大数据作为云计算之后又一项颠覆性的技术革命，来势汹涌，甚至开启了一个全新的时代——大数据时代。无论学术界、商界还是政府，数据都成为成功决策的基础，广泛应用在各大商业领域。
2021年数据分析的重要性进一步加强，数据分析师持续增长，在行业有利的环境下得到国家政策的支持。数据分析企业、数据分析人才的不断增加驱动数据分析行业蓬勃发展。
据统计我国数据分析岗位需求规模达到300万，且未来5年都将以30%-40%的速度增长，需求总量将达到2000万人左右。
（图片来源于网络）
而之所以造成如此大缺口的主要原因，是因为我国大数据处于飞速发展的状态，然而高等教育专业滞后，目前大数据专业人才不足200万，需求1:10。这就导致了很多企业无法完成数字化转型，他们愿意花费更多的薪资去招揽数据分析人才。
数据中蕴藏着巨大的商业价值，从初创公司到大厂纷纷成立数据分析部门，为公司的运营、决策提供指导与帮助。到现在，数据分析已经成为未来必不可少的工作技能之一，一些看似与数据分析无关的岗位，企业在招聘时也要求具备数据分析能力，比如市场、财务、运营、人力等等。
数据分析给予了人们彻底颠覆“营销”的期盼，大部分人都希望能够成为数据分析师，承接大数据时代带来的好处。
无论是即将毕业的学子，还是征战职场多年的人士；无论你是迷途不知归路的追梦人，还是事业遭遇瓶颈的彷徨者。想要进入数据分析行业，那么你就得尽早做好自己的人生规划。
想要从事数据分析的却苦于无门，不知道自己学了数据分析后自己该找什么样的工作？今天东老师从两个维度引领大家深入思考一下：
随着各行各业都在进行数字化转型，数据方面的人才也成为各家企业招聘的重点对象，不同数据类型的岗位提供薪资待遇又是如何呢？哪个城市最需要数据方面的人才、未来的发展前景与钱途又是怎么样的？今天带着大家一起了解下。
从图中可以看到对数据方面人才需求最旺盛的仍然是北京，上海排在第二，与此同时，杭州在这方面的需求上面已经超过了广州，位列第四，同时在前十名当中成都、南京以及武汉与西安都纷纷上榜。
（图片来源：关于数据分析与可视化）
薪资方面，我们可以发现整体的市场中“数据产品经理”这个岗位的待遇相对更好一点的，其次便是“数据挖掘工程师”这个岗位，薪资一般比较容易达到20K-40K之间的区间。
（图片来源：关于数据分析与可视化）
不同领域对数据人才需求也有所不同，从图中可以看到对数据分析人才需求最旺盛的几个行业分别是：互联网、金融、零售、咨询、电信等等领域。
（图片来源：关于数据分析与可视化）
从事数据分析岗位，选择不同的企业差别会很大，这也与钱有直接的关系。总体来说：
如果你是刚刚毕业的大学生，在一线互联网大厂从事数据分析工作的话，薪资可以达到20k以上。但是一线互联网大厂的要求也是相对较高，一般需要本科以上学历，统计学、计算机相关的专业。国企大概在15k上下，而传统行业相对会低一些，往往在10k左右。
普通互联网公司和传统行业肯定没法与一线互联网大厂相比，但是如果是一些知名的传统行业也是很不错的选择，比如移动、联通、银行等等，在里面工作几年后，再去互联网公司，薪资待遇也会很不错。
数据分析的职业发展是一个不规则的线性成长，而且，职业寿命长。学会数据分析职场收益长久，越老越吃香，受其他外部业务影响相对较小，职位相对稳定。
每一个人在学习数据分析的时候可能都会陷入迷茫，数据分析有那么多的技能，我该学习那些呢？我需要全部学会吗？其实不需要的，不同的技能对应着不同的数据分析岗位，今天带着大家一起来看看！
业务数据分析师
岗位职责：
通过设计合理的指标体系诊断业务运营中存在的问题，提出合理化建议，撰写业务分析报告。
通过数据分析度量客户体验、诊断、完善产品设计。开发业务分析模型，帮助企业更好地进行决策。
使用工具：SQL、Excel、BI
岗位能力：
用户行为分析、商品定位策略分析、运营效果分析
多维透视分析、指标应用与设计、数据可视化
描述性统计、相关分析、常用的数据分布
商业策略分析师
岗位职责：
负责客户运营、产品营销、渠道管理和风险管理等业务领域策略分析人员，从事业务策略分析及优化等工作。
通过梳理业务流程，结合用户画像，使用统计分析工具开展根因分析，诊断业务运营中存在的问，制定应对策略。通过统计分析模型，洞察客户需求，完善产品设计，同时不断改进模型，帮助企业更好地进行信息决策。
编程与数据管理能力：SQL、Python 数据模型与管理
岗位能力：
产品运营分析报告、风险管理分析报告、问题根因分析报告
用户标签设计与制作、用户画像原理、统计模型搭建、业务策略分析及优化
统计分析基础、回归模型、数据降维、时序分析
数据挖掘分析师
岗位职责：熟悉各类数据挖掘算法。可以进行深层次的客户识别、画像，以满足营销和风险控制方面的需要。
使用工具：SQL、Excel、BI
岗位能力：
知识图谱、客户画像、风控建模、精准营销建模、操作与事件识别
数据接入、特征构建（数据降维与数据升维）、自然语言处理、大数据平台
分类模型、聚类模型；回归模型、推荐系统；复杂网络、集成算法
以上就是我们今天介绍的三个不同岗位数据分析师的岗位职责，业务类的数据分析师相对比较简单，只需要掌握一些统计方法和分析工具；而商业策略分析师和数据挖掘分析师相对较难，需要我们有统计学和编程基础。大家可以根据自己的情况来选择适合自己的岗位。
关注微信
