基本理论和相关的基础专业知识，了解市场经济的运行机制，经济学的学术动态；具有运用数量分析方法和现代技术手段进行社会经济调查、经济分析和实际操作的能力。数据分析师职位如：政府综合经济管理部门、大中型企业的战略规划和分析助理岗位、金融机构的研究助理岗位、咨询机构的助理咨询师岗位等。毕业生在这些岗位中从事较高水平的经济分析研究工作。

五、心理学专业

　　企业要提高市场占有率，就是要提高人心占有率，因此数据分析师研究用户心理的工作必不可少。数据分析师若懂得心理学，则能更准确的探测到用户的真实想法。

　　例如，在做品牌形象分析时，常会用到的是映射法，映射法就是基于心理学的数据采集方法。比如，让你对某所别墅进行描述，很难说得清，但如果让你选择图片，你对图片的认识就映射了你对这所别墅的印象。比如，你选择了劳斯莱斯车，很明显，你认为这所别墅的形象是高端的。

　　数据分析师有哪些专业要求？

六、社会学专业

　　从经济学的角度看，人具有经济性，追求利益最大化，比如人们总是喜欢买物美价廉的产品，消费量通常会随着价格的下降而上升。但从社会学的角度看，人还具有社会性，受到社会群体心理的影响。作为数据分析师，如果没有社会学背景，很难对市场现象做出合理的解释。

　　比如，人们喜欢买物美价廉的东西，为什么人们还会为品牌多花钱？人的消费随着价格的下降而上升，为什么房价下降则观望成风，房价上升则抢购一空？正是由于人的社会性的存在，使得市场问题复杂化，有时甚至是非理性的，只有掌握了社会学的常识，数据分析师才能有更全面合理的思考。

七、人口学专业

　　人的特点影响市场的特点。年龄不同，家庭类型不同，则需求、价值观和行为特征都不一样。比如，儿童主要以生理需求为主，没有太多的社会需求；青少年开始追求时尚和潮流，但不是高收入人群，购买的频率高但可接受价格很低；人到中年，消费行为趋于理性化，强调功能、成本和技术优势；而到了老年，对价格比较敏感。

　　有人口学知识，数据分析师可以更好地理解到用户的差异性，有助于选择市场细分的维度，提出合理的精细化营销建议。

八、营销学专业

　　数据分析师常要为企业的营销决策提供支持，这就要求懂营销。

　　具有营销背景的数据分析师思路会更清晰、更开阔。当让他做竞争分析时，他会想到波特五个力；让他做环境分析时，他会想到PEST、让他做消费者偏好分析，他会想到科特勒用户决策流程；让他做企业业务状况分析，他会想到4P……

九、财务管理专业

　　净利润有多少，利润增长率是否达到预计水平？

　　资产负债率有多高，是否存在潜在的偿债风险？

　　流动比率、速动比率有多大，资金运转效率高不高？

　　诸如此类的财务管理问题是企业选择投资项目的依据、评价财务状况的指标、评估决策效果的量尺。懂得财务管理，得失一笔账，才能算得更清楚。”

　　因此，数据分析工作是多门专业在企业决策中的综合应用，依靠某一门相关专业，可以敲开数据分析师的职业之门，但要成为优秀的数据分析师，则需要长期的学习和积淀，做到多门专业的融会贯通。

　　以上提到的这些专业的同学对这个行业有明显优势，但其他行业的同学如果对这个职业感兴趣，通过日常学习，掌握一些统计分析必备技能，亦可以从事此类工作。

　　因此，数据分析工作是多门专业在企业决策中的综合应用，依靠某一门相关专业，可以敲开数据分析师的职业之门，但要成为优秀的数据分析师，则需要长期的学习和积淀，做到多门专业的融会贯通。-

龙岗校区：深圳龙岗区吉祥地铁站b出口湖广通大厦4楼

南山校区：深圳市南山区亿利达大厦B区2楼

宝安校区：深圳市宝安区新安二路37号五区综合楼2楼

福田校区：深圳市福田区上步中路深勘大厦19楼

广州校区：广州市天河区元岗路616号天河慧通产业广场A8-1栋

服装中心：福田区深南中路兴华大厦A座11B整层

大数据时代，数据科学家们是新一代的超级英雄。

麦肯锡公司（McKinsey）所做的一项研究预计，“到2018年，仅美国一国在深度分析类人才方面的供需缺口可能就将高达50%-60%。”此类人才奇缺的现状目前在各行各业都能够感受到。

*麦肯锡公司是世界级领先的全球管理咨询公司。

2014年4月，咨询公司埃森哲（Accenture）对客户做大数据策略方面的调查时，超过90%的客户表示，他们计划聘用更多的具备数据技术专长的员工，而且多数计划一年内就进行。而在1000多家回应调查的客户中，有41%的客户表示，这方面人才匮乏是一个主要障碍。

*埃森哲是全球最大的管理咨询、信息技术和业务流程外包的跨国企业。

数据分析是什么？

数据分析是指用适当的统计分析方法对收集来的大量数据进行分析，提取有用信息和形成结论而对数据加以详细研究和概括总结的过程。在实用中，数据分析可帮助人们作出判断，以便采取适当行动。

在产品的整个寿命周期，包括从市场调研到售后服务和最终处置的各个过程都需要适当运用数据分析过程，以提升有效性。例如，一个企业的领导人要通过市场调查，分析所得数据以判定市场动向，从而制定合适的生产及销售计划。因此数据分析有极广泛的应用范围。

数据分析类岗位目前就业形势？

不管是中国还是国外，大数据相关的人才都是供不应求的局面。根据麦肯锡报告，仅仅在美国市场，2018年大数据人才和高级分析专家的人才缺口将高达19万。此外美国企业还需要150万位能够提出正确问题、运用大数据分析结果的大数据相关管理人才。

根据Linkedin《2016年中国互联网最热职位人才库报告》，数据分析人才被列为Top6的热门职位。

可以看出，这些职位都是当下任何互联网公司要建立发展必不可少的岗位，尤其是数据分析人才，伴随着大数据在互联网行业更多的应用而愈加重要。

在这份报告中，数据分析人才的供给指数最低，仅为0.05，相当于20个职位同时在竞争一个求职者。这在一定程度上反映了行业现状，很多互联网公司都逐渐意识到了数据的重要性，但却缺乏相关的专业人才来分析和管理数据。

很多学习数据分析的人会有一种困惑：“为什么学了那么多工具，还是不会数据分析？”，原因无外乎两个，一是只学到了碎片的知识，没有建立知识之间的连接，无法形成自己的知识体系，二是缺乏实践，导致无法形成“知行合一”的工作技能。

对于【UCSC Extension 位于硅谷中心地带，拥有得天独厚的地理位置，不但提供电子工业和计算机业的前沿科技动态和创新，而且为学生们创造了大量学以致用的工作机会】这一点就不需要再赘述了，除此之外，UCSC同样值得关注的是其数据库和数据分析证书课程，是真正意义上“知行合一”的教育方式。

UCSC数据库和数据分析证书课程

就读UCSC的数据库和数据分析证书课程可以学习处理业务数据和分析的原则，参与实践的过程，为希望将分析应用于商业决策的数据科学家、分析师、管理员和管理人员提供最新的培训，这个课程适合于寻求增强对最新数据库系统的理解的数据从业人员，以便适应当前的行业变化和不断变化的企业环境。

巨详细的课程介绍

（就算不仔细看全部，也一定要仔细看第11点）

1 、关系数据库设计和SQL编程

Relational Database Design and SQL Programming | 3 Units

关系数据库借助于集合代数等概念和方法来处理数据库中的数据，同时也是一个被组织成一组拥有正式描述性的表格，该形式的表格作用的实质是装载着数据项的特殊收集体，这些表格中的数据能以许多不同的方式被存取或重新召集而不需要重新组织数据库表格。UCSC的关系数据库设计课程就是教你如何设计这种表格。

SQL是结构化查询语言(Structured Query Language)，是一种特殊目的的编程语言，是一种数据库查询和程序设计语言，用于存取数据以及查询、更新和管理关系数据库系统。

UCSC本课程内容包括创建和操作表格的制作方法、使用SQL技能的管理方法以及在个人计算机上安装软件或数据库的能力。

2、商业智能解决方案

Business Intelligence Solutions | 2 Units

商业智能（Business Intelligence，简称：BI）指用现代数据仓库技术、线上分析处理技术、数据挖掘和数据展现技术进行数据分析以实现商业价值。

本课程以微软为例，对商业智能的基本原理进行了实践。学生将通过了解数据透视表、Power Pivot的特性，包括如何从SQL服务器加载数据并创建Powe View仪表盘、图表和地图。

*PowerPivot 指的是一组应用程序和服务，使用 PowerPivot 加载项可以更快速地在桌面上分析大型数据集，能以极高的性能处理大型数据集。处理数百万行和几百行的性能基本相同。

3、预测分析：机器学习的应用

Predictive Analytics: Applications of Machine Learning | 3 Units

机器学习的应用专门研究计算机怎样模拟或实现人类的学习行为，以获取新的知识或技能，重新组织已有的知识结构使之不断改善自身的性能并运用到实际生活中。

本课程介绍了机器学习方法，包括回归、分类和推荐系统，以及它们在实际中的应用。构建预测模型所涉及的步骤，包括数据收集、特征选择、算法和评估。

这是一种统计或数据挖掘解决方案，可为预测、优化、预报和模拟等许多其他用途而部署，也可为规划流程提供各种信息，并对企业未来提供关键洞察。

4、数据分析概述

Introduction to Data Analysis | 3 Units

本课程介绍了数据分析项目的不同方法，并组织学生进行分析实践。采用流行的数据分析工具进行分析，学习如何获取和操作原始数据。它涵盖了基本的探索性分析和常见的数据分析技术，如回归、模拟和估计。

5、大数据：概述、工具和案例分析

Big Data: Overview, Tools and Use Cases | 3 Units

这是一个用于处理大数据的数据库管理系统，从中可以学习如何获取、清理和规范化大数据。探索NoSQL的关键概念、模式、数据访问和方法，在大数据中学习技术基础设施。

*NoSQL，泛指非关系型的数据库。

6、数据建模简介

Data Modeling, Introduction | 3 Units

数据建模学习的是如何对现实世界各类数据的抽象组织，确定数据库需管辖的范围、数据的组织形式等直至转化成现实的数据库。将经过系统分析后抽象出来的概念模型转化为物理模型后，在VISIO或ERWin 等工具建立数据库实体以及各实体之间关系的过程（实体一般是表）。

* VISIO一般指Microsoft Office Visio，是一款便于IT和商务专业人员就复杂信息、系统和流程进行可视化处理、分析和交流的软件。

* ERWin 的全称是ERwin Data Modeler，是数据建模工具，支持各主流数据库系统。

本课程提供了在数据建模和设计中的知识和实践操作，学生将研究事务系统、数据集市和企业数据仓库的数据模型的真实实例。

7、NoSQL数据库概述

Introduction to NoSQL Databases | 3 Unit

本课程介绍了NoSQL数据库的特性，以及为什么它们适合大数据，包括流行的NoSQL数据库的类型和类别。NoSQL(NoSQL = Not Only SQL )，意即“不仅仅是SQL”，是一项全新的数据库革命性运动，早期就有人提出，发展至2009年趋势越发高涨。NoSQL的拥护者们提倡运用非关系型的数据存储，相对于铺天盖地的关系型数据库运用，这一概念无疑是一种全新的思维的注入。UCSC Extension十分重视培养学生的全新思维能力。

8、机器学习&数据挖掘概述

Introduction to Machine Learning & Data Mining | 3 Units

在所有类型的数据中，机器控制自动识别复杂的模式。这个实践课程涵盖了各种数据挖掘方法的概念和原理，并包括用统计语言编写的机器测试示例。

学生可以在本课程学习如何从大量的数据中通过算法搜索隐藏于其中信息。数据挖掘通常与计算机科学有关，并通过统计、在线分析处理、情报检索、机器学习、专家系统（依靠过去的经验法则）和模式识别等诸多方法来实现上述目标。

9、Oracle PL / SQL概述

Oracle PL/SQL, Introduction | 2 Units

Oracle公司（甲骨文）是全球最大的信息管理软件及服务供应商，该公司开发的关系数据库产品因性能卓越而闻名，许多大型网站也选用了Oracle系统，是世界最好的数据库产品。研究其产品成为了数据库与数据分析专业的重点课题。

PL/SQL也是一种程序语言，叫做过程化SQL语言（Procedural Language/SQL）。PL/SQL是Oracle数据库对SQL语句的扩展。在普通SQL语句的使用上增加了编程语言的特点，所以PL/SQL就是把数据操作和查询语句组织在PL/SQL代码的过程性单元中，通过逻辑判断、循环等操作实现复杂的功能或者计算的程序语言。

这门课程适用于不同版本的Oracle 系统比如Oracle8i、Oracle9i、Oracle 10g和Oracle 11g用户。它向学生介绍了PL / SQL，并深入解释了这种编程语言的优点。

10、仪表盘和数据可视化

Dashboards and Data Visualization | 2 Units

学生在本课程可以学习仪表盘相关知识，了解一般商业智能都拥有的实现数据可视化的模块，学会运用这种向企业展示度量信息和关键业务指标（KPI）现状的数据虚拟化工具。

与立体建模之类的特殊技术方法相比，数据可视化所涵盖的技术方法要广泛得多。学生需要掌握图形、图像处理、计算机视觉以及用户界面的使用，通过表达、建模以及对立体、表面、属性以及动画的显示，对数据加以可视化解释。

这门课程将让学生懂得如何选择数据源、提取所需数据、使用示例工具执行数据分析，以及在仪表盘上直观地显示结果。

11、无薪实习

Internships (unpaid) | 3 Units

UCSC数据库与数据分析专业的学生每季度至少参加90个小时的实习，把课堂上学习到的理论知识真正运用到实际中。同时，UCSC的实习指导员也会对学生实习公司、岗位等等进行指导，以便学生获得最好的实习机会。

*美国大学与雇主协会”的官方数据统计表明，56%雇主的偏好那些通过实习的方式积累经验的求职者。这就非常直接地证明了，实习机会对每一个要找工作的人而言，实在是太重要了！

显然，UCSC Extension的职业资格证书课程，是学习数据库与数据分析专业最好的选择之一，所有的课程设置都是紧跟行业发展的步伐，甚至站在行业的前沿。

识大势而后伐谋，所以“识大势”是非常重要的，这对我们择业、跳槽影响深远。 为了给大家直观地展示当前哪些行业正走向兴旺，哪些行业已衰败没落 ，我分析了世界500强中的115家中国企业，它们分别来自金融、制造、电信等22个不同的行业，这些超级大企业通常都是各自所属行业中的巨头，从这些最具代表性的企业身上可以看到其行业的走向。

1. 哪个行业入选500强的企业数量多？

前五位分别为能源（23家）、金融（11家）、电子／电气设备（9家）、房地产（9家）和保险（8家）。好吧，中国不愧为发展中的人口大国， 源源不断的人口红利足以支撑一些毫无技术含量的企业发展壮大 。

图1

有人可能会质疑说，电子／电气设备行业的技术含量很高啊，那我把这9家企业列出来吧：鸿海精密（台湾）、正威国际、联想集团、和硕（台湾）、中国电子信息、台积电（台湾）、广达电脑（台湾）、中国电子科技、仁宝电脑（台湾）。 台湾企业占据超过半壁江山 。

数据也同时印证了， “对基础技术缺乏研究”正是当今中国企业的最大问题 ，互联网企业更多地是关心模式的创新、用户体验的创新，在技术创新上还是一贯的依靠舶来品，很少中国互联网企业愿意在那些基础而又核心的技术上投入过多的精力，因为这些基础而又核心的东西往往需要长时间的技术积累，远不如模式创新在变现上来得快。但技术才是这个世界进步的根本，所有的模式创新、体验创新都只是依附在技术创新的基础之上， 如果中国互联网一直在技术创新上采取“拿来主义”，在用完中国的人口红利后就将迅速面临断崖式的崩溃。

2. 哪个行业的平均营业收入最高？

营收是衡量企业发展状况的最重要的指标。各行业平均营收前五名和后五名的情况如下：

前五名：工程与建筑、网络／通讯设备、综合商业、金融、电信

后五名：工业机械、船务、房地产、互联网服务、批发零售

图2

也许有些人会觉得很意外，为什么“互联网服务”的营收会排名倒数第二呢？这里面的企业都是赫赫有名的，京东、腾讯、阿里，哪个不是跺跺脚中国互联网就得震一震的主儿？而数据恰恰说明， 互联网当前还远不是中国的支柱经济，它虽然抢尽眼球，但还是实体经济在支撑着中国在前行 ，当前互联网的发展还处于画地为牢的阶段，虽然红红火火，但还远没有融入到庞大的实体经济中去。而我们的决策者在制定各种行业政策时是不是也可以适当考虑下传统经济的现状，包括它背负的责任和当前的困境。

工程与建筑行业夺魁，网络／通讯设备夺得榜眼，说明中国仍处于基建大发展阶段，包括硬件的发展（铁路、公路、建筑）和软件的发展（网络、IT设备），所以，未来相当长一段时间内 ，“工程师”仍是非常紧缺的人才，包括建筑工程师和软件工程师。 当然，金融无论在哪个时代都是处于金字塔的最顶尖的，但这个行业情况有点复杂，后面我们结合其利润和增长情况来谈。

2.1 哪个行业的营收增长率最高？

营收增长率衡量的是行业的发展态势。前五和后五的情况如下——

前五名：航空、船务、网络／通讯设备、金属产品、房地产

后五名：电子／电气设备、贸易、物流、能源、金融

图3

航空和船务应该是受到“一带一路”的国家政策强烈刺激，在营收增长上表现良好。房地产行业的高增长率也印证“中国仍处于基础建设大发展阶段”的观点， 房子是无数中国人的终极追求 ，房地产行业在中国应该还能兴盛很久。

电子／电气设备行业正在被云计算等新兴技术革命，所以其滞涨是正常现象；传统贸易被电子商务、海淘的狙击，估计很难缓得过气来；因为顺丰去年仍没进入500强，这里的物流只包括一个企业——邮政，所以其低速发展没有代表性，不符合当前行业现状；最让人吃惊的是金融行业竟然营收增长率倒数第一，难道金融行业在与支付宝、微信支付等新型金融工具的对抗中已经伤筋动骨？这不禁让人疑问， 金融业还有明天吗？

3. 哪个行业的平均利润最高？

利润是衡量一个企业可持续发展能力的关键指标。前五和后五的情况如下——

前五名：金融、网络／通讯设备、物流、互联网服务、电信

后五名：医药、航空、批发零售、金属产品、化学品

图4

好了，谈到利润的时候，终于回到我们熟悉的世界了。金融行业荣膺利润之王的称号，而阿里巴巴、腾讯、工商银行、中国移动、华为等今昔的王者都悉数回归，这说明一件事情：世界也许很复杂，但有人一直在默默赚钱。

我们常常会有一种疑惑，像国外的亚马逊、国内的京东这些巨头，年年亏损，但丝毫不影响它们的市值一路攀升。其实原因很简单，它们代表未来的发展方向，它们有层出不穷的可炒作的热点，所以利润对它们而言一点都不重要。但对另外一些行业、企业而言，情况就大不一样了。

如，利润排名后五名的行业：化学品、金属产品、批发零售、医药等，这些行业已经被冠名“落后的传统行业”，对于未来没有任何的想象空间，赚取利润可能是它们唯一的价值，可惜也已经不胜重负了。

所以，你还在犹豫选专业的时候要不要选化学吗？

3.1 哪个行业的利润增长率最高？

前五名：汽车制造、船务、航空、物流、医药

后五名：贸易、能源、房地产、工业机械、金属产品

图5

好吧，又一次颠覆了我们对世界的认知，前五名没有BAT、没有中国移动，更多的是传统的行业，如汽车制造，我们是不是可以理解为： 先醒过来的传统行业正在通过拥抱互联网重获新生？

而后五名，能源、金属产品、传统贸易都是落后分子里的老面孔了，房地产利润增长率不佳是因为本来已经是暴利行业的缘故吗？还是政府卖地越来越贵了？哈哈。

4. 哪个行业的净利率最高？

净利率衡量的是企业的变现能力，也是企业的核心竞争力。前五和后五的情况——

前五名：金融、互联网服务、物流、网络／通讯设备、房地产

后五名：医药、航空、批发零售、金属产品、化学品

图6

跟利润有关的，金融行业永远是王者，因为 全世界几乎所有的精算师、风险评估师都在金融行业，你觉得这个行业能亏吗？ 互联网行业的特点就是大者恒大，一旦实现了对其领域的控制，其盈利能力就会爆发出来，阿里、腾讯这些主儿的净利率都是近30%的。房地产，一言蔽之“暴利行业！”， 凡是华人聚居的地方，那里的首富肯定是卖房子的 ，如李嘉诚、许家印。

后五名就不再多说了，这些行业估计短期内很难以摆脱当前的现状。

5. 哪个行业的人均产值最高？

人均产值代表该行业的员工的工作能力和价值输出。前五名和后五名情况——

前五名：贸易、批发零售、保险、金融、电子／电气设备

后五名：航空、航天与防务、电信、综合商业、物流

图7

贸易是一种特殊的行业形势，所以造就了人均高达5000万的逆天的人均产值。而金融、保险和电子／电器设备的高人均产值也正说明了在一个大势向上的行业里，个人的价值能更好地发挥出来。

让人悲痛的事，电信行业的人均产值位列倒数第三，而电信行业多年以来都是国企中管理水平出色的代表，多年来也一直笼天下之英才而用，员工的能力应该是不容置疑的，如今落得这局面，是不是说明电信行业已经不在当前的“大势”之中？另外，是不是也说明了三大运营商当前机构臃肿、人浮于事？是体制机制之祸还是经营管理不善？

三流企业做事，二流企业做市，一流企业做势。 所谓做势，就是善于谋形划势。势是一个物理学概念，指的是一种必然，一种出于对宏观把握的结果，一种规律性的认知。

6. 哪个行业的人均利润最高？

人均利润则更能反映出行业的发展势头，以及人在其间的作用。

前五名：互联网服务、金融、保险、电子／电气设备、网络、通讯设备

后五名：批发零售、工业机械、金属产品、航空、化学品

图8

在人均利润指标上，各行业相差悬殊， 互联网服务和金融可谓是人均利润的“双寡头”，高达63、62万元，是第三名的2倍，第四名的3倍，是电信行业的11倍，是倒数第一名（化学品行业）的574倍。 试想一下，可能大家都是朝九晚五地上下班，但别人创造的利润是你的500多倍，这是一件多么让人沮丧和绝望的事情啊。

而一个最基本的道理，你不能为企业带来利润，企业也肯定无法给你带来更好的薪酬收入，无论商业社会多复杂，这是一个最基本的准则。

其实不光是中国，全球的经济格局正在重构，全球化和数字化是两大重要的趋势，正在改变着中国乃至全球的商业世界的面貌，在过去30多年里，中国很多企业从人口规模和全球化市场中获得了很大的红利，这让它们能在很短的时间内发展壮大，位列世界500强，但这只是简单地反映出它们的营收规模庞大，而实际上， 从开放、创新这两个衡量企业新的竞争力的指标来看，中国企业还有很远很远的路要走。

8月，全国各地大中专院校陆续开始报名。对于还没明确人生方向的初高中生来说，选学校、选专业是决定未来职业方向，甚至是决定前途命运的大事。2018年学什么专业好就业？现在的热门专业有哪些？哪些专业工资待遇更高，未来发展前景更好呢？

有关数据显示：产品需求量越大的行业，人才紧缺越严重的行业，发展前景越广阔的行业，就业后薪资起点就越高，个人未来的职业发展前景也就越好。

某权威网站显示：截止2017年底，全国汽车保有量达2.17亿辆，与2016年相比，全年增加2304万辆，增长11.85%。再加上高速路网和物流行业的快速发展，中国已经成为名副其实的「车轮上的国家」。

同时，根据甘肃万通汽车学院在上百名汽修行业大师、企业技术总监，以及千余家校企合作单位中的大量调研，结果显示，在我国已经成为汽车大国的背景下，汽车后服务市场人才缺口却高达300万！形势可以说十分严峻，并且随着汽车行业的不断壮大，这种人才缺口还在不断扩大中。

因此，我们可以负责任地说，2018年从事汽车后服务市场，前景广阔！

确定了学什么专业，还要到专业的学校学习才能确保教学质量，确保学得会，用得上。因此，初高中生要学汽修技术，最重要的择校标准就是选择「专业」、「专门」、「专注」于汽车职业技能教育的院校，在这方面，甘肃万通汽车学院可以说是上上之选。

首先，甘肃万通汽车学院与省内高校定向合作，招生范围为初高中生，选择两年或三年制长期专业学习后，实现技能+学历双丰收。

其次，万通汽车教育专业教学三十年，是央视推荐汽车教育品牌，千余家汽车名企建立校企合作关系，学生没有毕业就被企业预定了

权威分析：2018年什么专业就业前景好？

总之，汽车行业发展的火热，严重的用工荒，广泛的就业空间，光明的职业前景，都对2018年学什么专业就业前景好，做出了最佳注脚。

在回答“从事数据分析师学什么专业”这个问题之前，小编想先给大家介绍下数据分析这师的就业现状！

一个优秀的数据分析师可以帮助企业根据现有数据做出科学、合理的分析，在前行中准确定位，为企业排除干扰，创造价值。数据分析师这个岗位的可以从事相关数据的职位有很多，如业务数据分析师、数据挖掘师、数据科学家、数据工程师等等。

业务/商业数据分析师（BA）是完全的咨询师设定，核心价值在分析框架+报告；

数据科学家是完全的算法设定，核心价值在算法+数学；

数据工程师是完全的程序员设定，核心价值在程序；

其他还有建模分析师、数据架构师、数据产品等等；

可以说数据分析师的就业面非常之广，在公司产生的价值与被重视程度不言而喻。

小编从各大招聘网站找到国内三家大企业的招聘，从中可以发现企业对数据分析人才专业要求是怎样的。

可以看到职责描述里，第七条，数学、统计学、信息管理、计算机专业等。

岗位要求里，第一条：本科以上学历，统计学、数学、电子商务、计算机、市场营销等相关专业。

任职要求，第一条可以看到数学、统计学、数量经济学、计算机、营销学等相关专业。

这几条招聘启事专业要求有数学、统计学、信息管理、计算机、电子商务、市场营销、数量经济学专业。这些专业具体都学些什么内容呢？

数学

随着科技事业的发展，数学专业和其他专业的联系也越来越紧密，所以数学专业知识也得广泛的应用。

数据分析师需要有专业的数学功底和严密的逻辑思维，而严密的逻辑思维则来源于扎实的数学功底。 学数学的同学更注重理论的完备性和逻辑链的完整性，即对于在分析过程中出现的任何一些命题，都要能证明它是正确的还是错误的。

统计学

统计学贯穿数据分析的全过程，没有统计学基础，很难有专业的数据分析。数据分析的 各个步骤，都要用到统计学的知识。

信息管理

信管专业主要对各种“系统”进行分析、设计与实现，技术与管理的有机结合。学习内容：财务、系统数据分析、IT技术，可以说信管专业非常对口数据分析师职位，从信息中 发掘财富。与计算机结合，使计算机作为工具， 信息管理更加有效和实用，随着企业经营规模的现代化，对信息管理 的要求越来越强烈。

例如铁路订票系统，就是对车票这种信息的查询和管理系统。可以说软件开发的最主要面向的客户就是 帮助企业制作良好的信息管理系统。

计算机

学习计算机专业同学可以从事数据研发/开发工程师，数据挖掘/机器学习工程师，对编程技术上的要求高一些。

电子商务

电子商务专业培养具备管理、经济、法律及网络技术、计算机技术、市场营销、电子商 务技术以及电子商务管理等方面的知识和基本技能，现在各大交易都在网站等网络平台 交易完成，数据分析在电商行业的应用非常广。

市场营销

数据分析师常要为企业的营销决策提供支持，这就要求懂营销。

具有营销背景的数据分析师思路会更清晰、更开阔。当让他做竞争分析时，他会想到波 特五个力；让他做环境分析时，他会想到PEST、让他做消费者偏好分析，他会想到科 特勒用户决策流程。

数量经济学

数量经济学是运用统计学、经济计量学、投入产出分析、最优规划方法、经济控制论和计算技术等各种手段，对各种经济问题进行理论分析、经验检验和政策分析的一门应用经济学科。数量经济学更偏技术类，相比其他经济学金融类专业，数经的优势是统计软件够独立编程。

很多院校有大数据课程和方向，关联度较高的专业有：软件工程、计算机科学、信息管理、应用数学/数学与统计。大数据应用有三个主要层面（即数据管理、系统开发、海量数据分析与挖掘），这三个层面系统地帮助企业掌握大数据应用中的各种典型问题的解决办法。

大数据的核心技术：（1）大数据与Hadoop生态系统。详细介绍分析分布式文件系统HDFS、集群文件系统ClusterFS和NoSQL Database技术的原理与应用；分布式计算框架Mapreduce、分布式数据库HBase、分布式数据仓库Hive。（2）关系型数据库技术。详细介绍关系型数据库的原理，掌握典型企业级数据库的构建、管理、开发及应用。（3）分布式数据处理。详细介绍分析Map/Reduce计算模型和Hadoop Map/Reduce技术的原理与应用。（4）海量数据分析与数据挖掘。详细介绍数据挖掘技术、数据挖掘算法–Minhash, Jaccard and Cosine similarity，TF-IDF数据挖掘算法–聚类算法；以及数据挖掘技术在行业中的具体应用。（5）物联网与大数据。详细介绍物联网中的大数据应用、遥感图像的自动解译、时间序列数据的查询、分析和挖掘。（6）文件系统（HDFS）。详细介绍HDFS部署，基于HDFS的高性能提供高吞吐量的数据访问。（7）NoSQL。详细介绍NoSQL非关系型数据库系统的原理、架构及典型应用。