如何成為一個年薪 50 萬以上的數據分析師?
跳入了挖掘機這一大坑一段時間,本來是想往機器學習方向走的,但是我偏金融學的背景時候不被機器學習方向的崗位歡迎,所以往偏業務方向發展。
感覺這一起薪還可以,但是看到身邊做互聯網和金融銷售的同學發展的不錯,月收入畢業幾個月就到7000+的不少,所以想問問一個什麼樣的數據分析師能夠達到50萬年薪+
2017年9月4日 (後續有空再增補)
不知不覺一年過去了。感覺好似經歷了一個輪迴。
回首看,並沒有什麼遺憾或後悔:半年多的時間,得到了破格晉陞(一般而言要兩年時間,很快的也要一年)。從頭孵化的一個項目,從立項、Proof-of-Concept,到給副總裁彙報爭取上線,再到和其他部門工程團隊整個、實地測驗上線,獲得超過100%的轉化率提升,一切都在不到半年的時間內,兩三人的團隊完成(後來隊伍得以壯大到了超過十人),也成了公司高管知曉的樣板項目。
這段時間的幾點收穫:
(1)對於面向業務問題的數據科學/機器學習項目,很多時候難點並不在於某個具體的技術,而在於能夠一條龍跑通(end-to-end),以及在這個過程中需要有拼搏精神、以及主人翁精深(ownership)。不要去分哪些是業務部門的責任、哪些是產品經理責任、哪些是機器學習、哪些是工程,而是要從全局上深入理解問題和挑戰在哪裡,哪裡有需要,就往哪裡上。不管臟活、累活、苦活,迎難而上的態度和必勝的信念往往是最終成功的關鍵。
(2)真正的領導力,不在乎於名頭,不在乎於一時的風光,而在於誰能堅守,誰最後放棄,挑戰和困難出現之時,是誰挑燈夜戰,不願意錯過任何通過努力而降低風險的機會。能夠一條龍地對項目有深刻理解也極為重要。
(3)人不在多,而在於能夠有深刻的信任以及榮譽感——我們雖然只有兩三人,但戰鬥力勝過二三十人。沒有經歷過大公司病,可能不會相信為什麼一個強有力的團隊可以以一頂十。
(4)實際問題驅動的技術創新力量巨大,也能夠帶來極強的成就感。在這個項目過程中,我們研發了一個專利。用到的是微觀經濟學博士一年級的基礎知識,但是卻被用到了一個完全非典型應用的實際場景,靠著直覺和不錯的基本功,硬生生搞出了有效的演算法(儘管不知如何證明,但就是有效)。
(5)成功的配方(尤其對於大公司):(i)實際業務中的痛點 +(ii)切實有效樸實無華的解決方案 +(iii)一些微創新 +(iv)獲得顯著的實際效果 +(v)充分溝通展現風采(AKA 牛逼吹到天上去)。務實加務虛,該踏實時要踏實,該嚴謹時要嚴謹,該登上舞台時也要能夠勁歌熱舞。一般而言,只要前四點做到,業務部門的合作夥伴,以及技術部門的領導們會有力地引領吹牛逼的部分。一般而言有操守的公司,往公司高層吹牛逼也是有理有節的,有多少作為對應吹出多少分貝。
談談大公司病:
去年加入現在的組,主要的原因是覺得雖然有不少問題和挑戰,但是人較少,領導支持也開明;雖然自己剛畢業,但是卻感覺能夠影響組裡的關鍵決策和方向。然而,隨著團隊在今年春天開始快速增長,一些老資歷中層經理的加入,層級化和外行指導內行的問題也日益凸顯。
下面的截圖來自Steve Jobs - The Lost Interview (1995),非常生動地描述了大公司病。我感同身受。這也是為什麼大公司很難進行新品類的產品孵化——在老產品線、部門上做出貢獻的老員工常常空降到新的產品孵化組,照搬他們老一套的管理流程;並不求他們對產品有深刻洞見,然而這些人卻連基本常識都不得其法。
喬布斯在採訪中還提及了一種「病」 —— 就是以為「只要有一個偉大的點子,就等於在孵化偉大產品的路上成功了90%」。然而,偉大的點子離偉大的產品之間,卻有著巨大的距離,這中間需要不斷探索、嘗試、創造、迭代,而奇蹟就在這個過程中產生。而這也恰恰是為什麼大公司難以孵化新品類的偉大產品 —— 層級化的管理、有效激勵的缺失、排資論輩的文化使得優秀而「懂行」的年輕員工難以參與核心決策和引領方向。
接下來的努力方向:
最近兩個月一直在尋找新的努力方向。最終決定加入一家C輪的創業公司,成為他們在機器學習、數據科學方面招聘的第一個員工。
由於之前在大公司做成的項目被公司的高管在一些行業性會議上做了展示,小圈子內還是認可的——雖然還不算開創性的成果,但算是具有先進性的實踐應用。所以在尋求創業公司機會時,可以明顯感到,得到的待遇和重視程度已經和剛畢業的博士生不一樣。公司預期我能夠做出開拓性貢獻,並且較快地成長,從而承擔更多的責任。最終整體薪酬上,也實現了50%-100%的提升(取決於期權部分如何估值)。
這是我自己的經驗和體會,希望對大家有一些啟發。總的而言,我覺得無論在哪,都要有開創精神,爭取快速成長。付出之時不用怕入戲太深,每一步的努力和取得的成績,都會為下一步新的機會鋪路。
-------
2016年9月4日草稿(9月25日草草貼出):
六個月過去了,我順利答辯成功,並且即將結束近四個月的實習。目前拿到了美國西海岸兩個全職工作offer, 薪資待遇都遠遠超過了我六個月之前的保守預期(超過我當時的保守預期大約50%)。在Data Scientist薪資普遍低於一線Software Engineer/Research Scientist的行情下,我的package反而超過了很多一線Software Engineer的package.
我來總結一下這幾個月的收穫。
1. Data Scientist要想拿到堪比一線工程師的薪資,我所知的有三條路:
(1) 在machine learning有非常深厚的積累,例如能夠第一作者發表NIPS、ICML、CVPR、ACL等頂級會議。深度學習的一線博士生的薪資可以非常驚人,特別是那些達到美國一線大學招聘助理教授水準的候選人——這樣的人才可以被巨頭和獨角獸爭來搶去,達到50萬美金的年薪。
【簡稱:「計算機助理教授流派」, Data Scientist - CS AP】
(2) 在engineering上達到Software Engineer/Data Engineer的水平。具體而言,就是能夠拿到一線的Software Engineer/Data Engineer的offer. 也就是說,需要在演算法和編程面試中達到一線水準。
【簡稱:「工程師流派」,Data Scientist - Engineer】
(3) 在數據分析的直覺和訓練上,在對業務和商業的敏銳、深度理解、溝通和軟實力上要有明顯優勢。具體而言,在對商業的敏銳、深度理解、溝通的軟實力上,能否在商業訓練上不遜色於名校MBA? 能否達到頂級管理諮詢公司 (麥肯錫、波士頓諮詢、貝恩諮詢)的進入最後一輪面試的水平?而在數據分析的直覺和訓練上,一個標準是:是否受過非常嚴謹的科學訓練,懂得如何提出假設、用數據檢驗假設、並且規範地寫作和表達?經濟學、商學院、以及一些數據驅動的自然學科或者工程學科的PhD的訓練,對此非常有幫助。具體而言,能否拿到科技公司的Economist/Research Scientist offer.
【簡稱:「經濟學家流派」,Data Scientist - Economist】
由於我屬於第三類情況,所以我接下來分享一下如果是這類背景,如何在一個團隊中最大化自己對團隊的價值和貢獻。
2. 論經濟學家流派的Data Scientist如何最大化自己在工程和研發團隊中的價值和貢獻:
產品經理、諮詢顧問、經濟學家、數據科學家之「四合一」:另一種全棧 (full stack).
要能夠直面複雜和模糊的環境和任務,高效地從內部和外部客戶的溝通中學習,梳理情況和框架,並且直接拿到相關數據,從數據中學習,最終消化透徹,把一個清晰的圖景彙報給自己團隊的工程師和科學家 (work comfortable and productive in ambiguous environment)。
在這個過程中,如何和各種人打交道非常重要,要非常敏銳,要能夠迅速地展現自己的專業素養和正能量(例如和財務部的人交流的時候,讓對方驚訝於你對財務基本概念和直覺的熟悉和敏感等)獲取客戶的信任和配合。總的來說,在複雜的環境中,要能夠直接深入最一線,獲取最直接和底層的信息,而不能只是停留在抽象的概念和假設。換句話說,這類任務需要具備一個優秀產品經理和諮詢顧問的基本素養。
很多情況下,如果讓團隊的工程師直面如此複雜又模糊不清的情況和任務,很有可能大大降低他們的效率。另一個方面,工程師也常常苦惱於自己的努力浪費在了沒有足夠價值和影響力的方向。經濟學中的各種估值模型及其所代表的視角,常常可以幫助量化項目的影響力和經濟價值,也可以幫助和商業夥伴更有效地溝通。
最後,就像投行和諮詢公司的高薪員工有著非常長的工作時間和高強度。Data Scientist - Economist如果想拿到高薪,就不要再去追求什麼生活和工作的平衡。至少在工作的前兩年,徹徹底底、心悅誠服地做一個「工作狂」吧。
【未完。工作以後實在太忙,無法花更多的時間和精力在這篇文章上。或許半年後,我會繼續補充。會著重討論一下如何在技術和商業兩部分職責中找到自己的平衡。】
-------
2016年3月1日更新:
今天一早起來,發現Simon給我的答案點了贊。備受鼓舞,搞得我都想取匿了:)
我自己也是在向Data Science/AI轉方向。即將PhD畢業,找到了一份自己滿意的實習,但還沒有開始工作。等我實踐一陣,有了真正的心得再補充。
---
從經濟學角度上看,工資就是僱主對勞動力的估價。
我們要想一想,為什麼僱主願意花50萬年薪來雇一個數據分析師?因為低於這個價格,勞動力市場上找不到這樣的人!價格由供給和需求決定,問題可以從這兩方面來分析。總的原則是:要在市場上最稀缺的技能點(或是技能點的組合)上努力,使得自己的能力和經驗變得稀缺。
我看之前的答案基本上談到了兩方面的能力:(1)商業分析能力(包括對業務的理解、對行業對用戶的把握、溝通何表達能力等等);(2)技術和工程能力(包括統計基本功、對基本工具的應用能力、對演算法以及前沿的機器學習方法的掌握和學習能力)。
我們不妨將前者稱為軟性能力,後者稱作硬性技術。
首先,不管是軟性能力,還是硬性技術,如果一個人能夠在其中一方面優秀到足夠的程度,50萬年薪肯定都是沒有問題的。舉個小例子:一個頂級管理諮詢公司(麥肯錫、波士頓諮詢、貝恩,簡稱MBB)的諮詢師積累一定的IT行業項目經驗以後,如果跳槽到科技公司的戰略或是商業分析部門,達到50萬年薪是沒有問題的。但是,我想說,這口軟飯極不好吃——需要頂級光環、超強的情商和執行力、並且極強的溝通表達領導能力。這從MBB變態的面試就可以看出來。
接下來我們分析一下,軟硬兩方面各自要好到什麼程度。
(1)如果你要以商業分析能力取勝,你所在的職位一定是經理以上,你需要帶隊為公司解決經營和發展的核心問題。為了增加你的技能稀缺性,你過去參與和領導的項目中最好有真正的海量數據的工程挑戰(當然是工程師們解決的),具有和最優秀的工程師們一起工作的經驗。
想想,Linkedin商業分析部門的前高級總監張溪夢(Simon Zhang),在矽谷華人從事數據分析的圈子裡幾乎無人不知,一手組建了整個團隊,五年內從data scientist晉陞到高級總監。說到具體的機器學習演算法、大數據工程技術,這些並不是他的專長。但是,他能夠深刻理解業務部門的需求,能夠知道如何用幾張圖最大程度地傳遞和決策相關的信息。更重要的是,他能夠領導一個團隊,玩轉從大數據工程 (data infrastructure),到數據分析,到可視化,到最終交付的全過程。這個流程中的每一個技能點都有價值,而能夠「玩轉」則變成了稀有人才。這裡面很重要的是真正的大數據項目經驗——海量數據的情況下有很多工程上的挑戰,雖然有專門的工程師解決,但是作為帶隊的,都需要有一定理解,並且能夠宏觀把握。總結一下就說:一方面要知道跟完全不懂技術的業務部門和管理層用「大白話」溝通,理解他們想要什麼,並且把實實在在有用的東西給他們,讓他們滿意到爽,另一方面又要知道這些需求對應的工程問題的過程和挑戰,要能夠和優秀的工程師一起把事情給做出來。
(2)考慮到題主說的「本來是想往機器學習方向走的,但是我偏金融學的背景時候不被機器學習方向的崗位歡迎,所以往偏業務方向發展」,我就不詳細展開以技術工程能力取勝了。但是,我想說的是,最基本的東西還是要學呀(看了看題主的情況,想必這些應該也已經差不多了):Python, R, SQL什麼的你需要會,Andrew Ng的機器學習課程你要修完吧,Kaggle比賽也需要重在參與地參加一下,Intro to Statistical Learning的書也應該看一遍;最好再積累一些Hadoop, Spark的基本技能和經驗。這幾項都不算太難的東西,如果願意花時間,300個小時之內拿下來應該沒問題。我想說的是,這是一個飛速發展的行業,學習能力和學習態度非常重要。題主可以不走技術道路,但是一定也要在自己力所能力的範圍內不斷努力提升自己。
-------
補充: 1. 題主問:如果是走技術方向,應該要強到什麼程度,情商需要要求達到什麼程度?
回答:我覺得泛泛討論意義不大。你需要有經驗的人根據你的情況給你一些具體的建議。我對題主的基本情況不太了解,我假設題主本科在某211學校學金融(或許也念了金融方面的碩士研究生?),但是沒有系統的統計和計算機訓練,這樣的情況下,你要比較快的轉行,並且提升自己在職場上的價值,可以考慮申請一下美國的研究生,如果能夠去不錯的學校念一個Data Analytics/Data Science的碩士,一兩年時間畢業,在美國找個工作干一兩年把學費賺回來,然後回國,這樣工資就漲上來了。總的來說,你需要一些系統一點的訓練,和一些對口的學歷光環。畢竟,年薪50萬還是超過大部分從業者的。
2. 請問,5年以上開發經驗的C++的程序員轉數據分析師,該如何走呢?感謝!
回答:贊!我作為一個還沒有從業經歷的學生,確實沒有資格回答您的問題。我只能根據我自己的主觀臆想,猜一猜,僅供您參考。我的建議是考慮轉data engineer.
首先,我的觀察(以及聽幾個去年舊金山Spark峰會上遇到的大神說)是美國這邊學CS的最優秀的學生中,很多都選擇做大數據的data infrastructure了,搞基於Hadoop, Spark等的大規模集群開發和管理。美國這邊的情況是data engineer的薪資一般不低於(常明顯高於)data scientist. 如果您可以往這個方面轉,可以找真正在從業的人了解一下。
其次,我覺一個優秀的程序員,轉數據分析確實有很大的優勢。不過也需要看一看自己是否真的會喜歡數據分析——聽好幾個在大公司做data scientist的都說,做數據分析,不像純粹的搞工程,有很多主觀的東西。例如,需要講故事,需要說服別人相信自己的觀點。對於從事數據分析的工作,很重要的特質是善於溝通,特別是善於將高度技術性的內容,向沒有技術背景的人溝通。但是,不是所有的人都喜歡這種性質的工作。
最後,我覺得如果要在machine learning方面做得比較深,對於數理基礎和統計基礎還是有比較高的要求的。不少學數學的學生討厭編程,同樣地,也有不少編程厲害的人討厭數學。您需要評估一下自己在這方面的情況。
總的而言,我覺得除非您特別希望轉向更偏業務和商業方面的數據分析(為管理和戰略決策做支撐),先轉data engineer或許能夠更好地把您之前積累的CS經驗發揮出來。
知乎上關於數據分析的都是花式提問啊-
7000每個月,挺容易的。
50萬每年就很難了
紮實的計算機知識是你拿50萬的一個核心點!
但是20萬一年是不難的
斯坦福大學 《machine learning》
《機器學習實戰》
《統計學習方法》
《利用PYTHON進行數據分析》
這三本書和一個課程,讓我的薪資翻了一倍~~
評論區的 王建明 同學說的我基本贊成!
工程實現非常重要,這也是我為什麼說 計算機知識是一個核心點的原因。 我個人是認為計算機知識會是以後考核一個合格的數據挖掘人員的重要標準。這裡的計算機知識包括:編程,演算法,資料庫等基礎知識!
我在的部門就是BI,但是我們不做報表,只做演算法。所以並不是BI就是做報表的
說一些香港的情況吧(看人工的同時,請自動腦部一下生活成本和行業比較 etc.):
首先,香港在數據分析的技術和工程實現相比內地和美國是落後很多年的,對於很多朋友來說其實是個機會。香港的行業應用主要的阻力是法律法規(在銀行業就特別明顯),企業能投入的資金,公司類型,老闆的眼界(主要分香港老闆,和外國老闆)。
結合很多因素以後,對於分析行業(無論你叫Data Analyst, Customer Insights Analyst, Data Scientist 等等),在香港決定你人工的:行業 ,英語水平,吹牛逼(表達能力),技術 ,跳槽
所以,達到50萬年薪(Base月薪4w左右,不加bonus和其他benefit),你需要
- 夯實基礎
- 技術(數據處理SQL,etc,數據分析SAS,R,etc,以及表現ppt / excel,統計基礎,機器學習-至少會propensity model, decision tree, cluster, etc.)
- 商業理解能力。如何定義你的問題,提出恰當的假設並且用數學模型解決它
- 表達能力(特別是英語),如何簡單易懂地解釋給其他人,你的分析是幹什麼的,有什麼用
- Networking
- 工作1~2年以後,定期參加行業會議,多認識人,了解其他公司在幹什麼,團隊怎麼樣,進展什麼樣等等
- 和老闆,各個部門老闆搞好關係(不用刻意,用最舒服的方式,不過分謙卑,不做作的交流)
- 知道行業裡面有什麼人,你可以學習的或者可以向你學習的
- 選好行業
- 銀行限制多,監管多,數據多,質量好,流程複雜。但是錢多,可以打好你在corp ladder裡面的底子,知道
- 保險機會多,錢超多,監管相對較小,很多創新和成熟的數據科學應用都在這,而且這幾年保險行業蓬勃發展,是數據科學非常好的出路。
- 諮詢。4大最近都在擴招analytics 的團隊,加上nelson,ipsos,tns和epsilon除了傳統的qual,現在也在加強quant的團隊建設,所以機會和待遇也不錯/
- 壟斷行業(零售,航空,物流,電子)機會也多,畢竟壟斷,不缺市場和客戶,有資金投入。
- 定期跳槽
- 內部每年漲薪水是5%,你努力,所有records 都outstanding可以爭取到10~15%
- 內部升職一般可以15%~30%,當然前提也是全部都outstanding
- 香港的跳槽率(junior 可以每年一跳,senior 1~2年一跳,AM 2~3年一跳,M 3~4年一跳。但切記,千萬不要為了工資去跳槽。)
- 跳槽的工資漲幅在15%~30%
所以一個正常努力的分析師在香港的職業道路對應薪酬大概是:
可以參考一下 http://www.morganmckinley.com/sites/morganmckinley.com/files/HK%20Salary%20Guide%202015.pdf (個人感覺偏高一點,36頁)
而且,搞笑的是:
當你收入超過37k的時候,你已經擊敗了90%的香港人...
(參考《2014年香港收入及工時按年統計調查報告》第13頁:http://www.statistics.gov.hk/pub/B10500142014AN14B0100.pdf ,再看看房價和物價,你就知道在香港生活如果不是expat有多慘)
樓主自己對比下吧,看看自己到了百分之幾,然後薪水多少。按比例可以算下,要到50w,需要到達百分之幾。
樓主說數據分析師?這樣的話到50是很困難的,50在國內基本是數據科學家或數據總監等高管職位的平均水平了!數據分析師,目前2w/月算是資歷很高的了!
如果是數據挖掘工程師或者機器學習工程師,那就另當別論了,這種職位經驗豐富的拿到3+每月正常,而且公司根本搶不到人!不過,要求就很高了,懂演算法(調包俠基本廢了)+編程能力+熟悉業務+快速學習能力,即使這樣到50都費勁……
起步不要向錢看了,應該向前看。 這話你可能聽了n遍,但還是想加1遍。
起薪高低對於剛畢業的學生來說,不能太重視,但確實有一定的參考價值,數據分析崗位的起薪高,代表著目前行業發展階段的需求比較大,而且相對有競爭力,對於這個方向有「興趣」(no三分熱),可以多考慮進入。
但是,真的進入這個行業,後續的發展,能達到的高度,還是要靠自己的努力,加機遇,而且能走多遠,跟自己的興趣非常正相關。
即使有人回答了如何達到,就能複製了?
騷年先從十萬年薪做好開始吧。
能創造100萬的價值!
以業務數據分析的能力創造100萬的價值公司每年盈利起碼得在1個億以上吧,這樣你把利潤提高了1%雖然難,但是還是可以實現的。
所以:
第一步:篩選公司(A股B股上找吧!)
第二步:讓他們給你Offer(985、211研究生是起步吧!最好整個常春藤比較穩!)
第三步:熬資歷,秀能力,組團隊,管部門
第四步:讓CEO認可你......
--------------------------------------------------------------------------------------------------上面都是我編的......
年輕人不要好高騖遠嘛,從年薪20W開始一步一個腳印做,別著急!
等我50W了我再來教你吧!(逃
我來回答一下這個問題,因為我也是做數據挖掘,工作三年多,剛好目前是50w+。我淺顯的認為做數據可以分成專做數據分析統計,專做演算法模型調優,會一些演算法模型並懂系統設計能獨立完成一套基於機器學習的應用系統的設計。我是屬於第三者。從周圍的朋友的薪資看,深入演算法模型的在bat,美團,頭條這種公司很容易拿到高薪。懂演算法能設計系統的在二線公司受歡迎,在bat不受歡迎,因為他們演算法和系統已經分得很細,只需要專精一方的人才。專做數據統計分析相對要弱一些,但是若能cover住用戶畫像,反作弊等類似的數據分析,同樣可以拿到高薪。個人感覺做數據分析還是應當多學習一些模型來提高自己,並多思考,想想能根據數據做出一些有用的分析,不能一味的只會報表統計。
去美國
賺美元,匯率優勢。。。
很難了 除非老闆傻
mit新出的data science machine好過70%的人工分析師 成本低(機器自動分析)時間短(人工搞的一個月它2小時搞定)
這是新的(2015年10月以後)工業標準
這是最新的發明 革命性的
這世界變化快
datasciencemachine這東西當然不是徹底取代人力 但是是工業的客觀標準
你演算法贏不了它 不能成為超過DSM的那30% 或者top 10% 最好另謀生路
當然如同跑不贏etf的那些基金經理可以靠忽悠賺錢 但這和技術兩碼事當你喜歡這個行業不去在乎有錢沒錢的時候。
什麼樣的可以50+?
自己開個公司,雇幾個剛畢業的。找一些人傻錢多的中小公司去忽悠,做一期5萬。
一個月做兩期,找20家企業,就是40*5,交了房租稅費雜費40個,發了工資70個(雇十個,兩個銷售一月2300底薪+15%提成大概20個,一個接待文秘一月3500大概5個,其他的月薪4500大概40個。剩下五個年終獎金),咦,還剩90個,留50個發給自己,四十個來年啟動資金。
50+工資已到手,(⊙o⊙)!
註:一個月出兩期分析報告,分開寫即可,還可以單獨拿出來同行業對比。所以是40*5。算數沒錯。
…………補充線…………
鑒於評論里有知友說了問題。我再強調一下,每個月做兩期,一年只需要有20家公司選擇做一個月的,就是40*5=200個。已經包括了種種因素,比如沒有效果公司不再續訂之類的。也就是說,一年只需要忽悠20家公司每家訂一個月的試用版就好了。也就是說,兩個高級銷售員(15%的提成可以招到很牛逼的銷售員!!!)加上老闆也就是我,三個人平均每人一年跑7家公司就夠了,即一個半月談成一家預購兩期就夠了!
快10年經驗年薪5萬+的快銷品公司數據分析師還在加班中,有空再幫你詳細分析分析!!!
1. 苦練LOL, 上到王者組,
2. 找一個LPL戰隊, 去當數據分析師
就是百度T5,6,阿里P7 騰訊T3.1, 畢業狠狠干三年,加上運氣不錯,到級別換個公司一蹦噠。就到了。
平台很重要。
既然金融背景,那就跳去一個大點的券商或者基金公司,你會發現五十萬並沒你想像的那麼難。
個人感覺分析還是偏重對業務的理解,挖掘偏重演算法對技術要求高。我之前做了快5年的數據分析了,偏業務方向的,自己也學了python,spss等等,但是基本沒用到過。不過懂些技術還是有必要的,至少在和技術溝通的時候會更順暢。單純從獨立的分析師角度看薪水,30W是個坎,這個坎主要是時間的積累,1年經驗的一個價,3年,5年又不同。50W是個坎,這個坎可能更看重管理的經驗,需要獨立能搭建管理一個數據分析團隊,如果作為獨立的分析師想拿到50W非常不容易,所以我在快5年的時候轉做商業分析了。
業務分析師想做好並不容易,你對業務的理解,你對行業動態的把握,你的溝通和項目推進能力,你的老闆對你的信任程度都決定了你的產出有多少價值,我以前一直覺得自己做了五年也是水平一般,但是換了公司跟一群沒做過業務分析的人一起工作我覺得我過去五年還是沒白做。
攻破淘寶,攻破股市,拿到用戶數據,掌握消費習慣,進行分析歸類,然後根據買房需求賣用戶數據,上億的用戶信息,一年拿出1000萬條來賣,平均每條1毛錢,也有100萬收入,可以賣個10年,俗稱倒賣大數據
謝邀!
其實也不太難,把老闆罵一頓,或者打一頓,可能工資就會掉到50萬了。
推薦閱讀:
※微軟大數據專家對於第 86 屆奧斯卡金像獎進行預測並有高準確率,從技術角度看是如何做的?
※如何系統地學習數據挖掘?
※用機器學習的方法來處理大數據,是直接學 Spark,還是重點學習 Hadoop,了解 Spark?
※機器學習,數據挖掘在研究生階段大概要學些什麼?