编者按：本文来自公众号秦路（ID：tracykanc），作者秦路；36氪经授权发布。

最近有不少同学在后台问我数据分析的职业发展相关，这里先列一个简易大纲。它更多是以我所在的互联网行业展开的。

入门和职业规划应该从两个角度考虑：领域和路线。

领域是不少新人常忽略的要素，其实数据分析不会脱离业务存在。你进入哪个行业，很大程度会决定你初期的技能树和技能点。譬如金融领域的风控模型、营销领域的生命周期、广告领域的点击率预估等，各有各的特色。

如果是一位应届生，不妨多了解自己感兴趣的领域，和专业相关是最好的，并且积累相关的经验，为面试做准备。

如果已经有一定行业履历，只是想要转岗数据分析师，那么跨岗不跨行，避免跳到一个陌生的领域。

领域经验太宽泛，我给不了太多的指点，主要也就三点：1.自己感兴趣的，2.自己擅长的，3.有钱途的。从职场生涯看，成为某领域的数据专家，会是一个更好的筹码。

而路线大致可以划分成四大方向：

数据分析，数据挖掘，数据产品，数据工程。

数据分析/数据运营/商业分析

这是业务方向的数据分析师。

绝大部分人，都是从这个岗位开始自己的数据之路，也是基数最大的岗位。

因为基数大，所以这类岗位通常鱼龙混杂。有些虽然叫数据分析师，但是每天只需要和Excel打交道，完成leader布置的表格整理工作就行。混个几年，成为一位数据分析主管，给下面的新人继续布置Excel任务。

又有一种数据分析师，岗位职责要求你掌握常用的机器学习算法，面试首先推导一个决策树或者逻辑回归。入职后也是各类代码，和分析打交道的情况不多。

都叫数据分析师，其实天差地别。

这里更多指互联网行业，偏业务的数据分析师，一般属于运营部门。不少公司也称数据运营或者商业分析。

这类岗位的职位描述一般是：

负责和支撑各部门相关的报表；

建立和优化指标体系；

监控数据的波动和异常，找出问题；

优化和驱动业务，推动数据化运营；

找出可增长的市场或产品优化空间；

输出专题分析报告；

实际情况是，不少业务端的数据分析师，主要工作只做第一点。别管它用汇总、分析、数据支持什么修饰词，基本是跑SQL，做报表。硬生生活成了业务端的表哥。

这是很常见的情况，也是入门新人的第一个坑。因为从头到尾，这类分析师，都没有解决问题。

业务部门往往更关心，某个指标为什么下跌或者上升。产品的用户是什么样的？怎么能更好的完成自己的KPI。

以活跃指标的下跌举例：

活跃指标下跌了多少？是属于合理的数据波动，还是突发式？

什么时候开始的下跌？

是整体的活跃用户下跌，还是部分用户？

为什么下跌？是产品版本，还是运营失误？

怎么解决下跌的问题

这是一套标准的解决思维。分别对应what、when、who、why、how，每一部分都不是三言两语可以解释清楚。不要看它简单，例如你通过多维分析，发现某个地区的活跃下跌了，不要急着把它作为分析的结论，这是不合格的数据分析。某地区的活跃下跌，只是现象，不是原因，把它作为结论提交，肯定会被骂的。

你要解决的是，为什么这个地区的活跃下跌了。是该地渠道，是该地竞争对手，是该地市场环境？这些问题都是细化深入的范畴。并且，它们要能以量化解释，而不是我认为。

做好了这点，才是一个真正的业务端的数据分析师。

当然，这一点看的是leader。leader能否带你进入业务分析的大门，决定你将来是不是成为一个表哥。新人切记切记。

解决问题是一方面工作，另外一方面，数据分析师的职责是将业务数据体系化，建立一套指标框架。活跃下跌的问题，本质上也是指标问题。什么时候开始下跌，哪部分下跌，都能转化成对应指标，如日活跃用户数，新老用户活跃数，地区活跃数。

你不能衡量它，就无法增长它，指的就是指标体系。指标体系可以是业务部门建立，但数据分析师也挺合适。一方面他们比数据挖掘这类技术岗位更贴合业务，一方面不像业务岗位对数据抓瞎。

两者结合，这岗位也能称为数据运营。

指标体系如果工程化自动化，也就是BI，所以数据分析师可以算半个BI分析师，这里不包括BI报表开发。BI如果采购第三方，数据分析师负责BI没问题，如果自有开发，那么BI岗技术的色彩更浓厚。

数据分析思维和业务的理解，是分析师赖以生存的技能。很多时候，工具是锦上添花的作用。掌握Excel+SQL/hive，了解描述统计学，知道常见的可视化表达，足够完成大部分任务。机器学习这类能力，对此类数据分析师不是必须的，Python也一样，只是加分项。毕竟为什么下跌，你无法用数据挖掘解答。

数据分析师是一个基础岗位，如果专精于业务，更适合往管理端发展，单纯的工具和技巧很难拉开差距。数据分析的管理岗，比较常见的有数据运营经理/总监，数据分析经理等，相对应的能力是能建立指标体系，并且解决日常的各类「为什么」问题。

商业/市场分析是另外一个方向，更多见于传统行业。你要开一家超市，你得考虑哪里开，这就要考虑居民密度，居民消费能力，竞争对手的多寡，步行交通距离，开车交通距离等。这些数据是宏观的大指标，往往靠搜索和调研完成，这是和互联网数据分析师最大的差异。

若往其他分支发展，比如数据挖掘工程师，则要继续掌握Python和机器学习等。从业务型发展上来的好处是接地气，具备商业洞察力（天天搞报表，怎么可能不熟），这点是直接做数据挖掘，或者程序员转岗，所不具备的。

新人，比较普适的发展路线是先成为一位数据分析师。积累相关的经验，在一两年后，决定往后的发展，是数据挖掘，还是专精数据分析成为管理岗。

学习资料：

这里对学习资料不再多做推荐，看历史文章：如何七周成为数据分析师

数据挖掘/算法专家

这是技术向的数据岗，有些归类在研发部门，有些则单独成立数据部门。

数据挖掘工程师要求更高的统计学能力、数理能力以及编程技巧。

从概念上说，数据挖掘Data mining是一种方式，机器学习Machine Learning是一门方法/学科。机器学习主要是有监督和无监督学习，有监督又可划分成回归和分类，它们是从过去的历史数据中学习到一个模型，模型可以针对特定问题求解。

数据挖掘的范围则大得多，即可以通过机器学习，而能借助其他算法。比如协同过滤、关联规则、PageRank等，它们是数据挖掘的经典算法，但不属于机器学习，所以在机器学习的书籍上，你是看不到的。

除此之外，还有一个领域，属于最优化问题的运筹学。现实中的问题往往有很多约束，比如护士排班，一共有三班（早、中、晚），现在要求每班满足最低护士人数，每位护士尽量不能连班，每位护士不能连续工作5天。每位护士的夜班数要均衡，每位护士每月的班数要均衡…这些问题很难用机器学习的方法完成，而在最优化领域，则有遗传算法、模拟退火算法、蚁群算法等。

实际的应用场景中，如外卖行业，如何寻找骑手效率最大化的最优路径，同样属于最优化，也是数据挖掘的工作范畴。

数据挖掘工程师，除了掌握算法，同样需要编程能力去实现，不论R、Python、Scala/Java，至少掌握一种。模型的实施，往往也要求Hadoop/Spark的工程实践经验，精通SQL/Hive是必须的。

常见数据挖掘项目的闭环如下：

定义问题

数据抽取

数据清洗

特征选取/特征工程

数据模型

数据验证

迭代优化

单看环节，数据挖掘对分析能力没有业务型那么高。这不代表业务不重要，尤其在特征选取方面，对业务的理解很大程度会影响特征怎么选取，进而影响模型质量。用户流失是一个经典的考题，如何选取合适的特征，预测用户会否流失，能够考察对业务是否深刻洞察。

数据挖掘的业务领域一样可以细分。金融行业的信用模型和风控模型/反欺诈模型、广告模型的点击预估模型、电商行业的推荐系统和用户画像系统。从需求提出到落地，数据挖掘工程师除了全程跟进也要熟悉业务。

因为要求高，所以数据挖掘的平均薪资高于数据分析师。

一个分工明确的团队，数据分析师负责将业务需求抽象成一个具体的数据假设或者模型。比如，运营希望减少用户流失，那么设立一个流失指标，现在需要预测用户流失率的模型。模型可以是数据分析师完成，也能是数据挖掘工程师。最终由数据挖掘团队部署到线上。

在一些公司，高级数据分析师会等价于数据挖掘工程师（其实行业内，对Title并没有严格的标准），只是工程能力可以稍弱，模型部署由专门的工程团队完成。

数据挖掘工程师，往后发展，称为算法专家。后者对理论要求更严苛，几乎都要阅读国外的前沿论文。方向不局限于简单的分类或者回归，还包括图像识别、自然语言处理、智能量化投顾这种复合领域。这里开始会对从业者的学校和学历提出要求，名校+硕士无疑是一个大优势，也有很多人直接做数据挖掘。

深度学习则更前沿，它由神经网络发展而来，是机器学习的一个子集。因为各类框架开枝散叶，诸多模型百花齐放，也可以算一个全新的分支。除了要求熟悉TensorFlow, Caffe, MXNet等深度学习框架，对模型的应用和调参也是必备的，后者往往是划分普通人和大牛的天堑。

算法专家和深度学习专家，薪资level会更高一级，一般对应于业务型的数据运营/分析总监。

数据科学家是上述岗位的最终形态之一，要么理论能力非常强，往往担任研究院的一把手。要么工程能力突出，上述的系统都能完成平台化的部署。

这类岗位对基础知识要求扎实，所以书籍需要比较大的阅读量，而且要保持领域新论文的吸收。

统计知识，除了「商务与经济统计」外，国外有一本「The Elements of Statistical Learning」，评价不错。

机器学习的入门，李航的「统计学习方法」，周志华的「机器学习」都是好书，英文好也能看PRML。

Python入门书籍的推荐太多，略过。「用Python进行数据分析」是必备的，当然这本书有点老，活用官网最新文档和stackoverflow，基本无碍。Python可视化查阅文档也够了，不用看书。

再进一步，则是机器学习的代码实现，比较知名的有「集体智慧编程」，「机器学习实战」等。其实最近还有不少新书，「Python DataScience Handbook」等，我当然不可能都看过，所以也不好推(hu)荐(you)。

除了基础，行业领域的也别落下，诸如推荐系统实战、计算广告…按需学习。如果你们公司对于人才有较高的挑战（一个人当两个人用），大概Spark/Hadoop机器学习相关的框架也得了解。

数据产品经理

这个岗位比较新兴，它有两种理解，一种是具备强数据分析能力的PM，一种是公司数据产品的规划者。

前者，以数据导向优化和改进产品。在产品强势的公司，数据分析也会划归到产品部门，甚至运营也属于产品部。这类产品经理有更多的机会接触业务，属于顺便把分析师的活也干了，一专多能的典型。

他们会运用不同的数据源，对用户的行为特征分析和挖掘，达到改进产品。最典型的场景就是AB测试。大到页面布局、路径规划、小到按钮的颜色和样式，均可以通过数据指标评估。

下图的案例，就是弱化心愿单按钮的存在感，让用户更多的聚焦在直接购买而不是收藏，最终让销售额提高了35%。

俗话说，再优秀的产品经理也跑不过一半AB测试。此类数据产品经理，更多是注重数据分析能力，擅长用分析进行决策。数据是能力的一部分。

后者，是真正意义上的数据产品经理。在公司迈大迈强后，数据量与日俱增，此时会有不少数据相关的产品项目：包括大数据平台、埋点采集系统、BI、推荐系统、广告平台等。这些当然也是产品，自然需要提炼需求、设计、规划、项目排期，乃至落地。

我们不妨看几个数据产品经理要求：

负责大数据产品的设计，输出需求文档、产品原型；

负责推荐算法的产品策略，完成相关推荐及个性化推荐产品的需求分析；

负责分析和挖掘用户消费内容的行为数据，为改进算法策略提供依据；

负责客户端数据需求的对接，制定相关埋点规范及口径，相关业务指标验证；

报表展示工具的落地和应用；

和C端注重用户体验不同，数据产品，更注重整体的分析能力和逻辑。除了产品经理最基础的Axure、Visio、MindManager等工具。往往还需要很多技术型的能力。比如了解BI/DW原理和实施、了解常用的推荐算法、了解机器学习模型等。这也很容易理解，C端要求你了解用户需求，而在数据端，主要用户就是数据。

这当然不是说，用户体验不重要，拿推荐算法来说，除了满足用户最基本的感兴趣，也要考虑时效性，考虑新兴趣的挖掘，考虑无数据时的冷启动问题…这些一样是用户体验，只是解决方案也得从数据出发。再多思考一步，模型是离线还是实时，实时怎么实现它？技术细则不用�...

　　数据产品经理需要具备的素质：

　　首先，数据产品经理必须了解不同的公司，在不同的阶段，需要哪些数据产品，并能够制作出来，这是此职位的核心要求。

　　其次，数据产品经理必须有足够的数据分析能力，如果有了数据分析的思维，再跟公司业务结合就会比较容易。

　　最后，数据产品经理是产品经理的一种，所以要同时具备产品经理的能力：了解用户，需求调研，方案设计，协调技术、测试、设计等。

　　数据分析师需要具备的素质：

　　理论要求及对数字的敏感性，包括统计知识、市场研究、模型原理等。

　　工具使用，包括挖掘工具、数据库、常用办公软件(excel、PPT、word、脑图)等。

　　业务理解能力和对商业的敏感性。对商业及产品要有深刻的理解，因为数据分析的出发点就是要解决商业的问题，只有理解了商业问题，才能转换成数据分析的问题，从而满足部门的要求。

　　汇报和图表展现能力。这是临门一脚，做得再好的分析模型，如果不能很好地展示给领导和客户，成效就大打折扣，也会影响到数据分析师的职业晋升。

　　2017年1月13日线上产品经理说明会带你入门了解产品经理的工作职责与发展前途，成为年薪50W起的优秀产品经理，你·还差一场入门说明会。报名地址：http://form.mikecrm/riZQwJ

互联大数据时代，大数据的特点是数据量大、数据种类多、要求事实性强、数据蕴藏价值大。但是众多的信息和咨询纷繁复杂，我们需要搜索，处理，分析，归纳，总结其规律。

大数据对推动社会经济有重要影响，如果没有高性能的分析工具，大数据的价值就得不到释放。对大数据的应用也要保持清醒的认识，对于互联网大数据作用与价值重点在于引导和启发，客观认识和发挥大数据作用。

但是，我们也有我们的观点，大数据之中，我们要看到的是“大”，这个大是时间的积淀和累聚，只有足够大才能让分析有依据，才能更接近于真实。是否有新的技术对其突破，我们也不敢保证，因为，现在的时代是技术加速度的年代。

大数据分析需要的是一个人的想象力和雄辩的逻辑分析力，纯理性不能构建有效的场景，纯感性会让架构的场景虚无缥缈。

大数据还面临一个最贴近现实的难题，那就是人的行为会受太多不可控因素的影响，比如：情绪，天气，食物等，正是这些不可控，才限制大数据只能更接近真实而非真实的窘境。

刚毕业不建议一下子接触数据分析的工作，可以从互联网的其他岗位开始，数据分析可以作为一个好的使用工具！

之前抓了一些拉勾的数据，包括将近10w个公司以及100w个招聘职位的数据，最近有时间了拿来做一些分析。

先来看公司的一些情况

一、看看公司的地域分布

从图中能看出，北京的公司数量占了绝对领导地位，甚至我们能发现跟城市的人口分布符合Zipf法则一样，公司的发展数量也基本符合Zipf法则法则，当然这跟拉勾base北京也有一定关系。北上广深作为一线城市，互联网发展也是处于第一梯队，而有阿里、网易驻扎的杭州紧随其后，地处天府之国的成都，近些年由于政策刺激和人才回流，其互联网产业目前也是蓬勃发展。

二、看看公司的融资情况

我们现在处于一个万众创业的阶段，大量的公司如春笋般生长，一大批未融资的公司等待资本和市场的检验。而从天使轮到C轮，每一个节点之后的公司数量都基本减半。从图中能看出，C轮可以说是一个创业公司的一个很关键的milestone。

三、看看哪些类别的公司更多

从图中看出，当今是移动互联网的热潮，电子商务和O2O紧随其后，企业服务、数据服务等几个类别，正在和即将迎来各自的黄金期。

四、看看哪些标签是公司最常用的

基于拉勾上每个公司的标签，提取出现次数最高的一些标签，最终做成一个标签云，可以看出，公司还是更喜欢强调员工的福利。

五、看看哪些词是经常用来介绍公司的

互联网时代，服务是核心竞争力，技术、平台、产品和团队是公司的核心资产，这幅图可以说是“公司描述”的自我画像。

接下来我们看看招聘职位的一些数据分析

六、哪些城市工作机会多

北京无疑是工作机会的集大本营，上深广杭四大城市处于同一个梯队，成都以及第二梯队城市旺盛的招聘需求，显示出互联网在这些城市的迅猛发展，也说明互联网正在越来越深入到各行各业。

七、哪轮融资的公司需要招更多人

从上图可以看到，公司的发展基本上需要资本的参与，当公司进入A轮及后面的融资阶段后，对招聘的需求大大增加，说明公司的业务发展也非常迅速，这个需求增长在C轮达到最高。C轮之后，公司发展进入另一个稳定阶段，对招聘的需求开始降低。

招聘离不开薪水待遇这个终极话题，我们来看看一些待遇方面的分析。

八、哪个城市平均待遇更好

从待遇上看，广州输给了杭州，北上杭深成为第一梯队，有趣的是，从中国房地产业协会主办的中国房价平台的数据来看，2016年3月份，广州的平均房价是20451万每平米，同比增长3.13%，杭州的是18404万平米，同比增长6.18%。所以房价上杭州也大有领先广州的势头。大家可以对照各城市的平均房价，这样对自己选择工作有一定的参考价值。

九、哪个待遇区间的公司最多

从上图可以看到，目前平均薪水在6k-8k的公司最多，当然公司招聘的岗位很多种，总体来看，技术类的薪水最高，产品类紧随其后，设计、运营和市场等职位再次之，但是就某一类职位来看，也是符合正态分布的。此外，我们还发现有少数公司薪水待遇极高，分析发现，基本上这些公司只有很少几个职位，并且是招聘CTO、合伙人这样的岗位。

十、哪个类别的公司更壕

从这张图大致能看出哪些行业目前受资本的追捧。当今“深度学习”、“大数据”、“互联网金融”等异常火爆，催生了一大批数据服务类以及互联网金融类的公司，“游戏”、“社交网络”、“移动互联网”以及“旅游”是上一拨互联网狂潮，目前这些行业都产生了一批上市公司和行业巨头。当然，由于计算的是行业平均，以及每个行业的招聘需求各有不同，所以并不代表行业有优劣之分，根据自己的兴趣，选择合适自己的平台是最重要的。

十一、哪轮融资的公司待遇更好

从上图看得出，未融资的公司存在较大的资金压力，整体待遇上比其他情况要差一些。但是一旦公司获得融资，很大程度上，员工的待遇也会得到改善，从天使轮到D轮，待遇也是水涨船高。当然薪水并不是全部，加入创业公司往往也会得到期权或者股权的激励，选择干一份有价值的事情也同样重要。

十二、工作经验是否重要

以上两张图展示了工作经验在找工作中的重要性，前一幅图说明，工作年限越长，薪水待遇总体越高，公司更愿意为经验丰富的求职者舍本。后面的图说明1-3年工作经验的是招聘中的主要目标人群，一方面已经不再是刚毕业的应届生，具有工业界的实战经历，另一方面，3年工作期满，很多人希望换一个环境。10年以上工作经验的，虽然待遇很不错，但是招聘职位并不多，一般这样的职场老鸟，也比较少换工作了。

十三、学历是否重要

上面这两张图展示的是学历与求职的关系，前一幅图说明，总体来看，硕士生的薪水是最高的，博士生的稍低于硕士，要求大专学历和不限学历的工作，薪水差异也比较小，本科生的处于中间。后一幅图说明当前的职位招聘更多集中在本科和大专和学历不限这几个级别，对要求硕士和博士的还是很少。因此，当就薪水这一点考虑，相信大家对学历追求会有自己的选择。当然学历并不代表一切，漫长的职场生涯，工作上的积累和提升更加重要。

===============================

八点数据，用数据说话，从数据中洞察真相

如何成为一名数据分析师？不仅取决于你的技能和经验，还有教育和培训，都是你成为数据学家的过程中的重要因素。如果全部具备，那么你的数据分析事业将会变得更加顺利。

数据分析师的薪水

数据分析是一个快速增长和利润丰厚的行业，BLS预测到这个行业职位将在2024年前增长11％。数据分析师目前正是一个热门的职业。在Glassdoor的美国50年最佳职位报告中，数据分析师的职位空缺，薪水和总体满意度评级，在各行业中均名列前茅。以下是一些与数据分析相关的最受欢迎的职位以及每个职位的平均薪水：

分析经理 - 92,249美元商业智能分析师 - 66,003美元数据分析师 - 57,768美元数据架构师 - 112,790美元数据工程师 - 90,811美元研究分析师 - 52970美元研究科学家 - 77,330美元统计员 - 71,374美元

当然数据分析师的薪资与能力是成正比的。

数据分析师的技能要求

程序设计：编程提高了你的统计技能，帮助你“分析大型数据集”，并使你能够创建自己的工具。

定量分析：分析大型数据集的一项重要技能，定量分析将提高你运行实验分析的能力，扩展你的数据策略并帮助你实现机器学习。

产品直觉：理解产品将有助于你进行定量分析，它还将帮助你预测系统行为，建立指标并提高调试技能。

沟通：可能是所有行业中最重要的软技能，强大的沟通技巧将帮助你“充分利用以前列出的所有技能”。

团队合作：就像沟通一样，团队合作对于成功的数据科学事业至关重要。它需要无私，接受反馈并与团队分享你的知识。

这些都是数据分析师必备技能，但是对初学者来说面对大量的数据，还是会感觉到困扰。

CDA数据分析员是中国商业联合会数据分析专业委员会针对企业基础数据分析岗位推出的基础项目。帮你从小白一步步进阶到数据分析大师。

课程架构

数据来源：互联网数据；内部数据；调研数据；

数据处理：清洗与加工；

数据分析方法：描述分析；推断分析；方差分析；回归分析；时间序列；聚类分析；因子分析等，更多数据分析方法咨询课程老师喽！！

报告展示：优秀作品展示；数据可视化

授课方式

CDA数据分析员采取远程学习方式，课件由行业内专家、讲师录制而成。

采用远程学习，可以让任何人在任何时间、任何地点，从任何章节开始学习任何课程，其便捷、灵活的“五个任何”，在学习模式上最直接体现了主动学习的特点，充分满足了现代教育和继续教育的需求。

加入课程后，你将从零开始，熟悉完整的数据分析流程，掌握从数据清洗到数据可视化各环节的关键技能，最终成为顶尖数据分析师，获得国家认证。

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。

近期，小编陆续收到一些CPDA学员在学习大数据分析过程中的疑问，关于“学习大数据分析可以从事哪些岗位？最热门的有哪些？”，学习完大数据分析后，有哪些对口的岗位呢？小编经过多方调查，为大家整理如下回答。

1、数据挖掘/算法工程师

做数据挖掘要从海量数据中发现规律，这就需要一定的数学知识，最基本的比如线性代数、高等代数、凸优化、概率论等。有实际建模经验、机器学习算法的实现，对业务理解、熟悉数据挖掘算法、掌握数据库和精通计算机编程。经常会用到的语言包括Python、Java、C或者R。

2、数据分析师

数据分析师是数据师的一种，指的是不同行业中，专门从事行业数据搜集、整理、分析，并依据数据做出行业研究、评估和预测的专业人员。在工作中通过运用工具，提取、分析、呈现数据，实现数据的商业意义。作为一名数据分析师，必须要掌握数据分析基本原理与一些有效的数据分析方法，熟练使用SPSS、STATISTIC、Eviews、SAS等数据分析软件中的一门，懂设计运用图表有效表达数据分析师的分析观点，还需能用Acess等进行数据库开发，并掌握一门编程语言。总之，一个优秀的数据分析师，应该业务、管理、分析、工具、设计都不落下。

3、数据挖掘工程师

大数据工程师主要从事数据挖掘工作，运用算法来解决和分析问题，让数据显露出真相，同时，他们还推动数据解决方案的不断更新。分析历史、预测未来、优化选择，这是大数据工程师在“玩数据”时最重要的三大任务。通过这三个工作方向，他们帮助企业做出更好的商业决策。要求具备一定的统计学、数学理论知识，有实际开发能力和大规模的数据处理能力，对行业有认知。

4、数据产品经理

数据产品经理必须了解不同的公司，在不同的阶段，需要哪些数据产品，并能够制作出来，这是此职位的核心要求。其次，数据产品经理必须有足够的数据分析能力，如果有了数据分析的思维，再跟公司业务结合就会比较容易。最后，数据产品经理是产品经理的一种，所以要同时具备产品经理的能力：了解用户，需求调研，方案设计，协调技术、测试、设计等。

5、数据架构研究

这一职位过去也被称为数据架构研究，数据科学家是一个全新的工种，能够将企业的数据和技术转化为企业的商业价值。数据科学家是指能采用科学方法、运用数据挖掘工具对复杂多量的数字、符号、文字、网址、音频或视频等信息进行数字化重现与认识，并能寻找新的数据洞察的工程师或专家(不同于统计学家或分析师)。

随着数据学的进展，越来越多的实际工作将会直接针对数据进行，这将使人类认识数据，从而认识自然和行为。因此，数据科学家首先应当具备优秀的沟通技能，能够同时将数据分析结果解释给IT部门和业务部门领导。总的来说，数据科学家是分析师、艺术家的合体，需要具备多种交叉科学和商业技能。

在工资待遇上，不管是在国内还是国外，都是：

数据架构研究->数据挖掘师/算法工程师>数据挖掘工程师=数据产品经理>数据分析师。

看完对数据分析的对口的岗位有哪些，数据分析师薪资如何，是否有了一个清晰的认识呢。在未来职位的选择上，条条大路通罗马，选择适合自己的才是最重要的。

原文：上海CPDA（ID:SHCPDA）

在对数据分析岗位进行整理与研究时，通过对于这些岗位的企业性质、从事数据分析岗位职责、岗位要求及薪资待遇进行研究。我们对于未来的数据分析这个职业充满了希望，但是也对于这个职业二极分化充满了担忧。

一、数据分析职业概述

越来越多的企业将选择拥有项目数据分析师资质的专业人士为他们的项目做出科学、合理的分析，以便正确决策项目；越来越多的风险投资机构把项目数据分析师所出具的项目数据分析报告作为其判断项目是否可行及是否值得投资的重要依据；越来越多的企业把项目数据分析师课程作为其中高管理层及决策层培训计划的重要内容；越来越多的有志之士把项目数据分析师培训内容作为其职业生涯发展中必备的知识体系，数据分析这个职业应运而生，毫不夸张的说，数据分析师带给企业的不仅仅是一个个数据报告，更是一桶桶黄金，一片片亟待探索的蓝海。

二、数据分析职业现状分析

这个职位目前呈现是二八原则，好的数据分析师的收入是非常高，差不多平均水平在13k左右，但是处境不好的数据分析人员只能拿到跟内勤同等收入的水平。比如数据分析招聘中，185号岗位，这是一家公司需要大量招聘初级的数据分析师进行长期的培养广告公司；高级数据分析师在全国的范围内来说还是很少一个群体，主要承担对于某个数据分析项目进行建模与分析及算法研究等，这批人员一般的薪资待遇在16K以上，大多数在互联网与金融行业等利润率比较高的行业，数据分析招聘中，199号岗位，该岗位是杭州大型电商公司为其呼叫中心招聘数据分析师，待遇在P7左右，也就20-22K/月，还有盛大招聘数据分析师岗位也其实有很有代表性；最高端是一些互联网数据分析部门的管理层与数据科学家，一般是大型公司对于某个项目进行数据挖掘研究，全国也只有微软与阿里及一些从事数据挖掘公司里有这些数据科学家，一般的待遇差不多在50万以上年薪，这个大家可以关注一些互联网公司的招聘信息。

三、数据分析师的能力标准

格局是决定一个数据分析师的能力标准，一个好的数据分析师应该从行业的层面来分析公司现在所处的位置以及整个行业的分析，而且通过内外的数据得出富有逻辑性的结论，然后从这些结论中提供公司战略层面思考的策略，当然我也明白现在我们很多的分析师朋友都在沉浸在业务或者项目分析中，但是我认为格局观是决定一个数据分析师的能力标准。

数据分析师要做到基于内部与外部的数据结合通过严密的完整商业思考及严密逻辑推理，得出针对业务好坏的结论，并得出业务改进的策略。

什么内部与外部的数据的结合，我们即要看内部的数据还要结合行业的数据，而商业思考是做数据分析师通用的技能，那么结论是基本产出物，策略是分析师高级产出物。

四、数据分析师的三类素质

第一类是基本素质，第二类是通用技能，第三类是专业技能。

基本素质包括：1、聪明与好奇心；2、愿意学习并愿意能沉下心来付出；3、耐心与专注。

通用技能是核心思考能与展现自己的能力，第一点，结构化的思考能力与逻辑推理能力即智商不能差，如果是这样你看到的越多就做的越好，怎么来判断呢？第二点，良好商业感觉与商业判断能力；第三点，要有宏观思考能力，你要看到的格局要到；第四点，要有良好沟通能力。

专业能力从专业上要有基本统计学知识，从能力上要包括扎实数据分析能力与数据处理能力包括SAS\R\SPSS及tableau、FineBI等可视化表达的能力。那么高级数据分析师，我们应该更看中基本素质与通用能力，如果专业操作类分析师那么我们需要基本素质与专业技能。

五、企业要求及需备的知识点

大多数的互联网行业特别是电商行业对于数据分析师这块还是比较看重，主要的原因其主要的资产除了产品、人员就是长期积累的数据而这些海量的数据已经不能用人工经验来还原业务，这就需要数据分析师对于数据进行归纳与还原商业规则与逻辑，一般主要涉及商业分析、用户分析、产品分析、运唯支撑等这几块；从各家公司招聘信息来看，要求几乎雷同，同时也说明这个职业的互通性很强，说白了就是换个行业都可以在职场上存活下来；一般需要以下几个要求：

1、数据分析经验；

2、商业数据敏感度；

3、基本工具（SAS、SPSS、SQL、EXECEL等）；

4、建模；

5、知识点（统计学、会编程）；

六、如何获得数据分析知识点？

1、数据分析经验，大家可以每天浏览我们西线学院官网的文章，我们每天都会发布一些最新的分析实战文章；

2、基本工具类，我们西线学院帮助学员从零基础学会数据分析工具编程，丰富的知识扩展，实用性强,不掺杂无用讲解,只为给学员最极致的教学体验!

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。

随着数据科学和大数据作为主流职业选择的出现，不少人对相关职位名称的内涵存在一定的混乱，有些人认为大数据等同于数据科学，另外有些人则认为大数据是数据科学的子集。数据科学已经存在了很长一段时间，而大数据则是相当新的，它源于数据科学。

下面是数据分析师，数据科学家和大数据专家之间的一点比较。

数据分析师

1. 定义

使用自动化工具，他们可以获取分离的数据和见解。他们定义数据集并进行广泛的人口统计分析以确定与业务和产品相关的策略。

2. 所需技能

编程，统计学和数学，机器学习，数据可视化和通信技术，数据处理和数据集定义

3. 适用领域

医疗保健，保险，旅游，行政，游戏，分布式系统

数据科学家

1. 定义

获取数据，构建和维护数据库，根据各种需求清理和分离数据，并从事数据可视化和分析工作。

2. 所需技能

SAS/R/类似工具，Python，Hadoop，SQL，重构数据，数据库构建和管理

3. 适用领域

搜索引擎，广告，自适应算法，AI系统

大数据专家

1. 定义

处理连续大量的数据，定义用于分析的参数和数据集，并编制分析系统，为企业提供战略见解。

2. 所需技能

数学和统计学，程序设计和计算机科学，分析技能，商业战略

3. 适用领域

零售，电子商务，金融服务，通信

正如所看到的，数据分析是这些选项中最基本的。数据分析师的工作有更广泛的应用，因此在不同的行业应用更加多样化。即使数据分析师的教育和学术要求也较低。

接下来是大数据工作，这些工作相当复杂，需要高级技能。有时候，大数据认证是获得大数据分析师工作的强制性要求。由于数字技术在各行业的普及，大数据工作的范围日益扩大。

最重要的是数据科学工作。数据科学认证是获得工作的必备条件。数据科学家的范围比大数据要低，这是由于数据科学不同的概况所致。

有了以上信息，数据分析师、数据科学家和大数据专家之间的差异应该清楚。这个信息可以用于在数据分析和商业战略领域制定更好的职业规划。

原文链接：https://blog.csdn/chszs/article/details/80658582

作者：chszs