解密大数据领域岗位职业发展路径

广告位

我们迎来了一个新的时代,这就是大数据的时代。 —经济学家 詹姆斯·莫里斯 行业背景        国家信息中心…

我们迎来了一个新的时代,这就是大数据的时代。

—经济学家 詹姆斯·莫里斯

行业背景

       国家信息中心《2017中国大数据产业发展报告》对我国大数据产业发展的人才、政策、投融资、创新创业、产业发展、区域潜力、机构和人物影响力等多个维度进行了全面分析。结果显示,我国大数据发展总体处于起步阶段。但大数据领域资本热度依然坚挺,并逆势上扬,大数据企业融资总额及单个项目平均融资金额呈加速上升态势,大数据领域成为资本蓝海。

人才供需不均衡

        缺人,这是全国乃至全球大数据圈都挺蛋疼的一件事儿。2016年的人才关注度较2015年提高25.82%。我国大数据发展面临的瓶颈中,高端综合型人才短缺问题日益突出,大数据行业面临人才供需结构不均衡问题。

·岗位供需不均衡 一方面,数据分析、系统研发等技术岗位大多“供不应求”,反映市场上大数据技术类人才更为稀缺;另一方面,发展迅猛的大数据领域吸引了大量传统信息化领域人才进入,导致项目管理类求职人才占比远高于招聘需求。具体来看,数据分析岗位工作机会最丰富,其中求职人数虽位列第一,但人才供给仍相对不足。

(图片摘自2017中国大数据产业发展报告)

·地域供需不均衡 大数据行业就业市场较为活跃的城市主要集中在京津冀、长三角、珠三角、成渝等区域,如京沪深三地就业市场活跃度均超过80,成都、广州、南京、武汉、杭州等地均在60以上。值得注意的是,深圳、南京、大连、南昌、贵阳、合肥、天津等地大数据就业市场虽较为活跃,但人才供给相对不足。

(图片摘自2017中国大数据产业发展报告)

·学历层次错位明显  从学历上看,大数据行业求职者学历与招聘需求出现错位。主要表现为低学历(大专以下)的招聘需求高于求职数量占比,而高学历(硕士以上)的需求则相反。大数据就业市场“高学低就”现象的原因有两种可能:一是大数据产业正处于起步阶段,对技能型操作型的低学历人才需求相对较高;二是面对就业市场压力,很多学生倾向于选择继续深造再就业。

对大数据以及人工智能概念都是模糊不清的,该按照什么线路去学习,学完往哪方面发展,想深入了解,想学习的同学欢迎加入大数据学习qq群:458345782,有大量干货(零基础以及进阶的经典实战)分享给大家,并且有清华大学毕业的资深大数据讲师给大家免费授课,给大家分享目前国内最完整的大数据高端实战实用学习流程体系 。从java和linux入手,其后逐步的深入到HADOOP-hive-oozie-web-flume-python-hbase-kafka-scala-SPARK等相关知识一一分享!

(图片摘自2017中国大数据产业发展报告)

职业分类与发展

        在目前人才结构失衡的背景下,大数据领域相关职位位置权重和身价都水涨船高,自然不是意外的事。在拉勾上搜索5年以下“大数据”相关岗位平均薪资水平结果。

      请注意,目前大数据高、中、低三个档次的人才都很缺,you can you up! 现在我们谈大数据,就像当年谈电商一样,未来前景已经很明确,接下来就是优胜劣汰,竞争上岗。不想当工程师的程序员不是好架构师!但是,大数据发展到现阶段,涉及大数据相关的职业岗位也越来越精细。

从岗位来看,由大数据开发、挖掘、算法、分析、到架构。从级别来看,从工程师、高级工程师,再到架构师,甚至到科学家。而且,契合不同的行业领域,又有专属于这些行业的岗位衍生,如涉及金融领域的数据分析师等。

        大数据的相关工作岗位有很多,有数据分析师、数据挖掘工程师、大数据开发工程师、大数据产品经理、可视化工程师、爬虫工程师、大数据运营经理、大数据架构师、数据科学家等等,下面就讲讲其中的几个岗位。

数据分析师:日常工作内容有三个方面,第一是临时取数,第二是报表的需求分析,第三是业务专题分析。

数据挖掘工程师:日常工作内容主要有五类。第一是用户基础研究,第二是个性化推荐算法,第三是风控领域应用的模型,第四是产品的知识库,第五是文本挖掘、文本分析、语义分析、图像识别。

数据产品经理:日常工作内容:第一是大数据平台的建设,让获取数据、使用数据更加容易,构建完善的指标体系,实现对业务的全流程监控,提高决策效率,降低运营成本,提升应收水平;第二是数据需求分析,形成数据产品,对内可以提升效率,控制成本,对外增加创收,最终实现数据价值的变现。

大数据研发工程师:这个岗位是需求量最大的,日常工作内容有三个方面:第一是数据的采集,比如爬虫、日志采集等;第二是数据预处理、ETL工作,比如数据清洗、转换、集成、规约等;第三是大数据应用和可视化的开发。

        此外,现在越来越多的行业领域也涉猎大数据,通常来说它们可以被大致分为两类:大数据工程与大数据分析。而这些领域互相独立又互相关联。大数据工程涉及大量数据的设计,部署,获取以及维护(保存)。大数据工程师需要去设计和部署这样一个系统,使相关数据能面向不同的消费者及内部应用。而大数据分析的工作则是利用大数据工程师设计的系统所提供的大量数据。大数据分析包括趋势、图样分析以及开发不同的分类、预测预报系统。

因此,简而言之,大数据分析是对数据的高级计算。而大数据工程则是进行系统设计、部署以及计算运行平台的顶层构建。

大数据小光头

关于作者: 大数据小光头

为您推荐