數據分析類崗位目前就業形勢？

01-14

本人大連理工大學研二的研究生一枚，專業信息管理，想從事偏業務的數據分析類工作，目前在學R語言。男票從他正在數據分析找工作的研三同學那裡了解到，這個崗目前並不太好找工作，供大於求，說像我這樣的學渣最好做兩手準備，學學前端啥的(男票覺得我將來就是找不到工作的那種，所以操碎了心啊)。所以我想具體了解一下目前這個崗位的就業形勢到底是怎樣的，還有如果是業務數據分析(涉及高深的演算法，建模啥的我應該搞不定，所以想從事偏業務的)，各位大神是怎麼看待這個崗的，這個崗的就業又是怎樣的，希望各位業內大神幫忙指點迷津啊

可以說未來的公司都是互聯網公司，都需要做數據分析，所以這塊的人員需求會非常大，目前互聯網創業公司，略微有點規模的，都會設置專門的數據崗位，可以說是剛需了。現階段是崛起階段，願意從事這個方向，是很英明的選擇。

我自己在百度工作過八年，有七年都從事大數據分析平台的建設。現在創業的神策數據（http://sensorsdata.cn）也是給互聯網創業公司提供大數據分析服務的，打交道的創業公司非常多，也看到這塊的人才欠缺。你也可以把簡歷私信給我，我可以幫你推薦面試的機會。

不管是國內還是國外，大數據相關的人才都是供不應求的局面。根據麥肯錫報告，僅僅在美國市場，2018年大數據人才和高級分析專家的人才缺口將高達19萬。此外美國企業還需要150萬位能夠提出正確問題、運用大數據分析結果的大數據相關管理人才。

根據根據Linkedin《2016年中國互聯網最熱職位人才庫報告》，數據分析人才被列為Top6的熱門職位。

可以看出，這些職位都是當下任何互聯網公司要建立發展必不可少的崗位，尤其是數據分析人才，伴隨著大數據在互聯網行業更多的應用而愈加重要。

在這份報告中，數據分析人才的供給指數最低，僅為0.05，相當於20個職位同時在競爭一個求職者。這在一定程度上反映了行業現狀，很多互聯網公司都逐漸意識到了數據的重要性，但卻缺乏相關的專業人才來分析和管理數據。

很多學習數據分析的同學也都有這樣一種困惑「為什麼學了那麼多工具，還是不會數據分析?」，原因無外乎兩個，一是只學到了碎片的知識，沒有建立知識之間的連接，無法形式自己的知識體系，二是缺乏實踐，導致無法形成「知行合一」的工作技能。

如何系統學習數據分析？

在學習數據分析之前應該明白幾點

數據初期的準備通常占整個數據挖掘項目工作量的70%左右。
數據分析師本身融合了業務知識、統計學和計算機等學科，並不是新的技術。
數據分析更適合業務人員學習（相比技術人員學習業務來的更高效）
數據分析項目通常需要重複一些毫無技術含量的工作。

職業規劃

以數據分析師為例，先看一下國內知名互聯網數據分析師的招聘要求：

計算機、統計學、數學等相關專業本科及以上學歷；
具有深厚的統計學、數據挖掘知識，熟悉數據倉庫和數據挖掘的相關技術，能夠熟練地使用SQL；
三年以上具有海量數據挖掘、分析相關項目實施的工作經驗，參與過較完整的數據採集、整理、分析和建模工作；
對商業和業務邏輯敏感，熟悉傳統行業數據挖掘背景、了解市場特點及用戶需求，有互聯網相關行業背景，有網站用戶行為研究和文本挖掘經驗尤佳；
具備良好的邏輯分析能力、組織溝通能力和團隊精神；
富有創新精神，充滿激情，樂於接受挑戰

前三個屬於硬體要求，一般而言，有專業基礎(計算機、統計學、數學等相關專業)入行需要3個月以上的學習。對於非專業背景的同學，入行的時間可能需要的更長，建議給自己預留6-12月的時間。而要成為一個熟手(企業用工需求最多)則需要2-3年以上的行業經驗。

Anyway,作為一門對數學和計算機都有較高要求的一門交叉學科，從事大數據是有一定門檻的，但相對於10年以上的職業生涯（國外頂尖數據科學家50-60歲仍然十分活躍），預備半年的時間來學習這個最炙手可熱的技能還是很划算的。

從業務開始

學習一門技術要和行業靠攏，沒有行業背景的技術如空中樓閣。技術尤其是計算機領域的技術發展是寬泛且快速更替的（十年前做網頁設計都能成立公司），一般人沒有這個精力和時間全方位的掌握所有技術細節。但是技術在結合行業之後就能夠獨當一面了，一方面有利於抓住用戶痛點和剛性需求，另一方面能夠累計行業經驗，使用互聯網思維跨界讓你更容易取得成功。不要在學習技術時想要面面俱到，這樣會失去你的核心競爭力。

大數據是技術工具，最終的應用需要深入理解業務企業的業務場景和商業模式，甚至有人說不懂業務就不要談大數據，可見領域知識的重要性。值得一提的是，近幾年在頂尖科學雜誌《Nature》與《Science》上發表的大數據文章都是來自行業專家，而並非計算機專家，這從另外一個方面反映了業務知識的重要性。

get技能

數學知識

數學知識是數據分析師的基礎知識。對於初級數據分析師，了解一些描述統計相關的基礎內容，有一定的公式計算能力即可，了解常用統計模型演算法則是加分。對於高級數據分析師，統計模型相關知識是必備能力，線性代數（主要是矩陣計算相關知識）最好也有一定的了解。
分析工具
對於初級數據分析師，玩轉Excel是必須的，數據透視表和公式使用必須熟練，VBA是加分。另外，還要學會一個統計分析工具，SPSS作為入門是比較好的。對於高級數據分析師，使用分析工具是核心能力， SPSS/SAS/R至少要熟練使用其中之一，其他分析工具（如Matlab）視情況而定。
編程語言
對於初級數據分析師，會寫SQL查詢，有需要的話寫寫Hadoop和Hive查詢，基本就OK了。對於高級數據分析師，除了SQL以外，學習Python是很有必要的，用來獲取和處理數據都是事半功倍。當然其他編程語言也是可以的。

勤於學習

大數據時代的知識，沒有像印刷時代對知識結構視為必須具備的「基礎」知識，知識是非線性的，可以自由組合、切割，處於一種分散和遊離的狀態。未來，你必須具備快速自學和捕捉知識的能力，學習將從一個「知識儲備，學以致用」的過程，向「知識構建，用時再學」的過程轉變，學習將是一個持續的，乃至終身學習的過程。為此你需要具備一種快速而靈活的學習方式。

參與一次系統培訓：
系統培訓能夠幫你規劃並實施一個系統的學習方案，會在你起步的時候構建一個比較紮實的基礎知識框架，這個過程和蓋樓時先打地基的道理是一樣的，地基打的越深，樓房才能蓋的越高。具備項目經驗的講師會講授很多實際工作中的項目經驗，可以帶領大家快速進入正確的學習通道，少走彎路。當然，培訓取代不了工作實踐，如前所述，多在工作中積累業務經驗，技能水平才能提升的更快。
在社區快速學習：
在國外，除了大學，社區形式的學習平台(如http://www.ppvke.com、KNIME)由於知識更新快，學習時間更加靈活，形成了獨特的社區學習(community learning)現象。社區里不但有初學者(freshman)，也是不少頂尖技術專家(Veteran)光顧的地方。社區是一個自由、無中心的交流學習平台，沒有權威，一切都可以質疑和挑戰。當然，如果要和這些高手過招，你必須先打好英語基礎。未來，社區將成為從業者技能get、快速充電的重要渠道，社區或將成為繼高等學校、職業學校以外的一個「無圍牆」的校園。

《大數據-機器學習脫產就業班》第5期，深圳10月30號，僅20席名額！

大數據扯淡的崗位多幹活的崗位不多

嘿嘿

數據分析國內市場發展迅速，不過總體來講還是與美國有差距，所以在這裡PAIR留學分享給你美國數據分析專業就業環境，希望對你以後的選擇以及發展有啟發。

數據分析的就業方向主要分兩類，一類是data analyst ，另外一類是data scientist。地點都是在三藩市、西雅圖、紐約、芝加哥。

Data analyst面對的僱主主要是銀行、四大、保險、投行。

Data scientist主要面向科技公司比較多，也不排除投行里需要的技術含量高的職位。

Data analyst方面大家的專業都比較分散，包括統計學、數學，也有商業分析、信息系統、信息科技等方面的專業。所有專業都是偏向理工類的。

Data analyst最常見的題目就是如果有兩個tables，一個table有全國用戶名字、月收入，另外一個table有全國的用戶的名字和所在城市，怎麼用SQL找出「在北京工作月薪3000以上」的用戶。而Data Scientist比較注重數學模型的理解。

相對來說，Computer Science 和 IT 專業比較好找工作，如果是數學統計專業畢業的會編程也比較好找工作。在美國，有的律師也會寫SQL，總的來說學一點點編程來說對每個專業都很有用處的，律師、會計、金融方面的工作者至少都懂一點點SQL。

目前在美國市場的情況是這樣，希望對你有幫助！