京公网安备 11010802034615号
经营许可证编号:京B2-20210330
21世纪最热门职业,非“大数据君”莫属
根据“谷歌趋势”,在2011年的时候,“大数据”还很少被用作搜索词,但是从2012年开始到现在,你几乎能听到各行各业的人都在谈论“大数据”。
这是一个增长非常迅速的领域,而且催生出了很多的工作机会。麦肯锡公司的一份报告预计,到2018年仅美国在“具备深入分析能力”的大数据专业人才方面的缺口就在14万人到18万人之间。据New Vantage Partners公司对《财富》美国500强公司的调查显示,85%的500强企业要么已经推出了大数据项目,要么正打算推出。未来几年他们花在数据分析上的投资将平均上涨36%。难怪《哈佛商业评论》的一篇文章里将数据分析称作“21世纪最热门的职业。”
对有志进入“大数据”职业领域的人来说,首先要搞清楚的一件事就是它的职业门槛有哪些。这个问题看似简单,实则复杂。大数据领域的发展非常迅速,而且各个公司的招聘标准也是五花八门。比如有些雇主可能要求你掌握某种特定的编程语言,但有些公司就根本没有这种要求。在这一点上,中美两国公司对大数据人才的期望体现出了一些不同的特点。
我们先来看国内的,在网上搜索“数据分析师”这个职位,百度显示的最新招聘信息约有近9000条。以其中一家“国内知名手机阅读公司”的招聘要求为例,应聘者需要满足:
· 三年以上相关工作经历,至少有1-2个成功的中型项目经验;
· 优秀的商业分析报告撰写能力,有及时发现和分析其中隐含问题的敏锐性;
· 至少掌握一种数据分析工具(R/SAS/SPSS/Matlab),实现优化算法;
· 至少熟悉一种数据库,熟练运用SQL,有丰富的数据分析、挖掘、清洗和建模经验;
· 熟练使用JAVA/C++/Python/PHP 构建中等规模的数据分析系统, 有丰富的脚本处理数据经验。
再看看百度自家招聘数据分析师的职位要求:
· 统计,数学,数据挖掘等专业;
· 互联网行业分析领域两年以上工作经验者优先;
· 扎实的机器学习/NLP理论和技术基础,能熟练使用SPSS/SAS/MATLAB等工具;
· 优秀的口头和书面表达能力;
· 具备Unix/Linux环境工作能力,能使用shell/python等脚本语言优先;
· 优秀的分析问题和解决问题的能力,对解决具有挑战性问题充满激情;
· 良好的逻辑思维能力,学习能力强。
综合其他一些公司的相关职位招聘要求,大体上国内公司最看重的素质归纳起来有:能熟练使用数据分析工具(掌握SPSS/SAS/MATLAB是基本技能,有些公司会增加特定要求);有2-3年的工作经验;对数字敏感、分析能力、表达能力强。这些素质对从事数据分析来说都很重要。但问题是,大数据兴起也就是近两年发生的事,人才市场上哪里能迅速培养出这么多符合期望的候选人?
美国一些公司已认识到这一点,它们采取了更现实的做法:一方面,和大学合作,长期培养大数据专业人才以及开展相关研究,比如英特尔就和数据学专业排名靠前的麻省理工学院合作建立了大数据科学技术中心;IBM则投入1亿美元在中国大学推行大数据教育,目前已和北京理工大学、复旦大学、北京大学等7所大学达成合作。
另一方面,企业界已开始转换思路,不再寄望于找到某位全能型的天才来一手搞定所有的数据分析工作,而是吸引更多各有所长的人来组成一个能创造性解决问题的团队。有些甚至不需要有统计等特定专业背景。
所以对于想进入这个行业的人来说,别灰心,即使非计算机或数学科班出身,你依然有机会。美国大数据行业龙头FICO公司的首席分析官安德鲁•詹宁思就曾向《财富》表示:“如果你不是一个纯粹搞数学的人,或者不是一个专业的编程人员,那也没关系,因为你可以和那样的人在同一支团队里工作。除了量化分析方面以外,我们还非常需要具有求知和好奇天性的人,以及能够指出业务上的问题并且能与客户沟通的人。”
最后,我们来看一下这个行业的回报怎么样。由于目前大数据人才依然处于需求大于供给的状态,在美国,一位资深数据科学家在大型社交媒体企业当中可以拿到17.5万美元的年薪,而相关自由职业者的时薪可达200美元。
除此之外,一些创业者正扎根于大数据开创属于自己的事业。“大数据创业”已成为目前非常热门的一个趋势。今年5月麻省理工学院斯隆管理学院举办的“技术创新与创业论坛”上,“技术创新与大数据创业”就是一个重要的讨论单元。在美国,《财富》刚报道过的一家公司是Flatiron Health,两位年仅28岁的创始人正试图利用大数据分析来给出治愈癌症的最佳方法。这家公司刚刚获得了谷歌1亿多美元的风险投资。
数据分析咨询请扫描二维码
若不方便扫码,搜微信号:CDAshujufenxi
在业务数据分析中,按天拆分统计夜间时段的数据是高频需求——比如电商夜间订单监测、平台夜间用户活跃度分析、运维系统夜间异常 ...
2026-07-29在机器学习建模与特征工程实践中,判断不同特征对模型预测效果的贡献度,是特征筛选、模型解释、业务归因的核心环节。特征置换重 ...
2026-07-29 很多数据分析师精通Excel单元格操作,但当被问到“表结构数据的基本处理单位是什么”“字段和记录的本质区别”“为什么表结 ...
2026-07-29【核心关键词】岗位、数字化、经验、课程、方法论、决策、企业、大方向、数据分析、销售管理、理论知识、思维方式、分析销售、 ...
2026-07-28在问卷调研、用户分群、效果对比等业务数据分析中,分类变量的关联性与差异性验证是高频需求。卡方检验作为针对离散分类数据的经 ...
2026-07-28 数据分析师八成以上的时间在和数据表格打交道,但许多人拿到Excel后习惯性地先算、先分析,结果回头发现漏了一列关键数据, ...
2026-07-28在Excel数据分析与报表制作中,数据透视表是快速完成多维度汇总、分组统计的核心工具。很多从业者在得到透视表汇总结果后,为了 ...
2026-07-27 很多数据分析师每天与Excel打交道,但当被问到“表格结构数据的基本处理单位是什么”“数据类型误判会引发哪些分析错误”“ ...
2026-07-27当下,我们已然步入数据要素价值全面释放的智能时代。数据不再只是零散的数字记录,更是驱动新质生产力运转的核心动能、滋养人工 ...
2026-07-27【核心关键词】客户、数据分析、指标体系、数据采集、数据指标、业务数据、分析思路、业务需求、分析方法 【专访摘要】本次 CDA ...
2026-07-24在数据分析、业务建模与数字化运营体系中,原始业务数据普遍存在缺失、重复、异常、口径不一致等质量问题,直接用于分析与建模会 ...
2026-07-24 很多数据分析师能熟练计算均值、标准差,但当被问到“如何用一张图让业务方3秒内看懂核心结论”“面对不同数据类型该怎么选 ...
2026-07-24在数据驱动的精细化运营体系中,指标是业务判断、效果复盘、策略优化的核心依据。随着企业数据化程度提升,指标数量持续膨胀,但 ...
2026-07-23在用户运营与产品增长体系中,留存是衡量产品真实价值与用户粘性的核心标尺,也是决定用户生命周期价值、获客投产比的底层因素。 ...
2026-07-23 很多数据分析师精通Excel、SQL、Python等工具,但当被问到“面对一个具体的业务问题,该用什么分析方法”“描述性分析和诊断 ...
2026-07-23【核心关键词】埋点、产品、互联网、数据库、决策、数据分析、产品经理、商业模式、移动互联网、指标体系、运营模块、大数据平 ...
2026-07-22在高并发、大数据量的业务系统中,单表数据量达到千万级甚至亿级后,会出现查询性能骤降、索引维护成本飙升、存储扩容困难等问题 ...
2026-07-22 很多企业团队并非缺乏指标,而是陷入“指标失控”:仪表盘上堆满实时跳动的数据,却无法回答“当前瓶颈在哪、下一步该做什么 ...
2026-07-22在金融风控、企业运营、行业研究等数据分析场景中,大量数据以面板数据形态存在:例如多家分支机构连续多个季度的风险指标、多位 ...
2026-07-21 很多数据分析师每天都在计算指标、制作报表,但当被问到“什么叫指标数据元”“指标数据标准包含哪些核心维度”“指标数据质 ...
2026-07-21