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。

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�...

现如今，世界的商业模式，是由信息与数据分析和大数据引导的。即便是企业决策，这些也起着都起着至关重要的作用，时代技术的转变，社会的需求，让商业分析专业（MSc Business Analytics）应运而生。近3年来，商业分析专业在北美、英国、香港、新加坡等地区开始涌现，而国内却基本上看不到有大学开设，这也是部分同学想出国留学的原因之一。

何为商业分析专业？

纽约大学（New York University）曾对商业分析专业做过这样的定位：这是一门研究数据，通过统计和运营分析，形成预测模型，促进客户、商业合作伙伴和同事之间的沟通以及技术优化应用的学科。

商业分析代表性学校

美国代表性学校有：MAT、Rochester、UT Austin、USC、Wake Forest U

英国代表性学校有：UCL和爱丁堡大学

香港代表性学校有：香港大学、香港中文大学、香港科技大学

新加坡代表性学校有：南洋理工大学

你适合商业分析专业吗？

其实大数据早就应有于各个领域，比如说物理、生物、环境生态、军事、金融、通讯等行业领域，只是因为近年互联网和信息行业的发展而备受关注。数据安全、数据分析、数据挖掘等围绕大数据商业价值的利用逐渐成为行业人士争相追捧的利润焦点。

不难发现，BA其实是一个交叉型的专业，是商科和计算机科学交叉的学科，判断你是否适合BA这个专业，主要看你想去的学校偏向于哪个方向，如果该学校注重计算机专业，那么你读BA就要计算机背景相对较好，反之则是需要商科背景。

商业分析专业详情介绍

1、美国

美国是商业分析专业的发源地，许多顶尖的商学院都有开设商业分析的项目，其中不乏像麻省理工学院（MIT），南加州大学（USC）等世界知名学府。

麻省理工学院（MIT）

MIT的商业分析专业全美排名第一，以下是MIT的BA专业的课程设置：

可以看出，MIT的商业分析专业（MSc Business Analytics）是非常偏向于工科和计算机科学的一个项目，需要学习大量计算机和数据分析内容。

而另一方面，作为商业分析专业的带头大哥，MIT的录取标准也是相当高的。

可以看到MIT的BA在全球只招收30人，平均绩点和GRE的分数也是非常高的，是真正的大神项目。

罗切斯特大学（UR）

这是一所美国著名的私立研究型大学，“新常春藤”联盟之一。华尔街日报将该校西蒙商学院（Simon Business School）列为全美第6佳商学院。而西蒙商学院也是美国商学院中较早开设商业分析专业的商学院。以下是罗切斯特大学BA专业的课程设置：

相比于MIT的商业分析专业课程设置，罗切斯特大学BA的课程设置则更加商科化，Business、Management、Accounting、Economics等商科课程，适合计算机基础不是特别突出的学生就读。

2、英国

英国作为媲美美国的教育重地，其商科教育也是领先全球的。很多优秀的学校都开设了商业分析的项目。G5院校中，帝国理工学院（IC）和伦敦大学学院（UCL）已开设商业分析的专业。而像华威商学院等英国优秀的商学院，也较早地开设了BA项目。

帝国理工学院（IC）

帝国理工学院是英国G5院校之一，位于英国伦敦，是一所世界顶尖的专攻理工，医学和商学的研究型大学，在世界学术界有着极高的声望。帝国理工商学院的MSc Business Analytics专业也是英国的顶尖BA项目。其课程设置如下：

与美国院校开设的BA专业相比，帝国理工学院的BA专业综合性更强，融汇了商科的各个领域以及数据处理所需要的一些基础的课程，对于想全方位提升自己能力的同学来说是一个很好的选择。一般来说，申请帝国理工学院的MSc Business Analytics专业需要985/211学校均分超过85分。

华威大学

华威大学的商学院久负盛名，是英国排名前五的商学院之一。而华威大学商学院也是英国最早开设商业分析专业的商学院之一。其课程设置如下：

华威商学院所开设的商业分析专业对于数据分析的应用更加重视，绝大部分课程都与数据处理和数据分析有关，可以说是实用性非常强的一门课程。

3、香港

香港的大学中大家比较熟悉的就是“港三”的学校（香港大学、香港科技大学和香港中文大学）。这三所学校的商学院都开设了商业分析的专业，而特点不尽相同。

香港大学（HKU）

香港大学是香港综合排名最高的学校，其商学院秉承着“少而精”的办学理念。而商业分析则是香港大学商学院为数不多的专业之一。其课程设置如下：

香港大学的BA课程设置与华威类似，更加注重数据处理和数据分析能力的培养，实践性较强。

香港科技大学（HKUST）

香港科技大学是一所非常年轻的学校，但其成长速度惊人。香港科技大学的商学院被誉为“亚洲第一商学院”，足见其商学院的统治地位。而商业分析项目也是香港科技大学商学院的重要项目之一。其课程设置如下：

与香港大学的BA相比，香港科技大学的BA课程系统性更强，学习的范围也更广，学习范围涉及management、economics、data analysis、decision making等等。

由此可见作为时下最火的商科专业，各个国家世界口碑比较好的，学术得到全世界认可的学校都有开设，同学们可根据自己的情况选择适合自己的学校，商业分析专业学校不同特点也不一样。

一、方案背景

客户至上，我们都希望服务好我们的客户群，同时能够最大程度地发挥客户价值。

所以当你上线了新的产品，当你希望二次推广，当你准备结合政策或热点做营销驱动业务增长，你都希望能让你的客户能够进行消费。

所以你准备了完美的产品或营销发布计划，内容、设计、主题、号召性用语、各方面渠道运营都很完美，消息覆盖面多达3W个客户。你美滋滋地期待能够有”10%“的转化，一天内至少3000个客户产生感兴趣或者直接购买的行为。

一小时、两小时、一天、两天、三天过去了，只有300多个客户好像感兴趣来联系了公司。

非常让人失望，不是吗？更何况我们不管是电商、零售、直销或B2B，我们不是都有专门的营销团队去做市场营销，去设计专业的文案。

为什么？因为不同的客户对消息会有不同的反应，有些客户对价格敏感，有些客户对新品感到兴奋，有些客户只有基本需求。

我们不需要向所有客户群体进行邀请，只需要对其中可能不到20%的目标优质客户下手就能事半功倍。

很明显，这就是我们要进行客户管理数据分析的原因，我们希望了解我们的客户，以便我们投放的资源是合理的。

因此我们提供了一个客户管理数据分析的解决方案便于参考，让您通过鼠标点击和拖拽就能够轻松地掌握客户管理的基础数据信息，同时识别最佳客户，学习客户管理里最通用的RFM客户价值管理模型，掌握客户流失、客户行为分析等综合分析，进一步体会到客户管理数据分析的妙用。你也可以再利用我们提供的数据自己再尝试性做一些客户管理数据分析的模板。

二、方案内容

本方案将给大家着重分享以下企业客户管理数据分析方面的内容干货：

1.如何快速搭建客户管理数据分析平台？

2.如何让业务部门人员直接基于客户数据快速完成客户基础数据分析？

3.如何让业务部门人员直接基于客户数据快速完成识别最佳客户？

4.如何让业务领导直接基于客户数据快速完成即席数据分析？

5.如何让企业客户管理数据分析成果实现团队协作共享？

三、方案效果及实现说明

1.如何快速搭建客户管理数据分析平台？

这部分工作属于企业IT部门的前期数据准备工作，需要IT部门在FineBI的数据配置-数据连接管理中新建好数据连接，保证数据连接测试成功。然后添加客户管理业务包，将相关数据表加入并且建好立表间关联关系即可（如果是FineIndex类型的业务包需要更新好FineIndex数据）。分配好对应数据权限之后，用户即可直接在浏览器前端来对这些客户管理数据进行即席的多维探索分析。

以本方案为例，如上图所示，我们在客户管理业务包中添加好客户基础信息表、消费记录表、消费产品信息表、客户登记表（会员等级），以及进步处理得到的交易RFM交易明细表，并且建立好维度表和事实表之间的数据关联关系。

最后在数据配置-权限配置管理界面中将建立好的客户管理业务包的权限分配给业务部门相关人员，并且在管理系统-用户管理中将对应授权人员加入到BI编辑用户的已授权列表中。

2.如何让业务部门人员直接基于客户数据快速完成客户基础数据分析？

数据底层搭建完，就可以使用分配好数据权限的账号登录平台，快速新建仪表板做基础数据分析了。

以客户基础信息为例，这里的客户是to C的零售客户信息，其它行业的客户基础数据信息同理。右下角的明细表是我们通常在做基础信息分析时最传统和熟悉的报表展现，可以通过一张明细表先把客户的基础属性拖拉出来，然后再针对其中的年龄、性别、职业、籍贯等我们更关心的一些客户具体属性做进一步分布、组成和对比分析，可以得到客户群体的基础属性全貌。

我们还希望研究当前我们客户当前的客户关系，如重要/不重要客户的分布及组成占比。一般重要/不重要的客户定义可以通过我们对客户打标签，比如对于金融机构而言，认为贡献金额大于1000万的为重要客户，我们更为关心。

3.如何让业务部门人员直接基于客户数据快速完成识别最佳客户？

a.客户行为分析

我们从客户日常的购物行为数据中，可以去对客户偏好的店面风格、偏好时间、偏好品类、偏好品牌、偏好地点去做进一步探究，以便于我们在采购或者营销时可以采取最佳的资源配置。其它企业同理，对于频繁发生商务行为的顾客，可以对该顾客的偏好进行分析，以对该类顾客针对性采取营销或者运营措施。

b.客户价值分析（RFM客户价值模型）

FineBI支持接洽各种的业务分析模型。这里是客户管理中最经典的RFM客户价值模型，是客户留存分析、客户流失分析、重点价值分析、客户行为分析的综合应用。利用RFM模型对客户进行细分的结果，可以开发出许多可视化数据分析模板，来通过一张相当经典的DashBoard来简要分析下RFM模型的具体应用。

1.矩形树图-客户价值分类：是整个RFM模型的核心，直观显示了8个客户群的人数及占比，可以联动到其它组件来查看具体某客户群下的情况。

2.试管型仪表盘-客户类型人数：显示各客户类型的具体人数

3.饼图-交易金额组成：由于我们最关心的是各客户群的价值贡献，所以研究不同人群的交易金额占比，可以得到哪个人群的贡献值较大，对于我们的价值更大。

4.点图-MF-R分布：横坐标为F交易频率，纵坐标为M交易金额，点大小为R上次交易间隔。通过MF分布来直观看到客户的消费能力分布，进而通过R的大小来锁定哪些客户更为忠诚。

5.点图-RF-M分布：横坐标为F交易频率，纵坐标为R上次交易间隔，点大小为M交易金额。通过RF分布来直观看到客户的消费异动情况，进而通过M的大小来判断哪些客户更有必要挽回。

6.点图-MR-F分布：横坐标为M交易金额，纵坐标为R上次交易间隔，点大小为F交易频率。通过MR分布来直观看到客户的消费潜能情况，进而通过F的大小来挖掘更有价值的客户。

7.分组表-交易明细：显示各客户类型下的客户交易明细。

这个DashBoard可以快速锁定我们关心的客户群体，确定他们的具体特征及名单。最后只要根据这个分析的结果来采取针对性的业务决策。

具体关于RFM模型的详细介绍可以参见这篇文章：《手把手教你搭建，RFM客户价值分析模型》

4.如何让业务领导直接基于客户数据快速完成即席数据分析？

除了以上给大家介绍的制作一些企业常用的客户管理数据分析之外，FineBI最大的特性就是随时满足业务人员或者企业领导的数据即席分析需求了，通过轻松的托拖拽拽操作，就能生成丰富多样的数据分析统计结果。

可以看到轻松拖拽就可以马上完成可视化，实现快速分析。

5.如何让企业客户管理数据分析成果实现团队协作共享？

企业的各项工作，主要由各部门团队分工协作完成，彼此之间需要很好地进行沟通和配合，那么FineBI是如何帮助企业将客户管理数据分析成果实现团队协作共享的呢？

以上文所述的RFM模型分析为例，那么通过FineBI可以非常便捷地将它分享给相关部门或者指定人员的。

例如这边想把它分享给销售的leader，那么可以在FineBI的仪表板中将做好的RFM模型分析模板点击分享给对应销售部的saleLeader，然后点击确定即可。这样一来，对应的Lisa登录之后就完全能够使用该模板。

关于客户管理的分析以上只是举了一个案例，告诉大家怎样去通过BI工具分析，具体的实操，大家可以尝试下。

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。

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。

随着大数据时代的到来，各个行业对数据价值越来越重视，他别是近两年，数据分析师岗位的需求激增，数据分析师已成为当今最具发展潜力的职业，人才缺口达到150万，在生活中很多想转行数据分析师培训的从业人员纷纷报名数据分析师培训机构，来增强自己的技能因此转行高薪行业。那么数据分析师的就业方向是什么，一位过来人的职业规划之路告诉你！

数据分析师作为一个出现时间不长的工种，大数据时代下，成为螺丝钉还是成为龙头，需要尝试新的可能。

数据分析师的职业规划

数据分析师手中拥有一座宝藏。作为滴滴出行数据分析团队的负责人，刘普成发现了数据分析师通往卓越的秘诀：视野。数据分析提供了这样一种可能：它不是简单的技术工种，它是最具有潜力的一项工作，背后蕴藏着相当多的机会。刘普成是中国最懂互联网数据分析的人之一。北大ccer硕士出身，做过公务员，这位业界资深的大牛，曾先后任职于百度、豆瓣、豌豆荚，对产品、设计、运营等互联网业务有着深刻的理解。现在，他担任滴滴出行数据分析团队的负责人，统筹这家体量巨大的公司随时产生的海量数据。作为一个成长经历颇为不同的资深大牛，他认为，推动一个人进步的本质原因是开放的心态和兴趣。硕士毕业后，他没有像大多数同学那样出国读博，或顺理成章进入金融业，而是选择在中国互联网界进行数据方面的探索，寻找一些“新”的东西。随着专业能力的提升，又开始深入学习互联网行业的其他技能，拓展自己的知识领域。

在八年时间，从一名普通的数据分析师，成长为精通技术和业务的数据科学家，刘普成发现，数据分析师在不同阶段需要掌握不同的能力，本质上，是让自己的视野更开阔。

数据分析师不能只成为一个技术专家，要成为可以影响公司运作的人。结合自身经历，刘普成认为数据分析师在进阶的道路上有如下选择：

1、成为数据技能超强的产品经理

2、成为数据指导业务的运营VP

3、成为管理或战略

4、成为博学广识的数据科学家

而关于数据分析师的职业规划，小编认为主要是从两个方面表现，一个方向是偏文一些（即运营分析），另一个方向则偏理一些（即挖掘分析）。不管是文的还是理的，可能你都需要掌握一些入行的行规，例如Excel技能、数据库操作（MySQL/SQL Server/Oracal/Hive等）、Tableau可视化、R或Python的编程能力等。这些都是用人单位在招聘数据分析师时提到最多的“任职资格”，其实这也都是技能门槛。如果这些你还没有接触过，可以在准备入行前花3~6个月去充充电，可以选择闭关修炼、或观看学习视频、甚至可以挑选口碑比较好的数据分析师培训班。而不管是数据运营分析师和数据挖掘工程师，它们在企业中都属于技术岗。根据工作人员的能力，会匹配相应的段位，一般来说，较高的技术段位，也可以对标到相应的管理岗。最后，就看你希望往哪个方向去发展，然后在这个方向上去努力，如果顺利的话你可以成为高级总监。

以上有关数据分析师的就业方向，一位过来人的职业规划之路告诉你的内容介绍，到这里就结束了，更多数据分析师相关信息可关注容大教育。

当下，人工智能、大数据等热门词汇频频出现在人们的视野中。作为万物分析的大数据更是站在互联网的风口浪尖上，直接催热了大学里的大数据专业。

从IT时代进入DT时代，高校在大数据方向上设置了什么专业，具体学什么，就业怎么样，作为新兴专业，考生如何报考?今天，就来谈一谈这个大家关注的热门专业。

1.什么叫大数据？

进入互联网时代，中国的网民人数已超7亿，大数据的应用涉及到生活的方方面面。例如，你在网站上买书，商家就会根据你的喜好和其他购书者的评价给你推荐另外的书籍；手机定位数据和交通数据可以帮助城市规划；甚至用户的搜索习惯和股市都有很大关系。

在谈到大数据的时候，人们往往知道的就是数据很大，但大数据≠大的数据。大数据，就是存储在各种存储介质中的海量的各种形态数据，具有5V特点，即：Volume(大量)、Velocity(高速)、Variety(多样)、Value(价值密度)、Veracity（真实性）。大数据之“大”，不仅在于其“大容量”，更在于其“大价值”，并已成为除人力、土地、财务、技术之外的另一种重要的基础资源。对各种存储介质中海量信息的采集、存储、分析、整合、控制而得到的数据就是大数据。大数据技术的意义不在于掌握庞大的数据信息，而在于对这些数据进行专业化处理，通过“加工”实现数据的“增值”，更好地辅助决策。

2.数据科学与大数据技术专业

本科专业中和大数据相对应的是“数据科学与大数据技术”专业，它是2015年教育部公布的新增专业。2016年3月公布的《高校本科专业备案和审批结果》中，北京大学、对外经济贸易大学和中南大学3所高校首批获批开设“数据科学与大数据技术”专业。随后第二年又有32所高校获批“数据科学与大数据技术”专业。两次获批的名单中显示，该专业学制为四年，大部分为工学。

数据科学与大数据技术是个交叉性很强的专业，很难说完全归属于哪个独立的学科。所以，不同的学校有的是信息学院申报，有的是计算机学院牵头申报，有的设在统计学院，还有的在经管学院。像北京大学这个专业是放在理学下，授予理学学位。大多数是设在工学计算机门类下，授予的是工学学位。数据科学很早就存在，是个比较经典的学科，现在和大数据技术结合形成了这个专业。目前教育部设定的本科专业名称为“数据科学与大数据技术”，专科名称是“大数据技术与应用”。

3.数据科学与大数据技术学什么？

以对外经济贸易大学该专业为例，专业知识结构包括数学、统计、计算机和大数据分析四大模块，具体课程设置如下：

数学：数学分析一、数学分析二、高等代数、离散数学。统计学：概率论与数理统计、多元统计分析、随机过程。计算机：数据机构、计算机组成原理、操作系统、数据库系统原理、C++程序设计、Java程序设计、Python与大数据分析、科学计算与Matlab应用、R语言等。大数据分析：数据科学导论、机器学习与数据挖掘、信息检索与数据处理、自然语言处理、智能计算、推荐系统原理、大数据分析技术基础、数据可视化、大数据存储与管理、大数据分析实践等课程。

数据科学与大数据技术是一门实践性很强的新兴交叉复合型学科：以统计学、数学、计算机为三大支撑性学科;生物、医学、环境科学、经济学、社会学、管理学为应用拓展性学科。此外还需学习数据采集、分析、处理软件，学习数学建模软件及计算机编程语言等，知识结构是二专多能复合的跨界人才(有专业知识、有数据思维)。根据各校偏重的专业方向，课程设置有所差异，感兴趣的同学可以具体查看各校的专业和课程设置情况。

1.行业增速快 人才缺口大

随着移动互联网和智能终端的普及，信息技术与经济社会的交汇融合，引发了数据迅猛增长。新摩尔定律认为，人类有史以来的数据总量，每过18个月就会翻一番。而海量的数据蕴含着巨大生产力和商机。

2011年至2014年四年间，我国大数据处于起步阶段，每年均增长在20%以上。2015年，大数据市场规模已达到98.9亿元。2016年增速达到45%，超过160亿元。预计2020年，我国大数据市场规模将超过8000亿元，有望成世界第一数据资源大国。但数据开放度低、技术薄弱、人才缺失、行业应用不深入等都是产业发展中亟待解决的问题。

根据领英发布《2016年中国最热职位人才报告》显示，有六类热门职位的人才当前都处于供不应求状态，稀缺程度各有不同，其中，数据分析人才的供给指数最低，仅为0.05，属于高度稀缺。

目前的当务之急是解决大数据人才瓶颈问题，相关调查显示，未来3-5年大数据人才缺口达到150万之多。，但截至目前，中国大数据从业人员只有约30万人。同时，大数据行业选才的标准也在不断变化。初期，大数据人才的需求主要集中在ETL研发、系统架构开发、数据仓库研究等偏硬件领域，以IT、计算机背景的人才居多。随着大数据往各垂直领域延伸发展，对统计学、数学专业的人才，数据分析、数据挖掘、人工智能等偏软件领域的需求加大。

数据分析师现在需求就很旺盛了，2年工作经验的月薪可达到8K，硕士学历的数据分析师月薪可达到12K，5年工作经验的可达到40万至60万元。

2.大数据主要就业方向

2015年9月国务院印发《促进大数据发展行动纲要》，系统部署大数据发展工作。《纲要》明确提出了七方面政策机制，其中第六条就是加强专业人才培养，建立健全多层次、多类型的大数据人才培养体系。目前，大数据主要有三大就业方向：大数据系统研发类、大数据应用开发类和大数据分析类。具体岗位如下：

1.大数据系统架构师

大数据平台搭建、系统设计、基础设施。

2.大数据系统分析师

面向实际行业领域，利用大数据技术进行数据安全生命周期管理、分析和应用。

3.hadoop开发工程师。

解决大数据存储问题。

4.数据分析师

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，至少需要熟练SPSS、STATISTIC、Eviews、SAS、大数据魔镜等数据分析软件中的一门，至少能用Acess等进行数据库开发，至少掌握一门数学软件如matalab、mathmatics进行新模型的构建，至少掌握一门编程语言。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。

5.数据挖掘工程师

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。经常会用到的语言包括Python、Java、C或者C++，我自己用Python或者Java比较多。有时用MapReduce写程序，再用Hadoop或者Hyp来处理数据，如果用Python的话会和Spark相结合。

6.大数据可视化工程师

随着大数据在人们工作及日常生活中的应用，大数据可视化也改变着人类的对信息的阅读和理解方式。从百度迁徙到谷歌流感趋势，再到阿里云推出县域经济可视化产品，大数据技术和大数据可视化都是幕后的英雄。

1.院校开设情况

大数据人才的典型胜任特征：善于做需求分析、写代码;善于与人沟通，喜欢探索未知;需要根据数据推演、分析、提出解决方案，有数据思维;需要持续保持学习状态;内性格上能动能静。

不同办学层次的院校开设此专业，培养模式会有差异。例如，高职类院校学生由于数学基础相对薄弱，会跟多偏向于工具的使用，如数据清洗、数据存储以及数据可视化等相关工具的使用;本科院校会倾向于大数据相关基础知识全面覆盖性教学，在研究生段则会专攻某一技术领域，比如数据挖掘、数据分析、商业智能、人工智能等。

在“教育部2015年度普通高等学校本科专业备案和审批结果”中北京大学、中南大学、对外经贸大学成为首批开设 “数据科学与大数据技术”本科专业的高校，随后中国人民大学、北京邮电大学、复旦大学等32所高校成为第二批成功申请该专业的高校。至去年上半年，我国已有35所高校获批“数据科学与大数据技术”本科专业。经过一年的发展，申请院校成井喷式的增长，全国高校大数据教育联盟通过教育部公示的申请2017年“数据科学与大数据技术”专业的院校来看，2017年申请院校高达263所，其中工学190所，理学73所。

数据科学与大数据技术是个交叉性强、跨学科的专业，很难说是完全归属与那个独立的学科。高校牵头申报的学院不同，培养重点和授予的学位可能不一样。因为课程来自于不同的学院，也有高校是联合一些学院单独成立机构来申报。从名单可以看出，在大部分开设院校中该专业都属于工学类，有个别院校将其归属在理学门类，授予理学学位。

有志于学习数据科学与大数据技术专业的学生，可以从大学的传统优势领域和行业背景考虑选择。比如，复旦大学的大数据技术本科专业是设在大数据学院下；北京大学是在数学院开设了该专业，偏数学的内容更多一些。对外经济贸易大学该专业设在信息学院，因为财经是学校传统优势，专业还会偏重经济、金融等相关学科领域的知识。

2.报考注意事项

了解了大数据行业和大数据专业后，对于考生填报与大数据相关的热门专业，需要注意以下几点：

1.报考热门专业和就业热的专业并不一定是重合的，比如软件、计算机、金融，这些专业的就业率实际并没有那么高，地质勘探、石油、遥感等专业，虽然报考时是冷门，但行业需求大，就业率更高。

2.选择热门专业，更需要考虑就业质量。专业就业好，是统计学意义，指的是平均收入水平高，比如金融专业的收入，比其他纯文科专业的平均收入较高，但落实到个体层面，就业情况就不一样了，尤其像金融专业是典型的名校高学历好就业，但对于考试成绩较低的同学来说，如果去一些普通院校、专科院校学习金融，最后就业情况可能还不如会计专业。

3.志愿填报，除了专业，城市因素也很重要：如果想从事金融、互联网的工作，更适合去一线城市，如果是去三、四线大学的学生可以考虑应用面比较广的专业，就是各行各业都能用到的专业，比如会计专业，专科层次的会计和985层次的会计都有就业渠道。如果先选择报考城市，也可以针对所在城市的行业特点选择专业，比如沿海城市外贸相对发达，选择国际贸易、外语类专业就业情况更好，比如武汉有光谷，选择光电类专业更好就业。

4.最终家长和考生更需要考虑个人与专业匹配的问题，金融、计算机等热门专业不是所有人都适合学，好专业不见得对所有个体都是好的。

5.最后，考生报考时要注意，有的高校大数据专业是按大类招生，即按计算机大类，且只招理科生。

下面是人大、北邮、中南大学三校2017年数据科学与大数据技术专业在五个省市的录取数据。其中，人大的大数据专业归统计学大类；北邮的大数据专业归计算机大类。

Data Science 作为一个宽口径的新兴职业方向，充满了工作机会，同时，无论你是学什么与业出身的，都有新与业、新领域的知识要学。比如工作期间，学统计的去研究一下优化、计量经济，学计算机的深入加强统计知识，都可能有机会。看到市场对数据人才的追求日益激烈，许多大学开始与门开设数据分析类与业。

近几年来，美国很多学校也开设了analytics的多门硕士项目，比如 Northwestern、 NCSU，但是开设这类专业的学校，一般综合排名低，除了西北大学，以前少有学校问津 analytics；随着过去两年data science和bigdata的共起，UIUC、UT Austin、NYU等都相继开设了analytics、Data Science类的硕士项目，包括弗吉尼亚大学、哥伦比亚大学、俄亥俄州立大学等开设宣布计划开设数据科学方面的硕士研究生培养项目。例如，南加州大学马歇尔商学院就与门开设了商业数据分析的硕士项目。该项目总终的第一句话就是：商业数据分析是现在全美增长最迅速的领域。

数据科学专业需要具备的能力

（1）、计算机科学能力一般来说，数据科学与业大多要求具备编程、计算机科学相关的与业背景。简单来说，就是对处理大数据所必需的 Hadoop、Mahout等大规模幵发处理技术等机器学习相关的技能。（2）、数学、统计、数据挖掘的能力除了数学、统计方面的素养之外，还需要具备使用SPSS、 SAS等主流统计分析软件的技能。其中，面向统计分析的开源编程语言及其运行环境“R”最近备受瞩目。R 的强项不仅在于其包含了丰富的统计分析库，而专具备将结果迚行可视化的高品质图表生成功能，不可以通过简单的命令来运行。此外，它还具备称为CRAN（The Comprehensive R Archive Network）的包扩展机制，通过导入扩展包就可以使用标准状态下所不支持的函数和数据集。R语言虽然功能强大，但是学习曲线较为陡峭，建议从python 入手。

（3）、数据可视化

信息的质量很大程度上依赖于其表达方式。对数字罗列所组成的数据中所包含的意义迚行分析，开发Web原型，使用外部API将图表、地图、Dashboard等其他服务统一起来，从而使分析结果可视化，这是对于数据科学家来说十分重要的技能之一。

（4）、跨界为王麦肯锡认为未来需要更多的“translators”，能够在IT 技术，数据分析和商业决策之间架起一座桥梁的复合型人才是最被人需要的。”translators“可以驱劢整个数据分析戓略的设计和执行，同时连接的IT ，数据分析和业务部门的团队。如果缺少“translators“，即使拥有高端的数据分析策略和工具方法也是于事无补的。天才的”translators“非常罕见。但是大家可以各敬其职，数据战略家可以使用IT 知识和经验来制定商业决策，数据科学家可以结合对与业知识的深入理解使用IT 技术开发复杂的模型和算法，分析顾问可以结合实际的业务知识不分析经验聚焦下一个行业爆点。

未来就业前景这类硕士项目的最大优势是在于读程设置，software system、machine learning、database、 optimization、decision science、statistics、business intelligence等所有涉及到的领域知识，往往都会学一些。因此，跟比如学统计戒者计算机出身的同学相比，有analytics硕士学位的同学，知识结构更合理、更全面。也正是因为这点，目前学这个与业的同学找工作很容易。以下数字可以说明数据人才有多稀缺。一个拥有博士学位的数据科学家的起薪通常是六位数，工作两年后，就可以轻松赚到 20万至30万美元的年薪。在美国职业社交网站领英网(LinkedIn)，有3.6万个数据科学家的职位虚位以待。另一家网站的数据显示，去年底有6000家公司正在招聘数据方面的人才。

【选校大揭底】

美国目前总有45所大学开设的数据分析相关与业硕士研究生读程项目。小科对这45 所院校做了整理的查校，总结如下：所有都相对集中在美国的东部、北部区域，所开设的大数据分析硕士学位课程可以分为三个类型。

1、数据分析科学硕士学位课程(MSA，Masterof Science in Analytics) 美国有14所大学，总性是属新开发的跨学科读程，将应用数学、统计学、计算机科学，以及各种商业学科诸如营销、财务等融合在一起，即使一些学位使用预测分析(Predictive Analytics)戒数据分析(Data Analytics)冠名其读程内容也大致相同;

2、商业数据分析硕士学位课程(MSBA，Masterof Science in Business Analytics) 美国有17所大学开设此学位课程，其特点基本上是由各大学商学院新开设戒改名而来的，也会有不与其他学院联合办学的情况，和MSA类似面向技术的读程稍少一些，但也不意味着MSBA就完全偏向商科。

3、属其他学科的硕士学位但主修方向是数据分析(Other M.S. Programs， Analytics Tracks andConcentrations) 开设该项目课程的有14所院校，常冠以数据科学(Data Science)这个名称，一般开设在商学院以外的学院，将数据分析课程与其他学科结合的硕士学位，还有的情况是将原有的旧专业改为数据分析与业，有时还可能沿用原有的与业名称，目标是从庞大数量种类的数据中去获得能有效沟通的可执行见解。

以下我们筛选了其中5所院校做以详细的查校结果汇总，如果想要了解更多院校查校信息

1、加州大学伯克利分校信息与数据科学专业（MS in Information and Data Science）：

专业介绍： 加州大学伯克利分校有两个相关的学位项目：数据科学工程硕士Masterof Engineering （concentration in Data Science），信息数据科学硕士Master of Information andData Science （MIDS），伯克利的两个硕士项目综合教授技术和企业运营的技能，立足现有最前沿的技术，扎实务实地培养学生成为领域内的佼佼者。

加州大学伯克利分校官网申请大数据：

GPA要求：3.0；TOEFL要求：90；IELTS要求：7.0；GRE 要求：Required；GRE Subject：Not Required

申请学期：夏季申请截止日期：2月14日

学费：$2,222.22/学分

申请说明：信息数据科学硕士（MS in Information and Data Science）：为期20个月，总计27个学分，受西部学校和学院学会（WASC）认证。要求申请者本科毕业，有计算机科学、数据结构、算法分析、线性代数等相关工作戒实习经验，如有5年以上工作经验则更受欢迎。毕业生可从事航空工程人员、建筑师、商业分析师、商业智能分析师、首席技术官、合同技术与家、数据分析师、互联网安全顾问、定量分析师、研究工程师、系统工程师等职业。无奖学金申请，国际学生需自费攻诺。

录取数据：

招生年：2016年春季学期；女生比例：24%；平均年龄：33；年龄范围：22-57；本科平均GPA： 3.49；GMAT数学均分：76%；GMAT 阅读均分：84%；GRE数学均分：82%；GRE阅读均分：82%；

伯克利是有着矛盾的两面性：一方面是草根的，平民的，大众的。BerkeleyHippie成为了伯克利学生自黑的主要槽点，校园附近随处可见千奇百怪的各色人等，如某街头艺人；但是，另一方面是尖端的，精英的，前沿的，比如叧有诺贝尔奖获得者才能用的停车位。在伯克利接触到的学生基本上可以分为两拨：一拨是以科研为主的有志青年（包括绝大多数的PhD 和极少部分的本科生），他们对本与业的热情天赋让我毫不怀疑地相信这波人是会引领未来人类科技进步的行业精英；另一拨则是普普通通的学生，他们由于机缘巧合，家庭背景，或者自己个人的奋斗，得以相聚在伯克利的校园里。他们大多想找个好工作回馈父母家人，他们得益于伯克利这个平台的帮劣也因此对这个平台感恩戴德，他们和平常人一样，不过多了顶绣着伯克利商标的帽子，他们中的大多数未来会湮没在茫茫人海中。

2、哥伦比亚大学数据科学专业（MS Data Science Track）

专业介绍：

哥伦比亚大学有一个业界顶尖的大数据科学的工程研究室（Institute for Data Sciences and Engineering），学生在此参与实验科研项目。该项目是2014年秋季新开设的，由此可见其对于这一与业的重视。项目开设在工学院下，项目侧重数据挖掘、算法和统计建模(i.e., Algorithms for Data Science, Machine Learning for DataScience, Statistical Inference & Modeling)，培养方案面向业界需求。

哥伦比亚大学官网申请大数据：开设学位：MS

要求：TOEFL99；GPA要求：3.0；IELTS要求：6.5；GRE要求：Required；GRE Subject： Not Required；

可申请学期：秋季申请截止日期：2月 15日学费：$1,858/学分

申请说明：

哥伦比亚大学数据科学（Data Science）与业由数据科学所（Data Science Institute）开设，研究生招收MS 学生。要求申请者本科毕业，拥有一定的数学及编程基础，需要递交GRE成绩，但无最低GRE、GPA等分数要求，不可使用GMAT代替GRE成绩。该MS 项目为期1 年，总修30个学分，无需撰写毕业论文。哥伦比亚大学工程不应用科学学院未设定有最低TOEFL/IELTS 分数要求，此外，该学院还认可PTE成绩，总分要求不低于68分；该项目无最低GPA要求，按美国大学研究生申请一般规定，GPA尤其是在校成绩平均不低于3.0 分；所有与业均需有GRE 成绩；除应用物理与业外，所有与业均无需GRE Subject成绩；未设定有最低GRE分数要求，但录取学生的GRE阅读平均百分比排名多在64%以上，数学多在82%以上；不接受GMAT成绩。

3、纽约大学数据科学专业（MS in Data Science）

专业介绍：

纽约大学的data science 既不是在 stern商学院下面，也不是在computer science下面，而是在 math下面。申请的时候应该比较看重数学背景，该与业开设于2013年，开设在 math下面的一个与门的Center for Data Science，为想迚入NYU的申请者多提供了一个录取的可能通道。基于这个与业的培养目标focuses on the development of new methods for data science。它录取的学生背景大多是理工科背景的居多：Math，Stat，也录取过几个 CS, EE, Econ与业的学生。

纽约大学官网申请大数据：开设学位：MS

要求：GPA要求：3.0；TOEFL要求：100；IELTS要求：不接受；GRE要求：Required；GRE Subject：NotRequired；

可申请学期：秋季申请截止日期：2月4日学费：$1,664/学分

申请说明：纽约大学数据科学硕士（MS in Data Science）一般为期4个学期，要求学生有足够强大的数学知识背景和一定的计算机科学基础知识，学习过微积分、线性代数、统计学、概率论以及计算机科学等读程。该项目仅秋季学期可以申请，截止日期为2月4日，无需GRE Subject数学科目考试成绩。该项目基本无奖学金。

纽约大学文理研究生院按学分收取学费，一般PhD要求修满72个以上的学分，硕士要求修满32-34个学分。按全日制授课项目，平均每年可修学分至少24个。此处为2016-17学年文理研究生院平均每个学分的学费标准，需要注意的是，该费用每年会有较小（不超过5%）的涨浮。

TOEFL：不低于100分，无单项要求，不接受IELTS成绩；数据科学硕士项目仅限秋季学期申请，申请截止日期为2月4日。课程设置：

该与业学制两年，总修36学分。

录取统计：我们从这个项目2013Fall 第一次招生的录取数据来看：打算要30个人，收到152封申请，发了50 个ad，刚好来了30个。 30个人里面，背景情况，undergraduate有11个，已经拿到一个 graduate的大概有10个（有1，2个phd，其余都是 master），剩下的就是已经工作了的。所以这 30个人是同时包括part-time和full-time 的。粗略分布： White10人，Asian20人吧，其中2个印度人，1个韩国人，1个日本人，1个台湾人，其余都是大陆的。average age=25. 大陆分布：10个左右美本，5个非美本吧。美本来源包括umn,uiuc,u of toronto, wisc-madison,git等等等等。感觉美本基本都是美国的数学强校，本科与业也都是math，stat，ieor，有几个cs ee econ的。非美本有 5个，其中一个港大，一个清华ee。当然随着Data Science的持续火热，未来的申请人数预测会增长到至少300人！知乎学长经验谈以下是NYU总体给我的感觉： NYU的优势是在于Data 的读太多了，DS自己的读不说，Cournat的CS也包含了一部分Big Data, NLP之类的读（同被DS的 Big Data坑= =，不过Cournat CS有门Real Time Big Data Analytics不知道会不会好些），Steinhard 的A3SR会有很多应用统计的读程，Stern有统计的PhD,还有 Info的偶尔也提供一些读程可以上， Tandon CS有可视化，CUSP 有城市数据分析（ML，Big Data这些的我们都开，不过和 DS的侧重不一样，还有通过传感器去采集数据，如何分析声音图像数据等等）Tisch的ITP还包含了一部分数据可视化（Data Art），前端（Creating API）和传感器的读程。除了Stern的读比较难选以外，其他学院的读基本开了就能选到。

4、普渡大学商业分析与信息管理专业（MS Business Analytics & Information Management, BAIM）

专业介绍：和麻省理工学院的MBA一样，该项目都有个单独的分支是商业分析，学生学习的基础读程涵盖高级商业分析、数据挖掘、数据管理等，选修课程可以从以下三个领域选择：

●商业分析咨询

●金融/财务咨询

●市场营销咨询

普渡大学官网申请大数据： USNEWS排名：47（商学院排名）GPA要求：3.0；TOEFL 要求：93；IELTS要求：7.5；GMAT要求： Required；工作经验要求：无；

可申请学期：夏季申请截止日期：1月16日-3月1 日学费：$46,000

申请说明：

普渡大学商业分析不信息管理硕士（MS Business Analytics & Information Management, BAIM）项目为期11个月，总计修36个学分。要求申请者本科毕业，不限与业背景，无前�...

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。