一、2017年大数据岗位

2017年大数据岗位的发展

随着信息化时代的到来，大数据已经逐渐成为各行各业发展的重要驱动力之一。在2017年，大数据岗位的需求愈发凸显，成为越来越多求职者关注的热门方向之一。本文将对2017年大数据岗位的发展进行分析和展望。

大数据岗位需求不断增长

随着互联网技术的飞速发展和企业数字化转型的深入推进，大数据已经成为企业决策和竞争优势的重要支撑。因此，对于懂得运用大数据技术的人才需求量日益增加。据统计，2017年大数据岗位的需求同比增长超过30%，呈现出快速增长的趋势。

大数据岗位薪资水平持续上升

随着大数据技术的不断成熟和应用，懂得运用大数据技术的人才已经成为企业竞相争夺的对象，因此大数据岗位的薪资水平也在不断上升。根据市场调研数据显示，2017年大数据岗位的平均薪资已经超过了同等级别其他岗位，具有明显的吸引力。

大数据岗位技能要求日益丰富

2017年的大数据岗位不再仅仅局限于数据处理和分析，企业对大数据人才的技能要求也在不断提高。除了熟练掌握数据处理工具和技术外，还需要具备较强的商业洞察力、沟通能力和团队协作能力。这也意味着，大数据从业者需要不断学习和提升自己，以满足市场的需求。

大数据岗位的发展趋势

未来，随着人工智能、物联网等新技术的快速发展和应用，大数据岗位将迎来更多的机遇和挑战。在这样的背景下，懂得多方面技能的综合型大数据人才将更受青睐。同时，大数据岗位也将更加注重数据安全和隐私保护，这将成为大数据从业者需要关注和提升的重要能力。

结语

总的来说，2017年大数据岗位的发展呈现出旺盛的态势，需求量增长、薪资水平上升、技能要求提高等都预示着这一领域的重要性和潜力。作为大数据从业者，不仅需要具备扎实的专业技能，还需不断学习和提升自己，抓住机遇，迎接挑战。

二、大数据岗位分类？

1 大数据岗位主要分为以下几类：- 大数据工程师：负责数据采集、存储、处理、分析等技术实现；- 大数据开发工程师：负责大数据平台的开发和维护；- 大数据架构师：负责设计和指导大数据平台的整体架构；- 大数据分析师：负责对大数据进行分析和挖掘，为决策提供支持；- 数据科学家：负责深入分析和研究数据，提出解决方案和预测模型。2 这些岗位分类是根据大数据行业的需求和任务来分的，每个岗位都有不同的职责和技能要求。3 如果想成为大数据从业人员，可以根据自身兴趣和职业规划选择相应的岗位，同时也需要不断学习和提升自己的技能。

三、大数据从事哪些岗位？

大数据相关的工作职位有数据科学家、数据分析师、大数据工程师、数据库管理员等。

1、数据科学家：数据科学家拥有数学、统计、编程等技能，负责使用大数据、算法、深度学习等技术解决实际问题，为企业提供数据支持、帮助企业提高运营效率、提升销售额等。

2、数据分析师：数据分析师可以使用多种数据分析工具对数据进行分析，提取有用的信息，帮助企业深入了解客户，提高运营效率、提升销售额等，及时发现其营销数据中的潜在价值，为公司制定有效的营销策略提供支持。

3、大数据工程师：大数据工程师会灵活运用像Hadoop、Spark等工具，对复杂的大数据进行分析筛选，开发分析运算模型，构建数据中心、做系统设计，构建安全有效的企业内部大数据分析平台。

4、数据库管理员：数据库管理员有着丰富的数据管理经验，可以维护和操作数据库，收集数据，解决数据存储和访问的问题，及时发现数据中的bug，定期更新保证数据的正确性。

以上就是大数据职位的详细情况，此外，随着数据科学的发展，人们还在开发新的大数据技术，比如机器学习、自然语言处理、图像处理等，也会提出新的职位要求，为企业带来更多的数据分析能力。

四、大数据哪个岗位最好？

比较好的就业方向包含：数据分析师、数据挖掘工程师、机器学习工程师、算法工程师、数据科学家、大数据开发工程师、大数据架构工程师、大数据运维工程师、数据可视化工程师、数据采集工程师、数据库管理员等。按照技术点划分为以下三大类：就业方向一：

离线数据工程师、数据仓库工程师、ETL工程师、数据采集工程师、数据支持工程师、BI商业分析师、数据可视化工程师、Hadoop工程师、Spark工程师。

需要掌握的技术点：

Java、MySQL、Maven、Git、OpenResty、Linux、Shell、HDFS、YARN、Zookeeper、MapReduce、Scala、Python、SparkCore、Hive、SparkSQL、Presto、Sqoop、Datax、Flume、CDH、数仓架构、维度建模、Superset、Azkaban.Airflow等。

就业方向二：

实时工程师、Flink工程师、实时数据仓库工程师、实时ETL工程师、Spark工程师。

需要掌握的技术点：

Kafka.Structured streaming、 ticcIarchRedis nHouse、HBase、Phoenix、Elasticsearch、Redis。

就业方向三：

数据服务工程师、离线数据仓库开发工程师、BI商业分析师、实时数据仓库工程师、实时监控系统工程师、ETL工程师、数据可视化工程师、数据治理工程师、高级数据开发工程师、推荐工程、数据平台工程师。

需要掌握的技术点：

数据采集与监控平台、准实时数据仓库、用户画像、推荐系统、基于Flink的实时数据仓库、元数据管理与数据治理。

在上述方向中，以Hadoop开发工程师为例，该岗位的月薪最低在8000元左右，如果有2-3年工作经验，月薪将高达30-50万元左右。

五、银行数据分析岗位？

1、承担数据提取、数据分析、数据挖掘等相关工作；

2、按时保质地完成数据处理的各项工作任务，确保数据输出质量和进度达到目标要求；

3、输出数据分析报告，给出运营建议，进行资产质量监控、模型监控；

任职资格:

1、本科及以上学历，金融、经济、会计、数学、统计、计算机等专业；

2、熟练掌握SQL基本操作，至少熟练使用一种机器学习的工具和框架（R,Python等）；

3、具有良好的逻辑思维能力和分析能力，能够基于对业务的深入理解，从数据中探查和解决问题，能独立出具分析报告；

4、具备良好的团队协作和沟通合作能力，对新技术有强烈求知欲；

5、具备一定金融行业经验

6、思想作风正派，能够严格遵守银行各项规章制度，服从安排，抗压能力强。

六、销管数据岗位职责？

负责日常数据播报，深入分析并解读业务数据，对各环节进行监控。

协助优化流程管理，推动业务发展，落地，及时了解一线销售团队动态，并形成反馈。

负责线下市场活动，物科的宣传策划。

负责业务系统产品相关的问题支持及需求收集，反馈。

七、怎么做好数据岗位？

1、数学知识。

数学知识是数据分析师的基础知识。对于初级数据分析师，了解一些描述统计相关的基础内容，有一定的公式计算能力即可，了解常用统计模型算法则是加分。对于高级数据分析师，统计模型相关知识是必备的能力，线性代数（主要是矩阵计算相关知识）最好也有一定的了解。

2、分析工具。

对于初级数据分析师，玩转Excel是必须的，数据透视表和公式使用必须熟练。另外，还要学会一个统计分析工具，SPSS作为入门是比较好的。对于高级数据分析师，VBA是基本必备能力，要有使用分析工具是核心能力，SPSS、R等至少要熟练使用其中之一，其他分析工具视情况而定。

3、编程语言。

对于初级数据分析师，会写SQL查询，有需要的话写写Hadoop和Hive查询，基本就OK了。对于高级数据分析师，除了SQL以外，学习Python是很有必要的，用来获取和处理数据都是事半功倍。当然其他编程语言也是可以的。

八、仓库数据员岗位职责？

1.日常补货数据的制作，数据表信息同步给各个相关工序操作人员；

2.缺货数据制作及补货、上架进度跟进；

3.根据跨部门的需求，下架及换货号数据的处理，跨部门信息对接，单据制作及同步信息给对应部门处理；

4.出库单完结之前进行数据验证；异常反馈给对应排查人员处理；

5.现场主动盘点结果数据验证；

6.多双复盘数据表制作；

7.拣货异常数据分离表制作及核对；

8.日常异常相关数据表登记；

9.每天汇总报表进行同步。

九、数据分析专业就业岗位？

非常好的。可以从事从数据类公司、咨询公司到物流、传媒公司等。数据分析师以待遇优厚和地位尊崇而闻名国际，曾被Times时代杂志誉为“21世纪最热门五大新兴行业”。

国内数据分析行业专业人才每年以千位数非速增长着，同期各行业领域空缺岗位已达近二十万，未来中国对数据分析师的需求更是呈井喷之势。

十、数据库分哪些岗位？

传统的数据开发一般分为3个岗位：数据工程师、ETL工程师、数据仓库架构师，大多数人属于前两者。

1、数据工程师：根据业务人员提交的逻辑来编写“存储过程”，他们能够很轻松的编写上千行的复杂逻辑SQL。

在编写SQL多年经验中，掌握了各种关联查询、聚合查询、窗口函数，甚至还可以用SQL自己编写一些Function，终组合成了存储过程。

2、ETL工程师：传统数据仓库只有在大型企业中一般才会有，比如电信、银行、保险等行业。他们都会采购一些ETL工具，比如Informatica或者和三方共建ETL工具，比如和华为、亚信等。这些ETL工具功能非常强大。

ETL工程师可以通过在平台上拖拉拽的形式进行数据加工处理，同时ETL平台的组件还可以支撑一些脚本的上传，所以ETL工程师结合数据工程师开发的复杂存储过程，在平台上进行加工设计，终形成一个个定时任务。然后他们还负责每天监控这些定时任务的状态，对于重要部门的ETL人员还经常会熬夜值班监控。

3、数据仓库架构师：数据仓库是依靠规范来有序进行的，架构师就是来建立这些规范的，包括数据仓库的分层、模型命名、指标命名、ETL任务命名、ETL任务编排规范、存储过程开发规范等等，然后数据工程师和ETL工程师按照规范进行任务开发。如果遇到重大业务变更，比如主数据变更，需要和数据仓库架构师评审后修改完善。