同樣是互聯網相關行業，數據分析是否比前端開發更難，如果是，為何數據分析崗位薪資普遍比前端崗位低呢？

01-14

為什麼覺得難做的東西工資高，就是學生思維呢？
都是完全市場化的領域，不存在體制內或者大學那種附加利益，如果a技術含量更高，想轉到b相對比較容易，同時a比b工資低。那麼肯定很多人會從a轉到b嘛。
不過看了大家的答案我大致了解了，很多掛出來招數據分析師的jd，其實是在招excel小能手。

----
16年自學前端開發，達到中級水平，最近自學數據分析相關知識，直觀感覺是數據分析比前端開發更難，至少門檻更高，需要更多的數學知識。
於是我推測，已經有能力做數據分析的人，以及有潛力做數據分析的人，肯定是比前端工程師加上有潛力成為前端工程師的人要少的多。
或者可以這麼說，有能力做數據分析的人，想成為前端工程師，並不算難，但是反之不然。

於是順手看了一下數據分析師的招聘，發現同級別同檔次的崗位，數據分析師招聘給出的薪資普遍比前端開發還要低一點。尤其是初級，中級，高級崗位。專家和管理崗位不顯著，但是那些崗位比拼的已經不僅是職業技能了，影響因素太多。
請問這是為什麼？
一個顯而易見的答案是市場供需原因。數據分析師少，但是需求更少。
另外想到一種可能是，數據分析入門門檻高，但是入門之後可自由發揮的程度不如前端大，導致人才同質化，拉不開差距。
也想聽聽大家的看法。

湊個熱鬧，按我以前面試經驗看，題主有個想法應該是對的，就是需求不能算太多，雖然很多公司有這種崗位，但社招少有太大量招的，很多都只招一個兩個那種。實際工作來說，如果不是精力和時間壓力太大的話，甚至一個老手都足以撐起一條業務線。

此外數據分析入門門檻其實不高，題主不要被網上數據分析師里的描述騙了，那種掌握各種技能理論的數據分析師是有的，但不能代表全部。有那麼一部分公司對數據分析的需求可能真的就是個出報表的，待遇可想而知，當然往上走能好不少。

另外，數據分析師是分方向的，數據分析很多時候比較偏業務崗，不是所有數據分析師都能偏向技術方向的，有的甚至可以不懂python或者R。一般來說大公司會好些，對分析師技術上的要求要高點。

其實如果換成數據挖掘崗待遇會更好，另外如果像互聯網金融的話，對於數據分析的要求也可能會更偏建模和機器學習。

反正還是看時間吧，從以前接觸過的一部分公司來看，感覺有些公司的數據感覺不是很好，看未來的數據思維會普及成什麼樣吧。

如果你指的是 data analyst 而不是 data scientist；那麼 da 需要行業知識，也就是轉行到其他行業做 da 其實並沒有那麼容易，而且工資被行業鎖死（比如我們不會覺得部分投行的 da 拿錢比前端少，但是其他行業就悲劇了）

另外 da 和 ds 很難獨立干項目，如果只是運算量還可以考慮小型集群，但是爬數據和拿數據，甚至是自己做 data pipeline；理論上可行，但是真能做到的都是讓萌新們瑟瑟發抖的存在。這也對項目展示和萌新入行都不友好。前端的入門項目多好做不需要我來說了吧。

最喪病的地點是有些公司中 da 主要乾的是寫 Excel 和寫 sql，所以...da 可能被當成了普通文員

最後，da 需要寫報告技能，但是寫報告技能如果不是特別厲害的話是減工資向。

題主觀察的很仔細啊。

但是結合前兩年很火的崗位產品經理就不一樣了！數據產品經理，你搜一搜就不比前端低了。原因是數據產品不但要會數據分析做報表，還要負責解決實際的問題。

這裡隨便舉幾個例子：

電商需要分析業務數據，品類數據哪些組合可以賣的更好，哪種折扣方式用戶更願意買單。

數據產品可以直接用演算法、個性化推薦解決需求。

數據分析師能做啥？

類似的還有內容推薦、增長黑客，大型企業的可視化數據平台，定製化Dashboard,風控數據模型等等這些都可以由數據產品經理輸出相應的產品方案解決問題，而單純的數據分析師是做不到了。（這裡不指金融、保險、房地產類的規劃分析師）

說到底，單純的數據分析，如果不是特別牛逼的存在，並不能解決企業實際問題。

薪酬由市場決定，更準確的說法是薪酬由你創造的價值決定。價值有主觀成分在內，如果你創造的價值不被認可等於不創造價值。所以薪酬低其實就是市場對這個角色創造的價值定位不夠高，你必須創造更高的價值並且改變別人對這個角色的認知才能獲得更高的薪酬。

至於「越難做的事情薪酬應該越高」，這是教育體系遺留的陰影，趕緊走出來。

謝邀！

題主的角度非常好，你的問題確實是當下真實存在的。

第一，前端是無可替代的，據某個從騰訊出來的CTO說，後端有可能未來會被人工智慧取代，但是前端基本上不太可能。可見這個崗位確實有競爭力。

第二，數據分析崗位你說的涉及的知識面廣沒錯，但是數據分析崗涉及的工作類型多也是不爭的事實。之前在某知名電商平台工作過，公司的數據分析師崗位，主要的工作內容就是，把生意參謀上的數據放到 Excel裡面做個匯總，同時匯總幾個競品的數據，分析結果提交給運營負責人即可。可以說，這樣的數據分析崗只要會 Excel 就行。

第三，前端的需求一直是剛需，而數據分析崗，如果要節約預算，這個崗位很可能是第一個砍掉的。

綜上，需求決定了薪資。另外，數據分析崗薪資較低是因為被平均了，很多數據分析的崗位，並不需要具備專業知識，會用一兩個工具就能夠上崗。牛逼的數據分析師，確實還是年薪制的，較為低端的數據分析崗，和掃街的阿姨工資差不多（沒有職業歧視的意思，只是薪資作比較。）。

看情況吧。

給一個數字參考下。26歲，私募基金Data Scientist，500K+。

公司私募，數據量TB級別的，希望做大數據分析。我就搭建了一個用來數據分析的服務架構。核心是Hadoop和Spark，棄用Map Reduce，用MLlib來做機器學習。UI上準備Zeppelin做可視化，Sqoop和Flume來做ETL。原則上組件都用最新的，所以基本上都要閱讀官方文檔及查看log報錯才能沒有問題的搭建好。

從架構設計到系統搭建，再到數據分析（包括機器學習、演算法調參等），都由我一個人來搞定。系統架構方面前前後後花了近一個月。下面就是整個的Architecture：

之前的部分工作交給了帶的實習生，後面可視化做好後，待系統穩定，就準備分一些比較Easy的分析類小Task給新同事了。

現在感覺忙成狗，不比碼農們舒服。所以收入也不算低。可能比一些同齡的前端高？

不管哪個公司，收入跟產出正相關，嗯。

非常巧，我就是一個在做大數據產品的前端工程師。實際上前端也分多個方向，在數據可視化這個方向上，不管是底層圖表庫的研發還是數據可視化應用比如BI產品開發，複雜度和技術含量都是很高的。

舉個例子，我們現在的產品的某個頁面上的js代碼達到了六萬行（排除了nodemodules的），有些圖表如維恩圖由於找不到好的解決方案只能用d3做，光是布局演算法就看了整整一周。

有幾個名詞，你得搞清楚。

數據分析師，分很多種。

最初的，就是使用Excel。

新手一個月，就能熟練使用Excel常用操作。

比前端，簡單多了。

升一級，就是簡單的python+sql。

這個和入門級前端，學習成本差不多。

再升一級就是調包俠。

這個就沒法評判了。

初級調包俠，沒啥基礎含量。

就那三板斧，每個方法試一試。

哪個好用哪個。

到這裡，基本上都不需要啥數學。

學習難度，也不大。

再往上走，就是數據挖掘工程師，和研究員了。

這裡才需要懂原理。

別的不知道，研究員，基本上是30K起步。

我沒看出，哪裡工資低了。

市場決定價格，前端一開始的薪資就是美工崗薪資，現在慢慢變好了。數據分析師一樣需要成長，現在入門級的太多，大家都想入行，供需關係決定的。

大數據方向其實也有不需要演算法和數學特別厲害的崗位，比如數據清洗，數據存儲，產品應用開發和運維。和做普通的web開發沒什麼太大差別。

數據分析崗位更多的是需要貼近行業，你看看現在培訓機構做的數據分析題目，不是電影就是豆瓣音樂，知乎大v這一類公開數據，換了企業數據，完全又是另外一套玩法了。

成長的空間還很大，薪資會慢慢補上來的。

樓主把自己的學生思維收收吧，這個社會形形色色的職業，難道是越難工資就越高嗎。

首先題主說的數據分析師因該是偏數據挖掘那一類的分析師。

實際上數據分析也分為兩個方向，一個是業務方向（用數據支撐產品的運營，營銷等），另外一個就是技術方向（如數據挖掘，機器學習之類的）。

不同的公司對數據分析師的定位也不同，看題主的意思應該是指技術這一類的了。

按理說工資應該和技術類工資無二，但因為很多的企業一方面對數據沒有很大的重視，另外再數據行業的規範也不完善，所以才造成了題主看到的薪水不高的現象。

不過，我相信隨著數據的價值逐漸提高，這一現象會有所改觀的。

需求決定的。你看搞科研更難，大學老師收入也不高啊。

個人觀點:

靠譜的數據分析(非報表)的待遇都還湊合。不管是LR還是ML調參。

另外，至少在我司，分析人員的工作強度遠遠低於開發人員。

業務和技術兩個都有優勢，本人更看好業務方向(懂機器學習的基礎上搞業務會效率高)。搞技術很難創新，難不成你再發明個Deep Forest？

分析人員如果能看到Big picture就更值錢了，上限也很高。

利益相關，某2線廠做數據模型的。

如果夠技術牛逼還是做AI吧，起薪百萬啊。

我來強答一記。

個人覺得數據分析之所以工資不高，實際就是入門門檻太低。國內外大部分公司所謂的數據分析，excel都能解決，而excel幾乎是可以速成的。最大加個access或者sql。

有人提到大數據，還有數據科學家，這些職位目前來看會比單純的分析師高，但是也在下降。不是說大數據或者數據科學門檻變低，而是這些概念本身很模糊。很多小企業，覺得自己數據量很大，說弄個大數據吧，一問幾十幾百G而已；還有很多企業，覺得數據科學家這個名字好高大上啊，為了吸引簡歷，就隨便po一些數據科學家的職位，但實際就是做數據分析師的工作。這個現象不局限於國內，國外很多傳統行業轉型，為了抓住潮流，也招這樣的，但基本你可以從薪資看出具體工作內容。

這種定位的模糊，就造成了所謂的大數據工程師，數據科學家，數據分析師的崗位良莠不齊，薪資自然拉下了。前端為啥高（個人覺得前端算是所有碼農里比較低的）？因為定位準確，招前端就是做前端的事，技能都設定完備的。

比較兩者的薪金，最好不要比最小值，甚至不能比平均值，而要看薪金分布，真正的大數據人才，數據科學家薪金應該是遠超高級前端的。

畢竟大平台招數據分析的比較多，福利待遇也更好，所以薪資差不多也會有很多人去，那他們為什麼還要抬高工資，前端就不一樣了，小的平台想要搶人就只能儘可能的抬高工資

對於問題本身的回答很簡單：產生的價值決定你的薪資。

以下來說說為何數據分析師無法在目前大多數公司的環境下產生價值。

1.分析結論無法對實際生產產生很高的指導意義。

舉個極端點的例子。

某白酒要投放廣告，請來一數據分析師，在收集了大量基礎數據、通過較為完善的數據建模分析計算後，為這次的廣告投放得出以下一些結論:

a.重點投放18歲以上人群

b.重點投放男性

c.不投寧夏

好，報給老總，老總當場就拍桌子發火了，你他媽算的什麼結論，老子用屁股都能想得出來。

a.未成年不給買酒！b.女性自己喝白酒的和買白酒叫別人一起喝的能有幾個！c.寧夏那麼多回族，回族能喝酒么

那我請你數據分析個什麼雞8？我請個做五年白酒銷售的都比你有用。

2.原始數據的缺失導致數據分析的意義大大降低。

這裡來說互聯網行業。

純線上的可能好點，但還是有大量用戶特徵數據缺失。

O2O線下環節無法完成數據閉環的太多了。

最後導致，不需要專門的數據分析師，對於產品的數據一般由產品經理來分析，對於運營的數據由運營來分析，只需要幾個收集整理EXCEL的小姑娘就行了。

文科生，現在是否可以學數據分析，如果可以學，那應該先學哪些基礎的知識，然後再深度學習？

看要求咯。

一種數據分析是運營類的，熟練excel，會sql，了解Python

一中數據分鐘是技術類，熟練Python，會機器學習相關演算法等等

這真的是數據分析被黑的最慘的一次吧

老哥，哪個行業都有大公司、小公司之分，也有高利潤、低利潤之分。

1、數據分析，有的只是用excel表格整理整理數據，也有用機器學習進行數據挖掘，這兩種區別能是一樣的薪酬嗎？

2、前端開發，有的小公司開3k以下，有的開15k以上，這兩種能是一樣嗎？

3、請注意不同數據分析師的能力差別，不同公司的發展狀況差別。一個公司裡面，同一職級的工程師，做數據分析的演算法工程師，比前端工程師要高得多。

PS：2018年，應屆生裡面，有拿500k/年offer的演算法工程師，也有拿3k/月offer的外包公司前端。