2018秋季數據科學行業人才流動與薪資盤點（文末彩蛋）

來自專欄 100offer-互聯網人才流動專刊39 人贊了文章

進入金九銀十以來，不論是緊張備戰秋招的廣大學子，還是拿了半年度獎金後蠢蠢欲動的跳槽者，都對即將投身的新崗位薪資充滿了好奇和困惑。最近 100offer 就收到了不少這樣的留言：「你們有大數據方向的薪資報告嗎？」「什麼時候推一篇數據科學的行業分析？」

對於這個問題，2017 年麥肯錫就已經在分析報告中表示，預計 2018 年數據科學家的缺口在 14 萬到 19 萬之間，數據分析師和經理的崗位缺口則將達到 150 萬。

這組數字無疑是驚人的，不過拋開宏大的敘事角度，著眼於互聯網領域近年的實際跳槽數據，或許能給有志於進入數據科學領域，或已經身處其中、正在考慮新的工作機會的你，有更貼近現實的指導意義。

今天 100offer 就送上這份最新的數據科學行業薪資報告，為還在躊躇的你指點迷津。

忍不住想看彩蛋的童鞋，可以直接翻到文末哦：100offer 與矽谷獨角獸 Udacity 聯合精心策劃的數據科學職場重磅課程上線了，限時優惠等你來領。

說明：

1、文中數據除特別說明外，皆來自 100offer。100offer 是服務於北上廣深杭及新加坡互聯網人才的招聘平台，其中工作 2 年以上的技術人才占 80-90%。

2、樣本範圍： 2015 年 1 月至 2018年 8 月，經篩選進行匿名展示的國內數據類崗位候選人，包括數據挖掘工程師、數據分析師、數據架構師、數據科學家、演算法工程師等崗位。他們收到的面試邀請（以下簡稱面邀）和薪資普遍高於市場平均水平。

3、樣本數量： 涉及 8563 份面邀的 1784 位求職者。

4、薪資計算方式：稅前月薪 X 發放月份，不包含獎金、期權等。

一、數據科學領域，到底有多缺人才？

A 企業需求

我們觀察到，自 2015 年 100offer 的服務範圍開闢了數據類崗位的招聘需求以來，企業發放的數據類崗位面邀佔比就穩步上升。

2017 年，數據相關的崗位佔比到達了近 7% 的小高峰，隨後 2018 年至今有輕微回落。事實上，在整體互聯網行業的技術從業者當中，數據和演算法工程師的崗位佔比也和以上數字相吻合。

在企業需求量穩固上升的同時，數據類崗位的薪資也水漲船高。從 100offer 歷年平均面邀薪資來看，2018 年至今數據類崗位已達 43.4 萬元的水平，比 3 年前增長了37%；且 2015 年至今數據類崗位的面邀薪資都明顯高於技術類崗位的整體平均水平。

而放眼將來，互聯網的下一步革命是建立在人工智慧及大數據演算法之上，儘管時下從事演算法和數據挖掘工作的技術人才仍佔少數，但數據科學領域在未來中短期內，仍然會處於多元發展、選擇眾多、需求旺盛、細分領域專家型人才緊缺的需求上升期。

從職場個人發展的角度而言，無論你是不是技術崗出身，懂數據挖掘和分析將成為數字時代的人才必修技能和職業素養。

B 人才供給

1）求職人數漲勢穩定

近年來數據方向求職者不斷增長。2016 年人數漲勢最猛，而 2018 年至今的求職人數也已經超過了 2017 年全年。

2） 求職崗位以數據科學和演算法工程師為主

在數據方向的求職者中，數據科學家、演算法工程師和數據挖掘工程師是 100offer 用戶最感興趣的三大崗位。

3）「初級-中級-資深」工作資歷的人才梯隊開始形成

從工作年限來看，一方面工作 6 年及以上的求職者佔比有所增多，另一方面，也有大量工作 3 年以下的「新生力量」作為數據領域的人才後備軍。

4）學歷和專業背景出彩

在 100offer 的所有互聯網技術類崗位候選人中，數據科學領域求職者們的學歷門背景相當突出，碩士及以上學歷求職者佔到了一半以上。

同時，學歷專業背景也以「科班出身」居多，計算機和軟體工程類專業背景的候選人佔比高達 43%，人文社科、經濟管理類等非理工科專業的人才在數據科學領域屬於佔比不到 10% 的「小眾群體」。

二、從企業要求與薪資角度，解讀 5 大數據科學崗位

A 數據科學領域的不同崗位職能

數據科學領域有許多不同的細分崗位，各個工種之間的具體職責和職業路徑並非涇渭分明，不同行業和體量的企業中也會有不同的定義。

在 BAT 等大型集團企業中，生成的數據足夠海量、業務邏輯足夠複雜，才會有後文所提到的 5 種職責界限明確的細分崗位。而在數據量相對小的企業，完全有可能 2-3 個崗位就能完成從數據倉庫開發到分析、到前端可視化呈現的所有工作。

以下我們就來分門別類地梳理各個數據科學領域的崗位職能。

1）數據挖掘工程師/演算法工程師

狹義上，數據挖掘工程師的工作內容是負責接收產品或業務方的數據需求，對應不同平台的數據源使用不同的挖掘方法，產出經過初步加工整理的數據。為了完成數據應用的工程實現，他們需要非常熟悉代碼和大數據工具的應用。

廣義上，數據挖掘工程師也需要承擔一部分演算法設計的工作，這就不僅僅是底層的數據採集環節了，還需要參與建模和演算法調優。這就牽涉到另一個崗位——演算法工程師。

其實，在大部分中小型企業中，「演算法工程師」和「數據挖掘工程師」兩個崗位之間甚至不做區分；但在阿里、拼多多這樣的大中型企業中，演算法、數據分析和數據挖掘工程師是完全獨立的三支團隊，數據崗更偏向於前端的數據清洗、處理和可視化，而演算法崗更強調在已清洗規範過的數據上，用機器學習演算法對數據進行分類、擬合和建模。

比如，以下是 100offer 上演算法候選人的典型簡歷內容：

（1）與軟體工程師協作，對 X 版中的 XX 和 XXX 進行優化和改進，對公司用戶的存儲數據進行採集，採樣和模擬，比較不同的演算法在不同數據模式下進行動態存儲分配的的性能。

（2）利用神經網路模型對用戶數據進性建模，訓練和分類，存儲獲得的模型參數和權重，將獲得的模型轉化成預測模型標記語言。

（3）利用機器學習模型和基於規則模型對 XXXX 的所有商品進行危險品檢測，將模型部署用於在線實時分類以及離線批處理分類。

（4）主持人群分類與精準投放、廣告效果歸因分析、商品零售銷量預測、基於匿名數據的跨屏用戶打通、同源樣本庫等項目的研究與開發。

所需技能：

一個剛過及格線的數據挖掘工程師，首先基礎工程能力要紮實，具體語言的要求並非絕對（Java, C++, Go 等）。對演算法和數據挖掘理論知識也要有基本理解，具備學習能力、自驅力和邏輯分析能力等。

除了工程實現能力之外，數據挖掘工程師如果還需要設計演算法，有實際的建模經驗也是必選項。演算法工程師所需的職業素養和考察項，可以拆分為這幾個方面：

● 經驗背景

擁有一定的學術背景是演算法工程師的考察重點之一，包括相關領域經驗、數理基礎、英文論文閱讀。這是因為演算法工程師對數學和機器學習的理論功底要求較高，需了解邏輯回歸、T/F 檢驗，能對現成的模型做調參調優。

● 編程能力

演算法工程師的工程素養其實和一個普通程序員相似，要至少精通一門編程語言(Java，Python, Golang ) ，Java 優先。 熟悉常用的數據結構、演算法等，掌握軟體工程、敏捷開發模型，熟練掌握和應用各種設計模式；有海量訪問系統的開發經驗。

● 業務理解能力和創新能力

業務理解能力，是指要求演算法工程師能將具體的業務場景和問題，拆分、抽象成標準化的數學模型，解決問題，並將模型應用到實際業務中去，讓它產生商業價值。這就要求演算法工程師對業務數據的敏感度，不能僅停留在模型訓練層面，而是要了解數據的業務含義、能夠準確應用數據。如果沒有好的業務理解力，一個你找到的自認為很棒的變數，其實可能只是你理解有誤。

至於創新能力，是對中高級演算法工程師的進階要求，也是對演算法工程師未來潛力的考察。因為只有對各類模型足夠熟悉、經歷的業務場景訓練足夠豐富，才能在遇到新問題時，用創新的解決方案，定位、優化模型並端到端地解決業務問題。

2）數倉開發工程師/DBA

數倉開發工程師和資料庫管理員（DBA）的職責，覆蓋了資料庫的全生命周期，包括前期資料庫架構設計、選型，中期資料庫測試，以及後期的容量管理、性能優化等。兩種崗位都需要對資料庫的穩定和安全性負責，只是數據倉庫開發更側重於軟體開發和工程問題，DBA 側重運維管理，類似於運維工程師。在實踐中很多企業並不做區分，DBA 崗位就包含了開發和運維的所有職責。

DBA 對數學原理的門檻要求相對低一些，對於有工程基礎但數學一般的開發或運維工程師來說，是轉行進入數據科學領域的一條可選路徑。然而，由於 DBA 搭建的是數據工作流中的底層架構，大中型企業對 DBA 的要求也越來越高，在數據量龐雜的中大型企業和重大業務活動場景下（比如淘寶的電商大促、支付類 App 的春節紅包等），能保障資料庫平穩運行就尤其重要。能成功經受此類技術難題考驗的 DBA，在人才市場中仍然非常緊缺。

3）數據分析師

數據分析師需要查詢不同的數據源、處理數據、用統計和數學技能分析並總結，製作可視化圖和報告。這與傳說中的「數據科學家」有一些重合之處。但數據分析師較少負責編程、統計建模和機器學習相關的工作，且數據分析師的級別和視野會比科學家更初級一些。數據科學家善於用廣博的行業知識和精深的數學原理知識，主動發現並解決業務中的問題；而數據分析師更多是被動地收到一些自上而下的工作指令。

所需技能：

Python/SQL/R/Excel/SAS/Matlab等。數據分析師側重對數理統計、數據分析能力和商業邏輯的考察，弱化工程能力，因此數據分析師的專業背景一般來源較廣泛，包括數學、商科甚至其它非理工科專業。

4）數據產品經理/商業分析師

數據產品經理和商業分析師，本質上可被歸為一類。二者共同點在於，都是把來自客戶或業務端的問題，分拆成具體的數據挖掘需求，找工程師或技術經理來實現數據的調用，並將數據最終呈現為某一個產品功能、一套工具、一份報告或解決方案。

而兩種崗位區別在於，商業分析師的工作模式是項目制/課題制的，工作內容具有一定的不確定性。數據產品經理則是把一個個課題，抽象成一類共同的流程，做成一套數據平台（比如廣告 DMP 系統）、工具或者 BI 報表，後續同一類型的課題都能基於它來解決，不需要再 case by case 地從零開始分析。

另外，有些企業的商業分析師定位更偏戰略層（類似於業務部門的戰略分析崗，inhouse consulting），除了關注數據之外，思考維度會提升到公司業務的競品分析、未來走向和戰略制定層面。

所需技能：

數據分析能力，數據敏感度；技術/工具的應用：Excel/SQL是必備項，VBA/R/Python 是加分項；產品經理所需要的通用能力：產品設計能力，對業務邏輯/用戶需求的理解和抽象能力，跨團隊溝通、學習能力等。同樣，商業分析師最重要的通用能力也是跨部門溝通和對業務需求的快速理解能力。

5）數據科學家

數據科學家的職責邊界是由具體的業務形態和數據團隊規模定義的。比如在互聯網金融的場景下，數據科學家的工作定位就相對清晰：迭代和優化數據模型，產出精準的用戶畫像，實現信貸反欺詐和資產定價的自動化流程。

拋開具體業務場景不談，通常意義上的數據科學家，到底是做什麼的？可以從某份數據科學家的 JD 一探究竟：

從這份 JD 引申開來，Data scientist 可分為兩個不同的方向。

一是對前沿演算法的研究。將最新的會議、學術論文或前沿技術加以驗證，甄選出能落地到公司業務場景中的演算法；幫助數據團隊發現問題，並選擇和構造正確的指標。

在有些公司，這類數據科學家又被稱為「演算法專家」。他們需要精通演算法模型的數學原理和統計學理論，理解黑盒是如何運作的，甚至寫出全新的演算法。

因此，這類數據科學家需要有相當過硬的統計學、數學或機器學習方向的學術研究能力，學歷以碩博居多。

二是工程和應用方向。這類數據科學家除了紮實的演算法和數學理論之外，編程技能必須是資深級別，能帶領團隊甚至是獨立完成整個數據工作流的內容（從資料庫平台搭建、數據挖掘與清洗、數據分析到用戶畫像和前端呈現）。

所需技能：

廣義上，數據科學家可視作為前幾種崗位的資深從業者。除了對工程和數學的精通之外，還要對行業有足夠獨到的商業洞察力和戰略眼光，可帶領團隊為檢驗公司的決策做數據支撐，甚至驅動公司制定決策。

B 各崗位平均薪資與面邀數

在各類數據崗位中，數據科學家和數據挖掘工程師是年薪最高的兩個群體，演算法工程師緊隨其後。其他幾個工種間的薪資差異不大，基本都能達到 25 萬以上。

此外，數據科學家和演算法工程師的簡歷在 100offer 平台最受企業歡迎，平均每位候選人會收到近 5 份來自不同企業的面試邀請。

經統計，在各個崗位中，數據科學家、數據挖掘和演算法工程師在高薪的同時，候選人的平均工作年限也最高，約 3.9 年；而數據分析師和 DBA 二者，則是更適合入門新手的非技術崗（2.9年）和技術崗（2.6年）。

三、100offer 說

以上就是《數據科學行業薪資報告》的精選內容，

在完整版報告中，我們還將為你闡述：

• 技術更迭如此之快，哪些才是數據科學行業的典型技術和關鍵應用場景？
• 數據科學領域的縱向和橫向職業發展路徑有哪些？
• 從初級、中級、資深數據工程師到數據主管，不同級別崗位間的能力模型區別是什麼？

沒看過癮？點這裡即可免費下載報告全文：