“我要做大数据！”
随着大数据领域的火爆，数据科学领域的招聘信息越来越多，范围也越来越广，然而面对参差不齐的招聘信息，你真的知道大数据到底做什么的么？“你希望具体从事的大数据工作或方向是什么？”
对于，大数据领域生态，包涵很多不同打的岗位，也赋予不同岗位不同的技能、要求和发展方向。为了和大家介绍的清楚，通过一个数据课题case流程来解释不同岗位的职责。
大数据课题流程有4个基本环节，分别是业务理解、数据准备、数据挖掘、分析应用。在这个流程里有四个层次：需求层、数据层、模型分析层与输出层，同时对应四个职能领域：
业务理解（业务数据分析师，业务战略规划师）：业务侧之眼，负责业务规划与战略规划，帮助企业在业务层突破、创新，实现价值
DBA：承担整个公司数据仓储、数据库的搭建与服务，保证数据安全、稳定
大数据挖掘：负责关键模型应用与研究工作
大数据分析应用：既是外部需求的接入者，也是解决方案的输出者，很多时候也会承担全盘统筹的角色
研发层：完整的流程还需增加职能，承担整个运营系统的构建与维护、数据准备、平台与工具开发
这样一张完整的职能架构变出来了，下面通过信息图区分每个职位的角色介绍、必备技能。
1.业务数据分析师
角色/任务：改进业务流程的业务和IT之间的中介
必备语言：SQL
技能和特长:
基本工具（例如微软Office）
数据可视化工具（e.g.Tableau）
自觉听和讲故事
商业智能的理解
数据建模
2.数据库管理员
角色/任务：确保数据库是提供给所有相关用户，正在正确执行，并且安全运行
必备语言：SQL,Java,Ruby on Rails,XML,C#,Python
技能和特长:
备份恢复
数据建模和设计
分布式计算（Hadoop的）
数据库系统（SQL和基于NO SQL）
数据安全
ERP业务知识
3.数据科学家
角色/任务：清洗，管理和组织（大）数据，利用算法和模型提高数据处理效率、挖掘数据价值、实现从数据到知识的转换。
必备语言：R,SAS,Python,Matlab,SQL,HivePig,Spark
技能和特长:
分布式计算
预测模型
故事讲述和可视化
数学\统计，机器学习
4.数据架构师
角色/任务：创建数据管理系统进行整合，集中，保护和维护数据源
必备语言：SQL,XML,HIVE,PIG,SPARK
技能和特长:
数据仓库解决方案
深入了解数据库体系结构
提取thansformation和加载（ETL），电子表格和BI工具
数据建模
系统开发
5.数据工程师
角色/任务：开发，建设，测试和维护架构（如数据库，以及较大规模的处理系统）
必备语言：SQL,Hive,Pig,R,Mtlab,SAS,SPSS,Python,Java,Ruby,C++,Perl
技能和特长:
数据库系统（SQL和基于NO SQL）
数理统计功底，统计学
数据建模ETL工具
数据API
数据仓库解决方案
6.统计学家
角色/任务：收集，分析和解释，定性和定量的数据统计理论和方法
必备语言：R,SAS,SPSS,Mtlab,Stata,Python,Perl,Hive,Pig,Spark,SQL
技能和特长:
统计理论方法
数据挖掘机器学习
分布式计算（Hadoop的）
数据库系统（SQL和基于NO SQL）
云工具
7.数据产品经理
角色/任务：管理团队分析师和数据科学家，与团队解决课题。一个重视数据的大公司的数据产品基本会分为平台线和业务挖掘线。在这种组织结构下，平台线提供基础平台和通用的数据工具，包括数仓存储和计算平台，数据采集SDK，自定义报表工具，邮件发送管理工具，数据监控平台，平台通用数据字典等等。而在业务线上，则是提供更加贴近业务的分析框架和数据应用。一般会有以下流程：确定本部门的指标体系和分析思路，分析模型，建立数据仓库和可视化报表平台，依赖业务线工具做好数据监控，邮件发送，以及面向各子部门做专门的数据应用，如面向销售部门的城市仪表盘，面向用户产品的流量分析工具等等。
必备语言：SQL,R,SAS,Python,Matlab,Java
技能和特长:
数据库系统（SQL和基于NO SQL）
领导项目管理
人际沟通
数据挖掘预测建模数据建模
8.数据分析师
角色/任务：收集，处理和执行统计数据分析
必备语言：R, Python, HTML,Javscript,C/C++,SQL
技能和特长:
电子表格工具（例如Excel）中
数据库系统（SQL和基于NO SQL）
通信可视化
数学，统计，机器学习
入职大数据领域，弄清楚是做什么产品，做什么项目，将要用到什么技术，什么语言，然后才能有针对性的去进行相关学习和培训
对于大数据运营体系和系统底层架构，包含了采集层、存储层、计算层和应用层，对于每一层所需的编程语言和工具都有所侧重
理论上计算机专业、信息专业、数学专业、管理专业或者其他专业背景的都可以尝试这个领域。前期是做数据的基础监测和总结工作，如周期性的报告或特定专题报告；中期参与业务沟通、梳理需求，组织建模解决问题；后期为企业内部提供战略意见，带领团队提供可落地的解决方案，解决大数据课题，落地数据方案。
最后，会Python无论数据采集（爬虫）、数据建模挖掘、数据分析应用（展示）均能攻克。
