今天的互联网从业者比过去任何时候都重视数据，这并非是因为仅仅来自于“大数据”概念的炒作，而是因为我们可依赖的数据极大丰富，而我们可以动用的工具也相当充足。

这样，有一批立志专门从事互联网数据相关事业的朋友出现，也就不足为奇。

尽管，传统意义上的数据人才早已有之，早在人们需要进行统计分析和概率计算的时候便有精通数学的数据科学家，但互联网领域的数据人才却与之有巨大的不同。

互联网运营数据分析人才的定义

我们如何定义互联网运营数据分析人才？事实上，定义二字本身会让我觉得不安。我并不觉得要满足一定的条条框框才能算“人才”，而涉及到商业领域，许多目标的实现可以有许多不同的方法，而且殊途同归。

但我觉得，作为互联网运营数据分析人才，还是有几个基本的共性可循。

第一点，应该是乐于分析且善于分析的人。我认为这多少是有些与生俱来的特质。乐于分析，是指他遇到了问题并不武断结论，不想当然，且保持愉快的心情去探究。而其他人或许嫌麻烦地避之不及。善于分析，则是指他常常可以做不算离谱的假设，并应用逻辑和方法去验证这些假设，并在反复的验证中直到发现问题背后的所在。我认为这一点比其他什么都重要，其他的都可以慢慢弥补，但这一点却更似乎“与生俱来”。

第二点，他拥有第一点提到的逻辑和方法的相关知识并有运用这些知识的能力。所谓的讲逻辑，就是你的论据要能够支撑你的论点；所谓的有知识，就是你的论据是建立在事实和科学基础之上的；所谓的讲方法，就是运用这些知识的手段和工具是最佳的。比如，要证明一个页面优于另外一个，你就需要按照逻辑一步步使用一系列的工具和手段，从捕获数据，到分析数据，到根据分析提出理论上的改进方案，然后再利用较大数据量的随机测试来检验你的方案，以及在随后的进一步对比和分析。你不可以不讲逻辑，说这个页面就是这么改就一定行！（老板们往往都是有这样强烈直觉的，但大多数时候都相当不可靠。）你说行，得讲理由，得讲证据，而且这证据经得起推论，就是我们探案时候的“证据链”。这个过程中包含的方法则包括合理的数据抓取的方法、各种数据细分分析的方法、科学测试的方法等等。这些你要很在行。

第三点，你是“讲生意”的。讲生意不是说你真的去谈生意，而是你工作的一切出发点是为了生意。做分析的时候，我们大抵都觉得自己好似福尔摩斯，我们一头扎进数据中，我们怀着激动的心情去推理，但我们却可能忽略了，数据分析人才的存在是为了更好的生意，而不是为了更好的分析。说来有些矛盾，那些最初最好（最好的定义是最有效）分析的人，很多时候并非那些分析科班出身的人，而是最懂业务的人。我几乎有些偏执地认为，纯粹地培养做分析的人才是一个伪命题。善于业务的人一定需要善于分析，但是反过来就不一定。数据分析的人才，必须首先是业务人才。更何况，我们是互联网运营数据分析，运营就是生意的同义反复。

其实谈到这里，讲到了数据分析的本质。数据分析本身毫无意义，如果它不能从你的生意出发又回到你的生意。大数据，哦，这个概念也很火，但是，似乎有些落不了地呢。这正是因为，很多时候，大数据既不来源于你的生意，最后也用不到你的生意。这其实就是这几年大数据概念最需要解决的问题——让它广泛地应用于商业。

第四点，工具。相对没那么重要，但还是得说一下。善于使用工具是数据分析人才的基本素质，如果你觉得工具缺失或者不趁手，还需要有发现并获取工具的能力。不过，总体而言，我们所遇到的所有分析的问题，都有各种各样的工具帮我们解决。是的，所有的问题都有工具。

有朋友一定会问，为什么没有提数学？为什么不讲讲数据建模？个人认为，也仅代表个人观点，这些真不是互联网运营的数据分析人才一定得具备的。并不是说这些东西不重要——不少时候我们会用到这些方法，比如我们在分析用户流失的时候，我们在进行预测分析的时候，或是我们在归因、聚类或需要人工智能的时候。但是，如果要把这个东西作为互联网运营数据分析人才的第一要件去要求，那根本就会挡住无数真正具有天赋的分析人才的事业之路，更何况，这些东西当你需要用到的时候，它们更多是以工具的形态存在，以垫脚石的姿态来帮助你，而不应该作为一个分析爱好者成为人才的包袱和拦路虎。不过，我们很多企业却把这作为要件，而忽略我前面说的那四点，这就太舍本逐末了。

数据分析相关的职位

几乎所有的互联网业务部门都需要有优秀数据分析能力的人才，运营部门毫无疑问。

互联网运营牵涉到几个关键部门。一个部分是获取新的用户（或者新的流量）的部门，另外一个则是对互联网产品（APP、网站等等）负责的产品部门，然后是在这些产品之上进行日常经营和管理（也就是我们所说的狭义的运营）的部门，最后是服务于既有用户（或客户）的部门。这四个部门当然不一定在各个企业截然的被区分开，有时候，几个部门会合并，例如第一个和第四个部门容易被合并在一起，或者第一个和第三个部门合并在一起。

这些部门之外，再额外设置一个数据分析部门是可能的，但并不常见。这样的部门可能源自于传统的企划部门，进行被称为企业BI的工作。但互联网企业这样的设置并不多见。

但是，这些部门之内，设置数据分析相关的职位就太常见了。对于第一个部门即获取新用户的部门，数据分析工作几乎是贯穿始终的。这些部门往往有一个或者几个流量优化师，他们的工作必须基于每日的数据，并结合对于流量渠道的深入认识以及与其他同事的持续沟通，从而达到正确地选择流量渠道、合适价格地购买流量，以及最大化流量产出。他们的工作还包括需要对流量的质量进行持续的追踪，并不断提出优化流量的方法。这个工作至始至终都需要强大的数据分析能力作支撑。这个部门的数据分析人才的职位常常是流量优化师、渠道运营经理之类。

第二个部门，他们负责对网站、APP或者移动端H5站等进行不断改良优化，理论上所有呈现在前端的事情（与网站的后台相对）都应该是他们负责的，所以产品经理、创意设计、前端工程师等“异星人”是集中在这个部门的。除了他们，这个部门肯定需要一个网站/APP分析师，利用数据来说明设计和攻城狮们的作品是不是真正被用户所喜爱。也正因此，这个部门的这个职位往往容易引发争议、争论甚至争斗，是一个非常微妙的角色。有些公司不在这个部门中设置这个角色，而是由产品经理兼任，这完全可以理解。中国的情况往往如是，不过我看到的比较大的美国企业，却几乎都有正牌的网站（APP）分析师，甚至这些分析师被单独拎出来成立一个部门。这表明他们的生意比我们做的精细太多。

第三个部门，日常经营和管理部门，这个更不用说了，只要没有“老板和政治作祟”的地方，肯定必须是数据说话。你的活动主推什么商品、如何定价、进行什么样的促销、如何创意、如何文案、如何设置时间节奏和排程等等，都需要依赖于数据。这个部门的负责是运营总监，他的左膀右臂之一必然是运营分析经理，不过我更乐意叫他们运营优化经理之类。这个职位的分析工作日常且密集（regular and intensive），而且遇到特殊事件和旺季则更加忙碌。有些朋友对我说，我们公司并不设置这个职位，但是他们并不否认相关的数据工作——“是的，我们要看很多报表、热图，没有数据我们肯定不敢轻举妄动。”所以，不设置相关职位可以理解，但是不设置相关职能则不可思议。运营分析人员也同样会做一些与流量分析人员类似的工作，因为如果经营效果不佳，有必要排除流量本身的问题，才能更好的研究其他的可能性。同理，运营分析人员也会关注承接端（即网站或app）本身的表现。所以，他们相对而言，非常的“全能”。

第四个部门，过去是“数据库营销部门”，今天则容易被称为“用户增值部门”，名字变了，工作内容也有一些变化，不仅仅是简单的根据数据发邮件打电话骚扰什么的，更需要做一些跟客户的深度互动。主要工作是维系既有客户，并且引导既有客户实现持续地、更高地消费。这个部门不用说了，本身就是依靠用户（客户）数据库工作的，而且数据库还需要升级，即不仅仅只是客户的静态信息（年龄生日有没有米什么的），更重要的还有他们的购物、行为及兴趣，所以这个部门如果设置，一般都需要有一个数据分析的好手，一个能做数据挖掘的数据科学家。当然了，小公司往往不设这个部门，而中、大型企业这个部门很受重视。我的客户几乎全部都有这个部门。不过，有一点我要指出，虽然这个部门是常设部门，但是分析好手和数据科学家，并非各个公司都能够配备齐的。

除了这些业务部门的常备数据分析人员，还有一个新概念被提出，即增长骇客。我有一个朋友，在一家最近几年发展极为火爆的互联网O2O共享经济平台任互联网推广负责人，第一件事情就是问我有没有增长骇客的朋友，他们有一个增长骇客职位，需要这样的人才。我估摸着，这个职位是顺应“精益创业”而来的，即，不断通过数据验证MVP（最小变量产品）的那个人。嗯，这样的角色，绝对是精益创业公司所需要的，只是嘛，这样的人真的太难找了。

待遇几何？

谈到职位，大家肯定会问到待遇。北京的互联网相关的职位的薪水，近些年真是日新月异的变化。并非是数据分析人员的薪水涨，而是整个互联网的行业的小伙伴们的薪水都涨！给大家一些参考值吧。刚刚毕业的大学生，在百度的待遇大概一年12-16万，开发和分析人员的价格并无太大差异。分析人员干到3-5年的，年薪分化情况比较显著，我看到有公司开40万年薪招聘分析经理，但并不一定是普遍现象。我那位寻找“增长骇客”朋友公司的薪水大约也是这样，但还包含额外的令人艳羡的极有可能上市兑现的期权，这样含金量便大大提高。做到更高职位则不同，数据分析或者大数据应用现在忽然成为风险投资的热点，所以这一类高级人才的薪水超过百万人民币也不奇怪。

图：国外的digital analytics的职位薪水情况，总的趋势是上涨（This chart provides the 3-month moving average for salaries quoted in permanent IT jobs citing Digital Analyst within the UK.）

中国互联网市场对于数据分析人才的需求原本比对开发工程师的需求要弱，不过市场的人才供应情况更少，这个行业普遍缺乏具有系统性数据分析能力（就是我前面说的那四个能力）的人才。2016年，我明显感觉到这个缺口在进一步变大，原因在于突然爆发的精益创业、精益经营的需求随着经济的下滑而被激发出来。向我讨要人才的情况也比15年的时候要频繁得多。这也是我为什么要开这门培训的原因，我觉得市场上需要这样的能力，但这种能力在市场上却非常匮乏。

面向未来

数据分析人才的未来取决于数据分析本身的未来。最让我欣喜的事情是，这个未来现在正变得清晰起来，几个同方向的力量形成合力正在促进数据分析走向一个从可有可无到不可或缺的阶段。第一个力量来源于人们普遍对于数据价值的认可和重视。数据文化比过去要被更广泛的认同。经济形势的走弱也客观上促进了人们对精细化运营需求的提升，这也提升了数据的价值。第二个力量来自于可以使用的工具比过去要丰富太多，而使用难度又成倍降低。你可以比较一下3年前的Omniture和现在的Google Analytics便知道这种变化的速度有多么的惊人。功能更强大但使用更简便的工具仍然在不断涌现。第三个力量来自于资本的力量，即更多的基于数据产品、工具、解决方案、大数据、人工智能的商业项目被认可和被大规模资助。第四个力量来自于连政府都在极力鼓吹和促进，尽管我怀疑政府并不清楚数据是什么。第五个力量来自于国外的成功先例所起到的正向激励作用。

我一直都强调，数据的革命是继互联网革命之后另一个颠覆世界的变革，现在我们正踩在这个变革的门线上，下一步是自然而然的走向更深远的领域，创造更大的价值，乃至创造一个前所未有的商业世界。

所以，我相信任何一个阅读了我这个文章的朋友，都已经做出了正确的选择。

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。

随着大数据技术的飞速发展，大数据已经融入到各行各业。2018年中国的大数据行业发展趋势是什么?大数据行业整体市场规模如何?大数据行业前景如何?

(一)大数据行业整体市场规模及预测

整体来看，2018中国大数据行业的发展依然呈稳步上升趋势，市场规模达到了327 亿元，和去年相比增速超过 39%。随着政策的支持和资本的加入，未来几年中国大数据规模还将继续增长，但增速可能会趋于平稳。

(二)大数据在各行业应用状况

(1)企业哪些方面需要大数据?

根据大数据分析结果，将近一半的企业将大数据运用在企业工商信息管理方面，此外，在社会保障、劳动就业、市政管理、教育科研方面分别占据33.9%，32.7%，29.4%，29%。整体来看，大数据的应用范围广泛。

(2)多少企业应用到了大数据?

大数据分析对企业的发展越来越重要，35.1%以上的企业已经开始在企业内部应用到了大数据;34.2%的企业正在考虑应用大数据，22.9%的企业在未来1年有应用大数据的计划，仅仅有7.8%的企业暂不考虑应用大数据。

(3)这些企业如何使用大数据?

根据数据显示，38.8%的企业使用实时动态处理大数据并提供分析结果;37.5% 的企业分析历史数据;通过机器学习，辅助企业管理者更好地决策的企业占比为22.5% 。

(三)各行业大数据的发展水平如何?

我国行业大数据总体发展水平较好，在各行业都有应用。其中，金融大数据、政务大数据的应用水平高，同时交通、电信、商贸、医疗、教育、旅游等行业大数据的发展水平也有显着提升。

(四)大数据助力企业发展

(1)企业在哪些领域会应用大数据?

大数据应用广泛的top3领域是营销分析、客户分析和内部运营管理。其中，营销分析占比6成以上;50.2%的企业使用大数据进行客户分析;48.4% 的企业运用大数据进行内部运营管理。 大数据应用对企业的影响

(2)这么多企业应用大数据，大数据将会为这些企业带来什么收益呢?

55.8%的企业表示应用大数据后实现了更智能的决策;应用大数据提升了运营效率的企业占比为48.2%，这两个影响较为显着。应用大数据更好的管理风险，创造新的业务收入，增强生产能力的企业也占有一定比重。

从上述数据中，我们可以看出，大数据在各行各业的应用还将继续加强。

End.

作者：夏立城

来源：蓝盟网络运维专家

近期文章推荐

女生读研占比超半数，哪些是热门专业？

Excel、SAS、R、SPSS、Python优势分析

<入职数据分析师>线下分享 · 北京站

大数据挖掘与大数据分析一样吗？随着大数据越来越火，与大数据相关的职位也开始粉墨登场，引人关注。作为大数据行业最为重要的两种职位，大数据挖掘和大数据分析更是受到了与众不同的待遇。现在有许多的朋友都会问：大数据挖掘和大数据分析有什么区别，不是都是搞数据的吗？在这里，魔据小编认为：尽管大数据挖掘和大数据分析同属于大户数据行业，但是依然有着很大的区别。

一．什么是数据

不谈数据，就无以谈大数据挖掘和大数据分析，因此，我们先说一下什么是数据。

其实很简单，数据就是观测值。例如测量数据。大家可能有个误区，认为客户填写的表单就是数据，对编程序而言，是的，但是不是常规的数据。当然填写的内容，一旦落入到观测空间，自然就成了数据。

二．什么是大数据挖掘和大数据分析

大数据挖掘指对大数据数据分析手段后的信息，进行价值化的分析。

大数据分析指对大数据的一种操作手段，或者算法。目标是针对先验的约束，对数据进行整理、筛选、加工，由此得到信息。

三．大数据挖掘和大数据分析有什么区别

大数据挖掘是对信息的价值化的获取。价值化自然不会考虑数据本身，而是考虑数据是否有价值。由此，一批数据，你尝试对它做不同的价值评估，这是大数据挖掘。

大数据分析是以输入的数据为基础，通过先验的约束，对数据进行处理，但是不以结论何如为调整。例如你需要图像识别，这个属于大数据分析。你要分析人脸，数据就是通过先验的 方法，就是出来个猫脸。你的数据分析也没有问题，你需要默默承受结果，并且尊重事实。因此大数据分析的重点在于数据的有效性、真实性和先验约束的正确性。

此时对比大数据分析，最大的特点就是你需要调整你不同的先验约束，再次对数据进行分析。而先验的约束已经不是针对数据来源自身的特点，例如信噪比处理算法。你期望得到的一个有价值的内容，做先验的约束，以观测，数据根据这个约束，是否有正确的反馈。

不管大数据挖掘和大数据分析有什么不同，这两个职位的前景都是十分好的，现在入行，正是最好的时机。

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！

2018年大数据专业就业前景

大数据人才稀缺

据数联寻英发布《大数据人才报告》显示,目前全国的大数据人才仅46万,未来3-5年内大数据人才的缺口将高达150万。

据职业社交平台LinkedIn发布的《2016年中国互联网最热职位人才报告》显示，研发工程师、产品经理、人力资源、市场营销、运营和数据分析是当下中国互联网行业需求最旺盛的六类人才职位。其中研发工程师需求量最大，而数据分析人才最为稀缺。领英报告表明，数据分析人才的供给指数最低，仅为0.05，属于高度稀缺。数据分析人才跳槽速度也最快，平均跳槽速度为19.8个月。

根据中国商业联合会数据分析专业委员会统计，未来中国基础性数据分析人才缺口将达到1400万，而在BAT企业招聘的职位里，60%以上都在招大数据人才。

大数据专业就业三大方向

大数据主要的三大就业方向：大数据系统研发类人才、大数据应用开发类人才和大数据分析类人才。

在此三大方向中，各自的基础岗位一般为大数据系统研发工程师、大数据应用开发工程师和数据分析师。

大数据专业人才就业薪资

1基础人才：数据分析师

北京数据分析平均工资： 10630/月，取自 15526 份样本，较 2016 年，增长 9.4%。

数据分析师岗位职责

业务类别:技术

业务方向:数据分析

工作职责:

1. 根据公司产品和业务需求，利用数据挖掘等工具对多种数据源进行诊断分析，建设征信分析模型并优化，为公司征信运营决策、产品设计等方面提供数据支持；

2. 负责项目的需求调研、数据分析、商业分析和数据挖掘模型等，通过对运行数据进行分析挖掘背后隐含的规律及对未来的预测；

3. 参与数据挖掘模型的构建、维护、部署和评估；

4. 整理编写商业数据分析报告，及时发现和分析其中变化和问题，为业务发展提供决策支持；

5. 独立完成项目需求管理、方案设计、实施管理和项目成果质量的把控；

6. 参与编写项目相关文档。

教育背景:

学历：本科其它：

经验要求:工作经验：3-5年

任职要求:

1. 统计学、数学或计算机、数理统计或数据挖掘专业方向相关专业本科或以上学历；有扎实的数据统计和数据挖掘专业知识；

2. 熟练使用数理统计、数据分析、数据挖掘工具软件（SAS、R、Python等的一种或多种），能熟练使用SQL读取数据；

3. 使用过 逻辑回归、神经网络、决策树、聚类 等的一种或多种建模方法；

4. 3年以上数据分析工作经验，征信从业背景人员优先；

5. 具有金融行业项目经验的相关经验者优先考虑；

6. 主动性强，有较强的责任心，积极向上的工作态度，有团队协作精神。

能力素养:

良好的分析、归纳和总结能力，善于分析、解决实际问题； 主动性强，有较强的责任心，积极向上的工作态度，有团队协作精神。

2大数据开发工程师

北京大数据开发平均工资： 30230/月。

大数据开发工程师/专家 岗位指责（引自 滴滴出行）：

职位描述：

1、构建分布式大数据服务平台，参与和构建公司包括海量数据存储、离线/实时计算、实时查询，大数据系统运维等系统；

2、服务各种业务需求，服务日益增长的业务和数据量；

3、深入源码内核改进优化开源项目，解决各种hadoop、spark、hbase疑难问题，参与到开源社区建设和代码贡献；

岗位要求：

1、计算机或相关专业本科以上学历（3年以上工作经验）；

2、精通C++/Java/Scala程序开发(至少一种)，熟悉Linux/Unix开发环境；

3、熟悉常用开源分布式系统，精通Hadoop/Hive/Spark/Storm/Flink/HBase之一源代码；

4、有大规模分布式系统开发、维护经验，有故障处理能力，源码级开发能力；

5、具有良好的沟通协作能力，具有较强的分享精神；

6、对Kudu、Kylin、Impala、ElasticSearch，github等系统有深入使用和底层研究者加分；

3Hadoop开发工程师

北京hadoop平均工资： 20130/月，取自 1734 份样本。

Hadoop开发工程师岗位职责（引自新浪网）：

职位描述：

1.参与优化改进新浪集团数据平台基础服务，参与日传输量超过百TB的数据传输体系优化，日处理量超过PB级别的数据处理平台改进，多维实时查询分析系统的构建优化；

2.分布式机器学习算法在数据平台的构建与优化（包括常见的LR、GBDT、FM、LDA、Word2Vec及DNN等）；

3.深入源码改进各种开源大数据项目（包括Hadoop、Spark、Kafka、HBase等）。

任职要求：

1.计算机或相关专业本科以上学历；

2.熟悉Linux环境下开发，熟练掌握C++/Java/Scala等一种以上编程语言；

3.熟悉Hadoop生态系统相关项目，精通以下项目之一的源码（Hadoop/Spark/Kafka/HBase/Flume/ElasticSearch/Druid/Kylin）；

4.具备良好的学习能力、分析能力和解决问题的能力。

4数据挖掘工程师

北京数据挖掘平均工资： 21740/月，取自 3449 份样本，较 2016 年，增长 20.3%；

数据挖掘工程师招聘要求（引自蚂蚁金服集团技术部）：

工作职责：

1、在分布式系统上进行数据计算、挖掘、和实现算法；

2、数据仓库模型设计和建立；

3、数据梳理流程的实现和维护；

4、物流场景下的地址文本、空间属性研究和分析。

任职资格：

1、本科以上学历，有扎实的统计学，数据挖掘，机器学习，自然语言识别理论基础，一种或几种以上的实际使用经验。

2、熟悉聚类、分类、回归等机器学习算法和实现，对常见的核心算法和数据挖掘方法有透彻的理解和实际经验。

3、深入理解Map-Reduce模型，对Hadoop、Hive、Spark、Storm等大规模数据存储于运算平台有实践经验。

4、有扎实的计算机理论基础，至少熟悉一种编程语言，Java优先。

5、有三年以上互联网公司或者海量数据处理工作经验，大数据挖掘、分析、建模经验

5算法工程师

北京算法工程师平均工资： 22640/月，取自 10176 份样本。

算法工程师 招聘要求（引自美团点评数据平台部）：

职位描述：

互联网公司背景优先

A、广告算法

岗位职责：

1.负责点击率预估等主要广告算法的技术选型；

2.负责核心算法的开发；

3.负责广告大数据处理流程的建设及相关工具的研发；

4.负责广告技术研究项目的推进与管理；

职位需求：

1.计算机或相关专业本科以上学历，3年以上相关工作经验;

2.熟练掌握一门开发语言；

3.有机器学习、数据挖掘相关知识；

4.在广告、搜索、推荐等相关领域之一有技术研究工作经验；

5.有较强的沟通协调能力；

B、推荐算法

职位描述：

1. 参与各个产品线的个性化推荐系统的研发；

2. 分析用户行为数据，并设计合理的推荐算法模型及策略，并优化推荐排序；

3. 通过对用户行为数据的挖掘，对用户进行建模，精准刻画用户各种属性；

职位要求：

1. 全日制本科及以上学历，计算机相关专业；

2. 熟练掌握各类个性化推荐算法，并有开发个性化推荐系统的实际项目经验；熟练掌握各类回归及排序算法，能够利用相关算法进行推荐排序的优化；

3. 熟练掌握分类、聚类、回归、降维等经典机器学习算法和技术，能够根据实际问题选择合适的模型和算法并进行相应的开发；

4. 有较强的工程架构和开发能力，能够实现支撑千万级用户和TB级用户行为数据的推荐系统或算法；

5. 掌握python、matlab等脚本语言，熟悉各类数据挖掘工具（如weka、Mahout），能够快速建立模型并进行验证；

C、算法工程师

岗位职责:

1、开发和优化用户行为数据挖掘，文本分类和语义理解，社交网络分析，网页搜索，推荐系统等领域的特定算法

2、能够很快学习和利用state-of-the-art的算法解决实际产品问题，提升产品用户体验

任职资格:

1、有一定的研究、实验的能力，优秀的分析问题和解决问题的能力

2、理解自然语言处理、机器学习、网页搜索，推荐系统，用户数据分析和建模的基本概念和常用方法，有相关领域的实际项目研发或者实习经历者优先。

3、熟悉C++, Java或Python，熟悉Linux或类Unix系统开发,有较强的编程能力。 能独立实现线上算法模块者优先。

4、对大数据处理平台和工具有一定经验者优先, 包括： Hadoop, Hive, Pig, Spark 等

最后一个问题，哪些公司需求大数据人才？

答：所有的公司。大到世界500强，BAT这样的公司，小到创业公司，他们都需求数据人才。

马云爸爸说“我们已从IT时代进入了DT时代，未来我们的汽车、电灯泡、电视机、电冰箱等将全部装上操作系统，并进行数据集成，数据将会让机器更“聪明”。DT时代，数据将成为主要的能源，离开了数据，任何组织的创新都基本上是空壳。”

数据，未来的一切。

图片来源于网络

又到了一年一度的毕业季，高考在即，很多的学子面临着选择专业的问题，虽然说兴趣很重要，但是家长们考虑更多的是将来的就业和生活问题。而那些准备毕业的大学生们，也都在考虑从事一个什么样的专业能够最有“钱途”。

下面的这则报道可能会对你有所帮助

近日，麦可思研究院近日对外发布了一份关于中国大学毕业生收入状况的调查报道。报告显示，在2016年的应届本科毕业生从事的职业中，“互联网开发及应用”在职业高薪榜上独领风骚，毕业半年后的平均月薪就达到了5679元！而紧随其后的分别是“计算机与数据处理”（5636元）和“房地产经营”（5057元）。

图表数据来自麦可思研究院

据悉，这份针对大学毕业生收入情况的调查结论，基于麦可思对2016届本科毕业生毕业半年后，以及2013届毕业生毕业3年后的跟踪调查。

2016届大学生毕业生回收到的全国总样本约28.9万份，其中本科生样本约14.7万，高职高专生样本约14.2万。对2013届大学生毕业3年后的连续跟踪调查，回收全国总样本约5万。

对于上述高收入职业，报告分析，当前，互联网行业的迅速发展促进了有关职业的旺盛需求，让计算机、软件工程等专业毕业生收入较高。

上述调查研究除了调查了2016届毕业生毕业半年后的收入情况，还调查了2013届大学毕业生毕业3年后的收入变化情况。

数据显示，2013届本科生毕业三年后月收入涨幅最大的职业类是“律师/律政调查员”（半年后：3388元，三年后：7656元），涨幅为126%，其次为“医疗保健/紧急救助”（半年后：2908元，三年后：6407元），涨幅为120%。“农/林/牧/渔”（半年后：3001元，三年后：6579元）位列第三，涨幅为119%。

除了本科生，调查显示，2013届高职高专生毕业三年后月收入涨幅最大的职业类是“经营管理”（半年后：3185元，三年后：7133元），涨幅为124%，其次是“计算机与数据处理”（半年后：3015元，三年后：6564元），涨幅为118%，“房地产经营”（半年后：3257元，三年后：7078元）位列第三，涨幅为117%。

从这份报告中不难看出，计算机与数据处理、互联网开发及应用、经营管理、房地产经营等行业在收入方面都有很大的优势。而诸如医疗保健/紧急救助和农/林/牧/渔等职业，虽然起薪平平，但是中、长期薪酬待遇也有不错的发展。

盛景哥温馨提示：收入不应是职业和专业选择的唯一衡量标准，在选择专业和职业时，考生或者毕业生还要将社会需求量、个人兴趣爱好等因素都考虑在内。

高考试卷已经结束，大多数考生将面临与高考同等重要的问题：填报志愿。今年，一个被认可的新专业吸引了许多人的注意——数据科学和大数据技术。“大数据”的概念再次流行起来。学生和家长在填写志愿者时应该冷静下来。

当前的大数据产业真的是人才稀缺吗？

几年后，大数据产业会出现产能过剩吗？

大数据产业需要什么样的人才？

“热门专业”的重点是什么？

接下来的大量数据将显示分析结果。

当前的大数据产业真的是人才稀缺吗？

对的!未来人才缺口为150万，数据分析人才匮乏。

大数据和人才之间的差距有多大？

据2017中国互联网最热门的人才报告，大数据交流学习群：72268o25o不定期分享学习资料，有兴趣的朋友欢迎加入，LinkedIn，研发，研发工程师、产品经理、人力资源、市场营销、运行和数据分析是六个最苛刻的中国互联网行业的人才。

其中，数据分析人才最稀缺，供给指数最低。同时，跳人才的速度在数据分析上也是最快的，平均跳速是19.8个月。

吴永薇，在清华大学计算机系的一名教授，透露的一组数据。去年，在未来3-5年内，中国需要180万个数据的人才，但只有约30万的人。

未来大数据产业会出现产能过剩吗？

提供大数据技术和应用服务的第三方公司正面临着调整，未来的发展将是重点。

讨论大数据的概念是过度投机”，在2013达沃斯的夏天。与此同时，支持“炒作”观点的观众达到了54.5%。在这方面，光华管理学院副教授Su Meng以三个理由反对北京大学。

在不同的机构之间仍然没有真正的数据流，而数据只是一个“孤岛”。

一个完整的生态产业链尚未形成。尽管行为数据分析已经能够区分消费者的偏好，但从供应到购买的链条尚未建成。

数据分析人才还很匮乏。

4年后，舆论热点逐渐从大数据转向人工智能，大数据产业也得到了整合。在过去的一年里，一些大数据公司被裁员，他们的业务也被调整了。有些公司一直亏损。公司面临的危机是什么？

基于数据属性，涉及大数据的公司有两类：一类是拥有数据的公司，如Amazon和阿里巴巴，另一类是集成数据资源的第三方公司，提供大数据技术和应用服务。目前，大多数行业整合中存在利润问题的公司都集中在第三方服务提供商中。

在这方面，LinkedIn，王迪，技术副总裁说，在中国，第三方供应商提供更多的技术或平台。

王迪认为，大型数据服务必须产生规模经济，至少有三点：算法、计算平台和数据本身。第三大数据初创公司的算法和计算能力实际上是在一个特定的线统一水平，如果传统企业，大数据初创公司没有区别，甚至更多的计算能力，数据采集，在许多传统行业的数据是不共享的，得到这个数据第三大数据公司更难，谁有最后的数据。谁有更高的价值，“它是白色的，而数据是金的。”。

2017，有10多家大型数据企业进行一次性融资，已有30多家企业获得了1000万以上的横向融资。互联网资本寒冬，大数据产业的投资热度有所下降。大数据产业是否存在产能过剩？

王迪认为，当前行业整合是一种常态现象。市场优胜劣汰后，第三方服务领域将出现一些优秀的企业。其他公司可能会被淘汰或转变成若干垂直产业。从社会的角度来看，总需求一定会增加。对于供应方来说，在行业自然洗牌之后，它最终将集中在几家优秀的行业公司。

大数据作为一个新兴行业，这两年很是火热。我们进场在网上看到一些数据，比如下面这些：

1.据数联寻英发布《大数据人才报告》显示,目前全国的大数据人才仅46万,未来3-5年内大数据人才的缺口将高达150万。2.根据中国商业联合会数据分析专业委员会统计，未来中国基础性数据分析人才缺口将达到1400万，而在BAT企业招聘的职位里，60%以上都在招大数据人才。

以上是各类分析大数据行情的文章中经常见到的数据，那么光从这些数据来断定大数据的发展前景是不是靠谱？大数据的真实的前景到底是怎么样的？

想必是很多想要从事大数据或者对大数据感兴趣的朋友们最关心的问题之一。

本周四晚上，我们准备了一场关于大数据行业发展前景深入剖析的公开课，一位资深大数据行业的专家，将为大家进行一场关于大数据行业发展前景的深度剖析。将为大家一一讲解大数据目前的发展现状以及后期发展的大趋势。

分享嘉宾介绍：

杨老师

前全球十大咨询公司ESG亚太区分析师，对云计算、大数据有深入研究，曾为IBM、DELL、HP、EMC等厂商提供产品测评报告，并为国内企业华为、联想、浪潮、曙光等企业的业务现状和发展方向提供战略咨询服务。是最早接触大数据的一批人，在国外多年的大数据相关工作经验，让他对于国内大数据发展的路线和前景有着比一般人更深的理解。

时间：2017年11月9号，本周四晚上

大数据的发展现状如何？后期的发展前景到底好不好？让我们本周四晚上，一起听专家深度的剖析大数据行业的发展。

大家可以进群，提前了解本次公开讲座的更多信息。

　　大数据分析师前景如何？发展趋势又是怎样的呢？谈及这个问题，我想先从大数据行业背景以及发展趋势着手，从根本上解除质疑者的忧虑。

　　大数据与大数据分析

　　数据分析是用包括检查、清洗、转换和建模等方法对数据进行处理。其目的是探索有用的信息、给出有建设性的意见，从而辅助压制决策。数据分析包含很多方面和方法，涉及的领域也遍布经济、科学、社会福利等行业。

　　数据挖掘是一个特别的数据分析技术，与传统的以纯描述为目的的技术相比，它专注于预测模型和对潜在知识的挖掘。所有的这些都是数据分析。数据分析虽然没有数据科学那样先进，可以创造新的数据结构，但是他们的目的都是一样的---探索数据可以用来怎样回答问题和解决问题。

　　大数据1.0到大数据2.0的发展

　　由维克托.迈尔舍恩伯格编写的《大数据时代》里指出大数据是指采用所有的数据进行分析，而不是抽样调查。大数据有4V特点：volume(大量)、velocity（高速）、variety（多样）、value（价值）。大数据1.0时代的特征是解决数据效率问题，大数据时代4个V中的前3个V都被有效的诠释了。但是最后一个V没有表现其作用。

　　大数据1.0时代逐一的解决了速度、容量等问题。在1.0时代积累的大数据将会在2.0时代得到其在价值上面的发挥。

　　从2015年起，大数据进入2.0时代。大数据2.0时代要求以数据本身的价值为目标，从企业本身业务需求产生的大量数据中通过深入挖掘，分析得出数据本身的价值。1.0时代留在数据认知上面，2.0则要求如何通过这些数据去解决问题。

　　大数据分析国际背景

　　在全球500强企业中，90%以上的重要投资与经营决策都取决于充分的数据分析支持。在欧盟、美国、日本等发达地区，数据分析普遍被作为运营决策的前提要素，为社会经济的高速发展做出重大贡献。可以说，数据分析技术是一把让企业通向成功之门的金钥匙。

　　大数据分析师前景如何？

　　从2003年年底信息产业部电子行业职业技能鉴定指导中心（现为“工信部教育与考试中心”）正式设立“数据分析师”培训项目，并制定出数据分析师培训、考试及管理办法。到2017年，中国的数据分析行业已经走过了11个年头。这期间中国的数据分析师、数据分析师事务所、行业协会（中国商业联合会数据分析专业委员会）从无到有，发展越来越快，业务领域也是从最初的投资数据分析转向经营数据分析。目前国家将大数据视为国家战略，并且在实施上，也已经进入企业战略层面。

　　大数据未来发展趋势又是怎样的？

　　1.大数据在经济预警方面发挥重要作用

　　2.大数据分析成为市场营销的重要手段

　　3.大数据在临床诊断、远程监控、药品研发等领域发挥重要作用

　　4.大数据为金融领域的客户管理、营销管理及风险管理提供重要支撑

　　大数据分析师前景如何？发展趋势又是怎样的？想必小编也不用煞费口舌了，上不上船，全在你一念之间。