「大数据」这个概念从2012年开始被广泛传播，尤其是近两年，各大公司，不仅仅是互联网公司，都在谈论它。「大数据」的火，不仅体现在各种会议、文章或者报道上，更真真切切的表现在各个公司的招聘列表上，近几年对数据相关人才的招聘需求是越来越多。我想，随着AI技术再次被高度关注，数据技术人才的需求还会继续扩大。

各大公司有哪些数据相关的岗位？

从国内互联网公司的招聘岗位来看，大多跟数据分析、数据挖掘相关，如BAT几家公司的招聘岗位有：高级数据分析工程师、风险数据挖掘工程师、机器学习工程师、BI工程师、数据算法专家等等。除了这些，跟数据相关的岗位还有数据库工程师、数据产品经理。

而国外，主要是美国的IT公司，对数据技术岗位的分类可能会更细致精确些，如美国几大互联网公司招聘的数据技术岗位有：Data Analyst、Data Engineer、Data Scientist、Data Architect、Data Mining Scientist、Computer Vision Engineer等，甚至还会有Data Arts Engineer这样的岗位。

对比国内外几大互联网，我个人最喜欢Apple，从其对数据岗位的设置，可以看出对数据人才的重视。其招聘的数据人才不仅包括数据分析师、数据工程师、数据科学家，还有数据产品经理和数据艺术工程师。

数据技术岗位的工作内容是什么？

不同岗位虽然其具体职责不尽相同，但总结的来看，会有一些共性的东西。数据技术相关的岗位，往往都需要工程师基于对业务的理解，来进行数据的分析和建模，并将结果应用到产品、业务或服务中，包括指导产品发展方向、发现业务风险、优化系统服务质量等等，也就是我们常说的「数据驱动」实践。

举个例子，下面是某风险数据挖掘工程师的工作职责：

• 负责深度学习、文本理解、机器学习等前沿技术的研发、储备和平台建设；
• 负责使用深度学习算法进行特征挖掘，文本分类，文本理解；
• 能将挖掘出的特征应用于风险画像和风险识别并负责产品化落地。

可以看出，这个岗位需要工程师应用数据技术，对用户进行画像，识别其中的风险用户，并指导风险产品化的实施，也就是通过数据来驱动用户风险的发现，驱动风险产品的实施。

数据技术岗位的能力要求是什么？

数据技术岗位往往需要工程师对数据敏感，具备基本的数据分析能力，能够熟练使用常用的数据工具，甚至还需要熟悉各种数据挖掘相关的算法和理论。不仅要求有对数据的理解和驾驭能力，同时也需要有很高的数据应用、用数据解决问题的能力。

前文提到的风险数据挖掘工程师的能力要求如下：

• 极佳的工程实现能力，精通C/C++、Matlab、Python等至少一门语言；
• 会使用Spark进行深度学习研究，会使用TensorFlow尤佳；
• 热爱数据，并且有扎实的机器学习算法基本功和看穿问题本质的洞察力；
• 对新技术充满好奇心，爱挑战高难度，善于提出idea并能快速动手验证。

数据技术是一门综合性很强的技术岗位，对个人的素质要求很高，想要在这方面学有所长，需要掌握和沉淀的东西很多：

1、在数据理解方面，需要具备基本的数据相关理论知识，而跟数据技术比较强相关的理论知识主要包括统计学、概率论等学科。

2、在编程工具方面，虽然目前做数据处理的编程语言可能更多是Python或者R，但绝大数岗位对此都不会有强限制，只要精通Python、C/C++、Java中的任一种即可。而在数据的提取方面，还可能还会涉及到使用SQL、Hive、Pig等工具。

3、数据建模方面，需要熟悉各种数据挖掘、机器学习的算法，比如各种分类和聚类的算法。虽然很多数据算法都比较老，但仍有很多新的概念和应用在不断被推出来。比如近期很火的深度学习，其概念源自人工神经网络，而后者早在20世纪80年代就开始研究了。

4、数据技术人员往往还需要制作数据分析报告，生成可视化的数据报表，而常用的数据报告/可视化工具，包括Excel、Pentoho、Tableau等，后两者在国外互联网公司出现的频率会更高。

5、在大数据时代的今天，出现了很多大数据存储、处理和分析的相关框架和工具，比如Hadoop、Spark、Kafka、Storm、TensorFlow等等，如果对这些工具不熟悉的话，将很难跟得上数据技术的潮流。

不同的岗位对个人的要求侧重点会不太一样，但仅看到上面简单的总结，就知道，入数据技术的门容易，但要真正做到精通，有很长的路要走。所谓数据之路漫漫，吾将上下而求索，与所有数据爱好君共勉。：）

（全文完）