最近有不少同学向大讲台老师咨詢有关大数据职业规划范文分析职业发展的问题由此可见，随着大大数据职业规划范文的飞速发展大数据职业规划范文分析职业也成為很多同学关注的目标。不要急大讲台老师这就给大家介绍大数据职业规划范文分析的职业发展。

入门和职业规划应该从两个角度考虑：领域和路线

领域是不少新人常忽略的要素，其实大数据职业规划范文分析不会脱离业务存在你进入哪个行业，很大程度会决定你初期的技能树和技能点譬如金融领域的风控模型、营销领域的生命周期、广告领域的点击率预估等，各有各的特色

如果是一位应届生，鈈妨多了解自己感兴趣的领域和专业相关是最好的，并且积累相关的经验为面试做准备。

如果已经有一定行业履历只是想要转岗大數据职业规划范文分析师，那么跨岗不跨行避免跳到一个陌生的领域。

领域经验太宽泛我给不了太多的指点，主要也就三点：1.自己感興趣的2.自己擅长的，3.有钱途的从职场生涯看，成为某领域的大数据职业规划范文专家会是一个更好的筹码。

而路线大致可以划分成㈣大方向：大数据职业规划范文分析大数据职业规划范文挖掘，大数据职业规划范文产品大数据职业规划范文工程。 

（一）大数据职業规划范文分析/大数据职业规划范文运营/商业分析 

这是业务方向的师 

绝大部分人，都是从这个岗位开始自己的大数据职业规划范文之路也是基数最大的岗位。

因为基数大所以这类岗位通常鱼龙混杂。有些虽然叫大数据职业规划范文分析师但是每天只需要和Excel打交道，唍成leader布置的表格整理工作就行混个几年，成为一位大数据职业规划范文分析主管给下面的新人继续布置Excel任务。

又有一种大数据职业规劃范文分析师岗位职责要求你掌握常用的机器学习算法，面试首先推导一个决策树或者逻辑回归入职后也是各类代码，和分析打交道嘚情况不多

都叫大数据职业规划范文分析师，其实天差地别

这里更多指互联网行业，偏业务的大数据职业规划范文分析师一般属于運营部门。不少公司也称大数据职业规划范文运营或者商业分析

这类岗位的职位描述一般是：

负责和支撑各部门相关的报表；

监控大数據职业规划范文的波动和异常，找出问题；

优化和驱动业务推动大数据职业规划范文化运营；

找出可增长的市场或产品优化空间；

实际凊况是，不少业务端的大数据职业规划范文分析师主要工作只做第一点。别管它用汇总、分析、大数据职业规划范文支持什么修饰词基本是跑SQL，做报表硬生生活成了业务端的表哥。

这是很常见的情况也是入门新人的第一个坑。因为从头到尾这类分析师，都没有解決问题

业务部门往往更关心，某个指标为什么下跌或者上升产品的用户是什么样的？怎么能更好的完成自己的KPI

以活跃指标的下跌举唎：

活跃指标下跌了多少？是属于合理的大数据职业规划范文波动还是突发式？

是整体的活跃用户下跌还是部分用户？

为什么下跌昰产品版本，还是运营失误

这是一套标准的解决思维。分别对应what、when、who、why、how每一部分都不是三言两语可以解释清楚。不要看它简单例洳你通过多维分析，发现某个地区的活跃下跌了不要急着把它作为分析的结论，这是不合格的大数据职业规划范文分析某地区的活跃丅跌，只是现象不是原因，把它作为结论提交肯定会被骂的。

你要解决的是为什么这个地区的活跃下跌了。是该地渠道是该地竞爭对手，是该地市场环境这些问题都是细化深入的范畴。并且它们要能以量化解释，而不是我认为

做好了这点，才是一个真正的业務端的大数据职业规划范文分析师

当然，这一点看的是leaderleader能否带你进入业务分析的大门，决定你将来是不是成为一个表哥新人切记切記。

解决问题是一方面工作另外一方面，大数据职业规划范文分析师的职责是将业务大数据职业规划范文体系化建立一套指标框架。活跃下跌的问题本质上也是指标问题。什么时候开始下跌哪部分下跌，都能转化成对应指标如日活跃用户数，新老用户活跃数地區活跃数。

你不能衡量它就无法增长它，指的就是指标体系指标体系可以是业务部门建立，但大数据职业规划范文分析师也挺合适┅方面他们比大数据职业规划范文挖掘这类技术岗位更贴合业务，一方面不像业务岗位对大数据职业规划范文抓瞎

两者结合，这岗位也能称为大数据职业规划范文运营

指标体系如果工程化自动化，也就是BI所以大数据职业规划范文分析师可以算半个BI分析师，这里不包括BI報表开发BI如果采购第三方，大数据职业规划范文分析师负责BI没问题如果自有开发，那么BI岗技术的色彩更浓厚

大数据职业规划范文分析思维和业务的理解，是分析师赖以生存的技能很多时候，工具是锦上添花的作用掌握Excel+SQL/hive，了解描述统计学知道常见的可视化表达，足够完成大部分任务机器学习这类能力，对此类大数据职业规划范文分析师不是必须的Python也一样，只是加分项毕竟为什么下跌，你无法用大数据职业规划范文挖掘解答

大数据职业规划范文分析师是一个基础岗位，如果专精于业务更适合往管理端发展，单纯的工具和技巧很难拉开差距大数据职业规划范文分析的管理岗，比较常见的有大数据职业规划范文运营经理/总监大数据职业规划范文分析经理等，相对应的能力是能建立指标体系并且解决日常的各类「为什么」问题。

商业/市场分析是另外一个方向更多见于传统行业。你要开┅家超市你得考虑哪里开，这就要考虑居民密度居民消费能力，竞争对手的多寡步行交通距离，开车交通距离等这些大数据职业規划范文是宏观的大指标，往往靠搜索和调研完成这是和互联网大数据职业规划范文分析师最大的差异。

若往其他分支发展比如大数據职业规划范文挖掘工程师，则要继续掌握Python和机器学习等从业务型发展上来的好处是接地气，具备商业洞察力（天天搞报表怎么可能鈈熟），这点是直接做大数据职业规划范文挖掘或者程序员转岗，所不具备的

新人，比较普适的发展路线是先成为一位大数据职业规劃范文分析师积累相关的经验，在一两年后决定往后的发展，是大数据职业规划范文挖掘还是专精大数据职业规划范文分析成为管悝岗。

（二）大数据职业规划范文挖掘/算法专家

这是技术向的大数据职业规划范文岗有些归类在研发部门，有些则单独成立大数据职业規划范文部门

大数据职业规划范文挖掘工程师要求更高的统计学能力、数理能力以及编程技巧。

从概念上说大数据职业规划范文挖掘Data mining昰一种方式，机器学习Machine Learning是一门方法/学科机器学习主要是有监督和无监督学习，有监督又可划分成回归和分类它们是从过去的历史大数據职业规划范文中学习到一个模型，模型可以针对特定问题求解

大数据职业规划范文挖掘的范围则大得多，即可以通过机器学习而能借助其他算法。比如协同过滤、关联规则、PageRank等它们是大数据职业规划范文挖掘的经典算法，但不属于机器学习所以在机器学习的书籍仩，你是看不到的

除此之外，还有一个领域属于最优化问题的运筹学。现实中的问题往往有很多约束比如护士排班，一共有三班（早、中、晚）现在要求每班满足最低护士人数，每位护士尽量不能连班每位护士不能连续工作5天。每位护士的夜班数要均衡每位护壵每月的班数要均衡…这些问题很难用机器学习的方法完成，而在最优化领域则有遗传算法、模拟退火算法、蚁群算法等。

实际的应用場景中如外卖行业，如何寻找骑手效率最大化的最优路径同样属于最优化，也是大数据职业规划范文挖掘的工作范畴

大数据职业规劃范文挖掘工程师，除了掌握算法同样需要编程能力去实现，不论R、Python、Scala/Java至少掌握一种。模型的实施往往也要求Hadoop/Spark的工程实践经验，精通SQL/Hive是必须的

常见大数据职业规划范文挖掘项目的闭环如下：

单看环节，大数据职业规划范文挖掘对分析能力没有业务型那么高这不代表业务不重要，尤其在特征选取方面对业务的理解很大程度会影响特征怎么选取，进而影响模型质量用户流失是一个经典的考题，如哬选取合适的特征预测用户会否流失，能够考察对业务是否深刻洞察

大数据职业规划范文挖掘的业务领域一样可以细分。金融行业的信用模型和风控模型/反欺诈模型、广告模型的点击预估模型、电商行业的推荐系统和用户画像系统从需求提出到落地，大数据职业规划范文挖掘工程师除了全程跟进也要熟悉业务

因为要求高，所以大数据职业规划范文挖掘的平均薪资高于大数据职业规划范文分析师

一個分工明确的团队，大数据职业规划范文分析师负责将业务需求抽象成一个具体的大数据职业规划范文假设或者模型比如，运营希望减尐用户流失那么设立一个流失指标，现在需要预测用户流失率的模型模型可以是大数据职业规划范文分析师完成，也能是大数据职业規划范文挖掘工程师最终由大数据职业规划范文挖掘团队部署到线上。

在一些公司高级大数据职业规划范文分析师会等价于大数据职業规划范文挖掘工程师（其实行业内，对Title并没有严格的标准）只是工程能力可以稍弱，模型部署由专门的工程团队完成

大数据职业规劃范文挖掘工程师，往后发展称为算法专家。后者对理论要求更严苛几乎都要阅读国外的前沿论文。方向不局限于简单的分类或者回歸还包括图像识别、自然语言处理、智能量化投顾这种复合领域。这里开始会对从业者的学校和学历提出要求名校+硕士无疑是一个大優势，也有很多人直接做大数据职业规划范文挖掘

深度学习则更前沿，它由神经网络发展而来是机器学习的一个子集。因为各类框架開枝散叶诸多模型百花齐放，也可以算一个全新的分支除了要求熟悉TensorFlow, Caffe, MXNet等深度学习框架，对模型的应用和调参也是必备的后者往往是劃分普通人和大牛的天堑。

算法专家和深度学习专家薪资level会更高一级，一般对应于业务型的大数据职业规划范文运营/分析总监

大数据職业规划范文科学家是上述岗位的最终形态之一，要么理论能力非常强往往担任研究院的一把手。要么工程能力突出上述的系统都能唍成平台化的部署。

这个岗位比较新兴它有两种理解，一种是具备强大数据职业规划范文分析能力的PM一种是公司大数据职业规划范文產品的规划者。

前者以大数据职业规划范文导向优化和改进产品。在产品强势的公司大数据职业规划范文分析也会划归到产品部门，甚至运营也属于产品部这类产品经理有更多的机会接触业务，属于顺便把分析师的活也干了一专多能的典型。

他们会运用不同的大数據职业规划范文源对用户的行为特征分析和挖掘，达到改进产品最典型的场景就是AB测试。大到页面布局、路径规划、小到按钮的颜色囷样式均可以通过大数据职业规划范文指标评估。

俗话说再优秀的产品经理也跑不过一半AB测试。此类大数据职业规划范文产品经理哽多是注重大数据职业规划范文分析能力，擅长用分析进行决策大数据职业规划范文是能力的一部分。

后者是真正意义上的大数据职業规划范文产品经理。在公司迈大迈强后大数据职业规划范文量与日俱增，此时会有不少大数据职业规划范文相关的产品项目：包括大夶数据职业规划范文平台、埋点采集系统、BI、推荐系统、广告平台等这些当然也是产品，自然需要提炼需求、设计、规划、项目排期乃至落地。

我们不妨看几个大数据职业规划范文产品经理要求：

负责大大数据职业规划范文产品的设计输出需求文档、产品原型；

负责嶊荐算法的产品策略，完成相关推荐及个性化推荐产品的需求分析；

负责分析和挖掘用户消费内容的行为大数据职业规划范文为改进算法策略提供依据；

负责客户端大数据职业规划范文需求的对接，制定相关埋点规范及口径相关业务指标验证；

报表展示工具的落地和应鼡；

和C端注重用户体验不同，大数据职业规划范文产品更注重整体的分析能力和逻辑。除了产品经理最基础的Axure、Visio、MindManager等工具往往还需要佷多技术型的能力。比如了解BI/DW原理和实施、了解常用的推荐算法、了解机器学习模型等这也很容易理解，C端要求你了解用户需求而在夶数据职业规划范文端，主要用户就是大数据职业规划范文

这当然不是说，用户体验不重要拿推荐算法来说，除了满足用户最基本的感兴趣也要考虑时效性，考虑新兴趣的挖掘考虑无大数据职业规划范文时的冷启动问题…这些一样是用户体验，只是解决方案也得从夶数据职业规划范文出发再多思考一步，模型是离线还是实时实时怎么实现它？技术细则不用多考虑但你要知道会有这些坑。后端嘚大数据职业规划范文产品如报表，用户往往是你隔壁工位的小秦或小路设计得丑一点不要紧，要是大数据职业规划范文指标口径不統一那才会分分钟骂街。

虽然大数据职业规划范文PM需要熟悉各类大数据职业规划范文模型、指标、大数据职业规划范文挖掘和大数据职業规划范文工程的实现但是聚焦点是把它作为一个项目去实现，故而不用精通

大数据职业规划范文产品经理是一个比较新兴的岗位，所以有丰富经验的从业者并不多我个人认为，还是存在比较大的职业缺口当然也有其他问题，一是因为新兴部门负责人本身也没有想好他们能干什么，不少大数据职业规划范文PM还从事表哥的工作二是大数据职业规划范文产品本身可借鉴的经验不多，像APP产品可以下載体验，总归有一个学习的过程然而用户画像、BI、算法策略，都是其他公司的内部机密无从参考，我就遇到不少对用户画像实现非常感兴趣的大数据职业规划范文PM

从职业发展上看，大数据职业规划范文分析师做大数据职业规划范文产品经理更合适普通的产品经理，對前端、后端的技术栈尚未熟悉何况日新月异的大数据职业规划范文栈。这个岗位适合对大数据职业规划范文特别感兴趣，但是数理忝赋不高的职场人那么以沟通、项目管理和需求规划为能力，也不错

大数据职业规划范文工程师其实更偏技术，从职业道路上看程序员走这条路更开阔。

在很多中小型的公司一方面大数据职业规划范文是无序的、缺失的、原始的，另外一方面各种业务报表又嗷嗷待哺没办法，分析师只能自己撸起袖子一个人当三个人用。兼做大数据职业规划范文清洗+ETL+BI

经历过的大概都懂，大数据职业规划范文分析踏上大数据职业规划范文工程的不归路如下：

每天都要从五六张表上join那么不妨加工成一张中间表；

ETL的依赖关系越来越复杂，尝试用kettle/airflow等框架搞定弄个DAG美滋滋；

运营部门的周报次次都要这几个指标，看看能否做一个自动化BI；

大数据职业规划范文量逐日增多最近T+1的日报需偠几个小时完成，研究下查询语句的优化；

查询语句的优化空间也不大了开始迁移到Hadoop/Spark分布式平台，新技术栈的学习；

新平台原有的工具也不管用了，某大牛说apache上有工具能解决这个问题于是阅读文档；

公司部署了私有化的埋点采集，大数据职业规划范文缺失比较厉害業务部门天天骂娘，继续埋Flume/Kafka的坑；

如果分析师在技术方面的灵性不错那么技能点会往技术栈方向迁移。从最初的SQL到了解Hadoop集群、了解presto/impala/spark、叻解ELK、了解分布式存储和NoSQL……

这也是一个不错的发展方向，因为大数据职业规划范文挖掘需要了解算法/模型理论知识要求过高，不少硕壵和博士还过来抢饭碗自己不擅长容易遇到天花板。选择更底层的工程实现和架构也是出路，薪资也不会低于大数据职业规划范文挖掘/算法专家

部分归属到技术部的大数据职业规划范文分析师，虽然Title叫大数据职业规划范文分析（其实应该叫大数据职业规划范文分析开發工程师）很多工作也是围绕ETL/DW/BI进行，那么这就是标准的大数据职业规划范文工程路线

部分公司会将机器学习模型的部署和实现交给大數据职业规划范文工程团队，这要求大数据职业规划范文工程师熟悉sparkMLlib、Mahout此类框架

大数据职业规划范文工程师，可以从大数据职业规划范攵分析师的SQL技能往大数据职业规划范文的底层收集、存储、计算、运维拓展。往后发展则是大数据职业规划范文总监、或者大数据职业規划范文架构师因为大数据职业规划范文分析出身，与纯技术栈的程序员比思考会更贴合业务，比如指标背后的大数据职业规划范文模型但是技术底子的薄弱需要弥补。

另外DBA、BI这些传统的大数据职业规划范文库从业者，也是能按这条路线进阶或者选择大数据职业規划范文产品经理方向。

以上四个岗位就是大数据职业规划范文分析的发展方向它们互有关联，如果从整个架构来看

我们可以将其划汾为大数据职业规划范文收集—大数据职业规划范文加工—大数据职业规划范文运营—大数据职业规划范文触达。

大数据职业规划范文收集负责收集各种各样的原始大数据职业规划范文比如用户何时何地做了什么事情。它依赖于埋点采集系统而埋点采集，需要收集什么類型大数据职业规划范文往往由大数据职业规划范文产品经理确定规范（还是看公司，大数据职业规划范文运营和大数据职业规划范文汾析师也能负责）

收集上来的大数据职业规划范文需要存储，往往因为高吞吐量需要保证大数据职业规划范文和日志的稳定性，会采鼡Flume+Kafka如果有实时统计要求，也得考虑流大数据职业规划范文这块则是大数据职业规划范文工程的范畴，包括原始大数据职业规划范文的洅加工大数据职业规划范文清洗，都是专门的大数据职业规划范文团队完成

当获得大数据职业规划范文后，首先第一点是讲各种明细夶数据职业规划范文加工业务指标没有指标不成方圆，这里由大数据职业规划范文分析师定义的有了指标，配合各种大数据职业规划范文产品输出如用户画像用户标签、BI报表，这些大数据职业规划范文产品都由大数据职业规划范文PM统筹排期…另外一方面大数据职业規划范文挖掘工程师和算法专家则凭各种大数据职业规划范文建立模型，进行实时或离线运算

模型可能会预测用户会不会购买某个商品，可能是做出一系列的推荐可能是判断用户属于哪个类型，不一而足

更上面一层是业务相关，大数据职业规划范文分析师会监控和分析BI上指标的波动、大数据职业规划范文挖掘工程是通过用户反馈大数据职业规划范文衡量算法的优劣、大数据职业规划范文PM按AB测试的结果改进产品。大数据职业规划范文工程师保证系统的稳定

所有层次一环扣一环，每个岗位在其中都发挥特有的作用大数据职业规划范攵工程偏底层技术，大数据职业规划范文分析偏上层业务大数据职业规划范文挖掘和大数据职业规划范文产品处于中间形态。不同公司雖然业务形态不一致架构会有差异，但是职责不会偏差太大这也是大数据职业规划范文分析为什么会有四个方向。