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
【核心关键词】产品、经营、客户、调研、销售额、宏观、会计行业、客户满意度、发展趋势、经营状况、数据分析、竞争对手、数据 ...
2026-07-14问卷调查是市场调研、用户研究、社会调研与产品分析的核心数据采集方式。问卷数据大多以分类数据为主,例如用户性别、年龄分层、 ...
2026-07-14 很多数据分析师画过趋势图、做过业绩预测,但当被问到“这个月销售额增长20%,到底是长期趋势自然增长,还是促销活动的短期 ...
2026-07-14在数据分析、业务效果验证、AB实验扩展、行业对比等场景中,我们经常需要对比三组及以上样本的均值差异,例如不同区域的客单价对 ...
2026-07-13在互联网产品运营、用户生命周期管理与商业化数据分析中,留存指标是判断产品价值、用户满意度与商业模式健康度的核心基准。常规 ...
2026-07-13 很多数据分析师做过按月份的销售额趋势图,画过按天的流量折线图,但当被问到“时间序列和普通数据有什么本质区别”“季节性 ...
2026-07-13【核心关键词】统计学、互联网、知识、课程、学生、数学、软件、招聘、数据分析、实习经历、机器学习、理论基础、业务思维、统 ...
2026-07-10在互联网运营、产品设计、市场营销与商业数据分析领域,所有转化、成交、复购行为的底层逻辑,都依托于用户决策流程。用户从产生 ...
2026-07-10 很多数据分析师能熟练地计算指标、搭建标签体系,但当被问到“画像到底在解决什么问题”“画像和标签是什么关系”“画像如何 ...
2026-07-10数据透视表是数据分析中最常用、最高效的汇总分析工具,具备快速分组、聚合计算、维度拆解、数据可视化等优势,能够轻松完成求和 ...
2026-07-09在统计学、CDA数据分析、机器学习与商业数据研究中,正态分布是最基础、最重要的数据分布形态。绝大多数参数检验、数据建模、指 ...
2026-07-09 很多分析师在设计标签时思路清晰,但真到落地环节却面临“数据在手,不知如何转化为可用标签”的困境:或因加工方式选择不当 ...
2026-07-09【核心关键词】采购、周期、原材料、企业、产品、成本、要素、库存、供应商、数据分析、生产计划、生产制造、加工制造、技术工 ...
2026-07-08在数据分析、特征工程、机器学习建模的工作流程中,原始数据往往包含多个不同维度的数值指标,例如客户交易数据中的消费金额、交 ...
2026-07-08 很多分析师每天和数据打交道,但当被问到“标签是什么”“标签和指标有什么区别”“标签体系如何设计”时,却常常答不上来。 ...
2026-07-08商业谈判是企业采购合作、渠道签约、价格议价、项目合作、客户签约的核心关键环节,直接决定企业的合作成本、利润空间与经营风险 ...
2026-07-07在数据分析、业务效果验证、AB 测试、学术研究等场景中,T 检验是假设检验体系里最基础、应用最广泛的统计方法,也是均值差异分 ...
2026-07-07 很多数据分析师每天都在写SQL,但当被问到“数据查询语言(DQL)的本质是什么”“SELECT语句中各子句的书写顺序与实际执行顺 ...
2026-07-07【核心关键词】转化率、企业、策略、岗位、互联网、拆分、产品、运营、分析师、指标体系、数据分析、用户画像、数据诊断、产品 ...
2026-07-06在数据分析工作中,文本数据处理是高频刚需场景,用户评论、客服工单、日志信息、调研问卷、商品文案等数据都包含大量文本内容。 ...
2026-07-06