传统调研和大数据岗位选哪个

❶ 大数据都有哪些就业方向

当下，大数据方面的就业主要有三大方向：一是数据分析类大数据人才，二是系统研发类大数据人才，三是应用开发类大数据人才。他们的基础岗位分别是大数据系统研发工程师、大数据应用开发工程师、大数据分析师。对于求职者来说，大数据只是所从事事业的一个方向，而职业岗位则是决定做什么事?大数据从业者/求职者可以根据自身所学技术及兴趣特征，选择一个适合自己的大数据相关岗位。
大数据就业前景
在就业“钱景”方面，各大互联网公司都在囤积大数据处理人才，从业人员的薪资待遇也很不错。以基本的Hadoop开发工程师为例，入门月薪已经达到了8K以上，工作1年月薪可达到12K以上，资深的hadoop人才年薪可达到30万—50万。
大数据开发工程师
数据仓库开发、实时计算开发、大数据平台开发一般都会被称作大数据开发，其实这是3个岗位，各自要求也不尽相同。
大数据开发工程师
数据仓库开发、实时计算开发、大数据平台开发一般都会被称作大数据开发，其实这是3个岗位，各自要求也不尽相同。
大数据分析师
基于各种分析手段，利用大数据技术对大数据进行科学分析、挖掘、展现并用于决策支持。
数据挖掘工程师
数据挖掘工程师，也可以叫做“数据挖掘专家”。数据挖掘是通过分析每个数据，从大量数据中寻找其规律的技术。
算法工程师
数据挖掘、互联网搜索算法这些体现大数据发展方向的算法，在近几年越来越流行，而且算法工程师也逐渐朝向人工智能的方向发展。
数据安全研究
数据安全这一职位，主要负责企业内部大型服务器、存储、数据安全管理工作，并对网络、信息安全项目进行规划、设计和实施。

❷ 如何理解传统数据与大数据之间的区别

针对大数据带给教育的机遇与挑战，与读者深入探讨和分享大数据与传统数据的区别，及其行业落地的进展情况。

二、大数据时代潜藏的教育危机

“不得不承认，对于学生，我们知道得太少”——这是卡耐基·梅隆大学（Carnegie Mellon University）教育学院研究介绍中的一句自白，也同样是美国十大教育类年会中出镜率最高的核心议题。这种对于学生认识的匮乏，在21世纪之前长达数百甚至上千年的教育史中并没有产生什么消极的效应，但却在信息技术革命后的近十年来成为教育发展的致命痼疾。

“过去，对于学生来说，到学校上学学习知识具有无可辩驳的重要性，而那是因为当时人们能够接触知识的渠道太少，离开学校就无法获取成体系的知识”斯坦福大学教授Arnetha Ball在AERA（美国教育研究会）大会主旨发言中说道，“但是，互联网的普及将学校的地位从神坛上拉了下来。”Ball的担心不无道理。根据Kids Count Census Data Online发布的数据，2012年全美在家上学（Home-Schooling）的5-17岁学生已达到197万人，相对逐年价下降的出生人口，这一人口比重十分可观。

与此同时，应运而生的则是内容越来越精致的网上课堂，而创立于2009年并迅速风靡全球的可汗学院（Khan Academy）正是其中的杰出代表。从知名学府的公开课到可汗学院，这种网络学习模式受到热捧恰恰证明了：人们对于学习的热情并没有过去，但是人们已经极端希望与传统的学院式授课模式告别。一成不变，甚至“目中无人”的传统集体教学模式在适应越来越多元化、也越来越追求个性化的学生群体时显得捉襟见肘。

可汗学院模式不但支持学生自主选择感兴趣的内容，还可以快速跳转到自己适合的难度，从而提高了学习的效率。学习者没有学习的压力，时长、时机、场合、回顾遍数都可以由自己控制。

可以想象，如果可汗学院的模式进一步发展，与计算机自适应（CAT）的评估系统相联系，让使用者可以通过自我评估实现对学习进度的掌握以及学习资料的精准获取，那么它将形成互联网产品的“闭环”，其优势与力量将是颠覆性的。

而如果传统教育的课程模式不革新，课堂形态不脱胎换骨，教师角色与意识不蜕变，那么学校的存在就只有对现代化学习资源匮乏的学生才有意义；而对于能够自主获得更适宜学习资源的学生来说，去学校可能只是为了完成一项社会角色赋予的义务，甚至谈不上必要性，也就更谈不上愉快的体验或兴趣的驱使了。

大数据的研究可以帮助教育研究者重新审视学生的需求，通过高新的技术以及细致的分析找到怎样的课程、课堂、教师是能够吸引学生的。但问题在于，社会发展给予教育研究者的时间窗口并不宽裕，因为有太多人同样在试图通过大数据挖掘设法瓜分学生们有限的精力与注意力。而且从某种程度上，他们做得远比教育研究者更有动力与诚意。

首当其冲的是游戏的设计者——青少年是其主要消费群体。撇开驰名世界的暴雪公司（Blizzard Entertainment），美国艺电公司（Electronic Arts Inc.），日本任天堂公司（Nintendo）等国际巨鳄不谈；即使是国内的盛大网络，第九城市，巨人科技，淘米网络等游戏公司，亦都早已组建了专业实力强劲的“用户体验”研究团队。他们会通过眼动跟踪，心律跟踪，血压跟踪，键盘与鼠标微操作速率等各种微观行为来研究如何让玩家在游戏中投入更多的时间，更加愿意花真实世界的钱来购买虚拟世界的物品。什么时候应该安排敌人出现，敌人应当是什么级别，主人公需要耗费多少精力才能够将其击败，这些变量都得到了严格的设计与控制，原因只有一个——大数据告诉游戏创作者，这样的设计是最能够吸引玩家持续游戏的。

其次是电影视频、青春小说等链式文化产业。为什么在网站上看视频会一个接一个，无法停止，因为它会根据该账号的历史浏览记录推算出其喜欢看什么样的视频，喜欢听什么类型风格的歌，并投其所好；而畅销网络小说看似并没有“营养”，但里面的遣词造句、语段字数，故事起伏设定，甚至主人公性格的类型都是有相关研究进行支持——读者往往并不喜欢结构严密、精心设计的剧情——这就是为什么情节千篇一律的韩剧受人追捧的原因，他们通过收视率的反复研究，挖掘到了观众最需要的那些元素，并且屡试不爽。

此外还有许多更强大的研究者，比如电子商务，总能通过数据找到你可能愿意购买的商品——他们甚至知道买尿片的父亲更愿意买啤酒。

这些领域看似与我们教育者并无特别关联，但是他们与我们最关心的对象——学生却有着千丝万缕的联系。数百年甚至数十年前，学生并不会面对如此多的诱惑，学校在其生活中占据极大比重，对其影响也最为显着，因此教育者对于学生的控制总是有着充分的自信。但是，当不同的社会机构与产品开始争夺学生的注意力时，教育者的自信就只能被认为是一种无法认清形势的傲慢了——因为在这场“学生争夺战”中，传统学校看上去实在缺乏竞争力。

即使教育研究者愿意放下身段，通过大数据的帮助来悉心研究学生的需求与个性。但是人才的匮乏也是非常不利的一点因素——相比于商业环境下对研究实效的追逐，教育研究的缓慢与空洞显得相形见绌。在互联网企业纷纷抛出“首席数据官”的头衔，向各种数据科学狂人抛出橄榄枝，并且在风险投资的鼓舞下，动辄以百万年薪进行延聘时，大数据研究的前沿阵地必然仍是在互联网行业中最轰轰烈烈地开战。

分析形势后的姿态，以及投入的力度与强度，或许是教育领域在进入大数据研究时最先需要充分考虑的两个先决条件。

三、谁在为大数据欢呼：一场关于“人性”研究的启蒙

孜孜不倦地观测、记录、挖掘海量的数据，有朝一日终会推导出或简约或繁复的方程，以此得以在自然科学的历史丰碑上留名——数百年来，这种对数据的崇拜早已成为了物理学家、化学家、生物学家、天文地理学家们的信念。而牛顿，贝叶斯，薛定谔等一代代巨匠的伟业也揭示了数据对于科学发现的无限重要价值。

相形之下，社会科学领域的研究就要惨淡地多——他们同样看重数据，同样追求统计与分析的“程序正义”，同样勤勤恳恳地设计实验与调研，去寻找成千上万的被试，同样像模像样地去嵌套方程……但是几乎很少有研究结果能够得到普遍的承认，不管是社会学、心理学、经济学、管理学还是教育学。

当然，社会科学领域的研究者们遇到的困难是显而易见的：“人性”与“物性”是不同的，物质世界比较稳定，容易寻找规律；而由人组成的社会极其善变，难以总结。从数据的角度来说，人的数据不如物的数据那么可靠：

首先是人不会像物那样忠实地进行回应：谁知道一个人填写的问卷有多少是注意力不集中填错的、语文水平不高理解错的、还是压根没打算讲真话？此外，人与人本身的差距也大于物与物的差距：两个化学组成相同的物质表现出各种性质几乎是完全一样的，但即使是两个基因完全相同的双胞胎也会因为不同的人生经验，而表现出大相径庭的行为特征。

但这些都还并不关键，最最重要的是：人无法被反复研究。人不是牛顿的木块，不是伽利略的铅球，不是巴普洛夫的狼狗，人不会配合一次次从斜坡上被滑下来，一次次从比萨塔顶被扔下来，一次次流着口水干等着送肉来的铃声。而我们知道，在“科学”的三个标准中，首当其冲的就是“可重复验证”。

换句话说，我们可以获得的关于“人性”的数据不够大，不够多，不够随时随地，因此我们无法从数据中窥见人性。2002年诺贝尔经济学奖授予心理学家丹尼尔?卡尼曼（Daniel Kahneman）时，似乎标示着社会科学领域已经接受了这样一种事实：人类的行为是无法寻找规律、无法预测、难以进行科学度量的。社会科学开始怀疑用纯粹理性的方法是否可以解答关于“人性”的种种现象。与此相映成趣的是2012年的美国大选，奥巴马的团队依靠对网络数据的精准筛选捕捉到了大量的“草根”选民，而对于其喜好与需求的分析与把握更是赢得其信任，从而在不被传统民调与历史数据规律看好的情况下一举胜出。这跨越十年的两个标志性事件让人们对于“数据揭示人性”可能性的认识经历了戏剧性的转变。

如今，迅速普及的互联网与移动互联网悄然为记录人的行为数据提供了最为便利、持久的载体。手机，iPad等贴近人的终端无时不刻不在记录关于人的点点滴滴思考、决策与行为。最最重要的是，在这些强大的数据收集终端面前，人们没有掩饰的意图，人们完整地呈现着自己的各种经历，人们不厌其烦一遍又一遍重复着他们不愿在实验情境下表现出来的行为，从而创造着海量的数据——传统数据研究无法做到的事，传统研究范式苦苦纠结的许多难点，都在大数据到来的那一刹那遁于无形。

大数据的到来，让所有社会科学领域能够藉由前沿技术的发展从宏观群体走向微观个体，让跟踪每一个人的数据成为了可能，从而让研究“人性”成为了可能。而对于教育研究者来说，我们比任何时候都更接近发现真正的学生。

❸ 大数据都有哪些就业方向

大数据专业毕业生未来的岗位选择空间还是比较大的，有三大类岗位可以选择，分别是大数据开发岗位、大数据分析岗位和大数据运维岗位，在不同的行业和技术体系结构下，这些岗位也包含很多细分的岗位。
大数据开发岗位是当前人才需求量比较大的岗位之一，不论是本科生还是研究生，当前选择大数据开发岗位会有相对较大的选择空间。大数据开发岗位分为平台研发岗位和行业场景开发岗位两大类，通常大数据平台研发岗位对于从业者的要求相对比较高，属于研发级岗位，而大数据行业应用场景开发则相对要容易一些。
对于本科生来说，如果未来要从事大数据开发岗位，在工作的初期通常要面临两大困难，其一是如何顺利融入技术团队，此时自身的实践经验积累就比较重要了，包括自身的程序设计能力和对于大数据平台的熟悉程度，其二是行业背景知识，行业背景知识的缺乏通常是初级开发人员所面临的最大困难之一。

❹ 大数据的就业怎么样

1.人才缺口大

大数据专业毕业以后主要从事大数据分析工作，该岗位目前人才缺口很大，学会大数据分析就等于拿到了入职大企业和高薪资大门的钥匙。根据统计显示，仅北京地区1天需求量达到15680个。

2.各行各业需求上涨

像金融，电商，游戏，医疗，未来教育，社交等行业都需要大数据分析人员袜扰，需求量很大。

3.大城市机会多工资高

大数据专业人才的需求主要集中在一线一线城市，在大城市学到的东西更多，同样薪资水平也高，北京地区的大数据分析平均月工资就达到了20050元。

从人才缺口和需求上涨到高薪就业，都体现出了大数据专业是一个就业前景很好的专业。

大数据专业就业三大方向

大数据主要的三大就业方向：大数据系统研发类人才、大数据应用开发类人才和大数据分析类人才。

在此三大方向中，各自的基础岗位一般为大数据系统研发工程师、大数据应用开发工程师和数据分析师。

大数据专业人才就业薪资

1基础人才：数据分析师

北京数据分析平均工资：?0?610630/月，取自15526份样本，较2016年，增长9.4%。

数据分析师岗位职责

业务类别:技术

业务方向:数据分析

工作职责:

1.根据公司产品和业务需求，利用数据挖掘等工具对多种数据源进行诊断分析，建设征信分析模型并优化，为公司征信运营决策、产品设计等方面提供数据支持；

2.负责项目的需求调研、数据分析、商业分析和数据挖掘模型等，通过对运行数据进行分析挖掘背后隐含的规律及对未来的预测；

3.参与数据挖掘模型的构建、维护、部署和评估；

4.整理编写商业数据分析报告，及时发现和分析其中变化和问题，为业务发展提供决策支持；

5.独立完成项目需求管理、方案设计、实施管理和项目成果质量的把控；

6.参与编写项目相关文档。

教育背景:

学历：本科其它：

经验要求:工作经验：3-5年

任职要求:

1.统计学、数学或计算机、数理统计或数据挖掘专业方向相关专业本科或以上学历；有扎实的数据统计和数据挖掘专业知识；

2.熟练使用数理统计、数据分析、数据挖掘工具软件（SAS、R、Python等的一种或多种），能熟练使用SQL读取数据；

3.使用过逻辑回归、神经网络、决策树、聚类等的一种或多种建模方法；

4.3年以上数据分析工作经验，征信从业背景人员优先；

5.具有金融行业项目经验的相关经验者优先考虑；

6.主动性强，有较强的责任心，积极向上的工作态度，有团队协作精神。

能力素养:

良好的分析、归纳和总结能力，善于分析、解决实际问题；主动性强，有较强的责任心，积极向上的工作态度，有团队协作精神。

2大数据开发工程师

北京大数据开发平均工资：?0?630230/月。

大数据开发工程师/专家岗位指责（引自滴滴出行）：

职位描述：

1、构建分布式大数据服务平台，参与和构建公司包括海量数据存储、离线/实时计算、实时查询，大数据系统运维等系统；

2、服务各种业务需求，服务日益增长的业务和数据量；

3、深入源码内核改进优化开源项目，解决各种hadoop、spark、hbase疑难问题，参与到开源社搏咐区建设和代码贡献；

岗位要求：

1、计算机或相关专业本科以上学历（3年以上工作经验）；

2、精通C/Java/Scala程序基好纯开发(至少一种)，熟悉Linux/Unix开发环境；

3、熟悉常用开源分布式系统，精通Hadoop/Hive/Spark/Storm/Flink/HBase之一源代码；

4、有大规模分布式系统开发、维护经验，有故障处理能力，源码级开发能力；

5、具有良好的沟通协作能力，具有较强的分享精神；

6、对Ku、Kylin、Impala、，github等系统有深入使用和底层研究者加分；

❺ 数据分析师和 大数据工程师 哪个好

2016年，我国大数据产业保持高速发展态势，各级政府和企业大力推进，技术创新取得明显突破，大数据应用推进势头良好，产业体系初具雏形，支撑能力日益增强。2017年，大数据产业发展迎来“黄金期”，产业集聚将进一步特色化发展，大数据融合应用进程加速，为做大做强数字经济、带动传统产业转型升级提供新动力。
趋势一：政策环境持续优化，产业发展将迎来“黄金期”
随着国家大数据战略推进实施以及配套政策的贯彻落实，大数据产业发展环境将进一步优化，社会经济各领域对大数据服务需求将进一步增强，大数据的新技术、新业态、新模式将不断涌现，产业规模将继续保持30%以上的高速增长态势。
趋势二：大数据产业集聚，将呈现特色化发展
大数据综合试验区建设是国家统筹推进大数据产业发展的重要举措。2016年，国家对大数据产业区域发展进行整体规划布局，共计批复了8个国家大数据综合试验区建设。2017年，随着8大国家大数据综合实验区建设不断加快，产业发展将推动形成特色领域。围绕京津冀和珠三角跨区域类综合试验区，将更加注重数据要素流通，以数据流引领技术流、物质流、资金流、人才流，支撑跨区域公共服务、社会治理和产业转移，促进区域一体化发展。结合地方产业发展和应用特色，大数据产业集聚区和大数据新型工业化产业示范基地建设也将持续推进。
趋势三：大数据与人工智能、云计算、物联网，等技术的融合创新将更加深入
网络信息技术领域是全球研发投入最集中、创新最活跃、应用最广泛、辐射带动作用最大的技术创新领域，是全球技术创新的竞争高地。大数据、云计算、物联网、人工智能等新一代信息技术是最典型的网络信息技术，创新驱动是其发展的原动力，新兴技术间的融合创新更是产业发展的主基调。2017年，大数据的技术发展与物联网、云计算、人工智能等新技术领域的联系将更加紧密，物联网的发展将极大提高数据的获取能力，云计算与人工智能将深刻地融入数据分析体系，融合创新将会不断地涌现和持续深入。
趋势四：工业大数据对智能制造的，赋能效应将进一步释放
在《大数据产业发展规划2016-2020年》中，提出了深化工业大数据创新应用的重点任务和实施工业大数据创新发展工程，加快工业大数据基础设施建设，推进工业大数据全流程应用，培育数据驱动的制造业新模式。2017年，随着《国务院关于深化制造业与互联网融合发展的指导意见》、《大数据产业发展规划2016-2020年》等政策规划的落地实施，我国将进一步深化工业云、大数据等技术在工业领域的集成应用，探索建立工业大数据中心，实施工业大数据应用示范工程，工业大数据对智能制造的赋能效应将进一步释放。趋势五：大数据安全和数据跨境流动，将成为国家和社会关注的焦点
数据资源作为信息社会的重要生产要素、无形资产和社会财富，成为一个国家的基础性战略资源。近年来，由于数据在网络空间传播迅速，且当前技术手段和行政手段都无法对其实施有效监管，使得大数据安全问题和数据跨境流动安全风险日益加剧。2016年，国家和地方大力推动大数据安全创新发展。2017年，随着《中华人民共和国网络安全法》及相关配套细则的正式实施，大数据安全的市场空间将进一步释放，政府和企业在大数据安全技术、产品和服务创新方面的投入进一步加大；国家大力推进双边区域性跨境数据流动合作，建立国家间数据流通保护的协调机制，参与数据跨境流动国际标准和规则制定的积极性将不断提高。

❻ 大数据有哪些职位和工作机会

下面是比较热门的几个大数据岗位：

1、首席数据官（CDO）

首席数据官的工作内容非常多，职责也很复杂，他们负责公司的数据框架搭建、数据管理、数据安全保证、商务智能管理、数据洞察和高级分析。因此，首席数据师必须个人能力出众，同时还需要具备足够的领导力和远见，找准公司发展目标，协调应变管理过程。

2、营销分析师/客户关系管理分析师

客户忠诚度项目、网络分析和物联网技术积攒了大量的用户数据，很多先进公司已经在使用相关策略来支持公司的发展计划。尤其是市场部门能够运用这些数据进行更有针对性的营销。营销分析师能够发挥他们在Excel和SQL等数据分析工具方面的专业特长，对客户进行细分，确保数字化营销能够到达目标客户群体。

3、数据工程师

随着Hadoop和非结构化数据仓库的流行，所有分析功能的第一要务就是要得到正确的数据。高水平的工程师需要掌握数据管理技能，熟悉提取转换加载过程，很多公司都急需这样的人才。事实上，很多首席数据官甚至认为，数据工程师才是大数据相关行业中最重要的职位。

4、商务智能开发工程师

商务智能开发工程师的最基本职能，是管理结构数据从数据库分配至终端用户的过程。商务智能（BI）曾经只是商务金融的基础，现在已经独立出来，成为了单独的部门，很多商务智能团队正在搭建自服务指示板，这样运营经理就能快速且有效地获取高性能数据，评价公司运营情况。

5、数据可视化

随着指示板和可视化工具的增多，商务智能“前端”研发工程师需要更熟练掌握Tableau、QlikView/QlikSense、SiSense和Looker。能够使用d3.js在网络浏览器中制作数据可视化的研发工程师也越来越受到公司欢迎。很多大公司开出的年薪已经超过了7万5千英镑，平均日薪500多英镑。

6、大数据工程师

正如上文提到过的，数据工程师的工作是负责管理公司的数据，包括数据的收集，存储、处理和分析。大数据工程师需要能够搭建并维护大型异构数据框架，这些数据通常是在MongoDB等NoSQL数据库中。很多公司采用Hadoop框架和很多Hadoop次级软件包，如Hive（数据软件），Pig（数据流语言）和Spark（多编程模型）。

❼ 大数据和数据分析哪个好

看个人具体情况。
大数据开发和大数据分析两个行业都还不错，编程能力弱一些，但是对业务的理解能力还可以的话，其可以选择数据分析。
个人也比较推荐数据分析行业，在做选择之前，我们需要了解两者的不同，然后再结合自身已有的基础和兴趣做决定，不管是做大数据开发还是大数据分析，都帆老是拿掘高薪的技术岗位，最重消轿核要的是自身的能力。

❽ 大数据就业方向及前景找什么工作好

未来大数据领域的就业前景还是不错的，大数据蔽告漏的发展不仅会促进大数据领域自身的就业，也会促进与大数据相关领域的就业，比如物联网、云计算、人工智能等领域，这些领域也会受益于大数据的发展制度，从这个角度来看，大数据正在推动整个IT行业的发展。
大数据就业前景怎么样
从近两年大数据方向的工作情况来看，大数据领域的岗位还是比较多的，尤其是大数据开发岗位，目前正逐渐从大数据平台开发向大数据应用开发领域覆盖，这也是大数据开始全面落地应用的必然结果。
从近几年招聘情况来看，大数据开发工作岗位的数量明显比较多，而且不仅需要研发型人才，也需要应用型人才，所以本科生的工作机会也比较多。
当前大数据技术正处在落地应用的初期，所以此时人才招聘会更倾向于研发型人才，而且拥有研究生学历也更容易获得大厂的就业机会，读研之后在岗位选择上可以重点考虑一下大数据平台开发工作，在5G通信的推动下，未来云计算会全面向PaaS和SaaS领域覆盖，这个过程会全面促进大数据平台的发展。
另外，由于人工智能平台的陆续推出，对于大数据平台也是一种促进。相比于大数据应用开发工作岗位来说，大数据平台开发岗位不仅薪资待遇更高，职业生命周期也会更长，而且未来也可以获得更多的发展机会，也会更容易进入云计算、人工智能等领域发展。
学大数据有哪些工作能做
大数据工作(1)大数据开发工程师工作
开发，建设，测试和维护架构;负责公司大数据平台的开发和维护，负责大数据平台持续集成相关工具平台的架构设计与产品开发等。
大数据工作(2)数据分析师工作
收集，处理和执行统计数据分析;运用工具，提取、分析、呈现数据，实现数据的商业意义，需要业务理解和工具应用能力。
大数据工作(3)数据挖掘工程师工作
数据建模、机器学习和算法实现;商业智能，用户体验分析，预测流失用户等;需要过硬的数学和统计学功底以外友橡，对算法的代码实现也有很高的要求。
大数据工作(4)数据架构师工作
需求分析，平台选择，技术架构设计，应用设计和开发，测试和部署;高级算法设计与优化;数据相关系统设计与优化，需要平台级开发和架构设计能力。
大数据工作(5)数据库开发工作
设计宏烂，开发和实施基于客户需求的数据库系统，通过理想接口连接数据库和数据库工具，优化数据库系统的性能效率等。

❾ 大数据就业方向是什么

目前，互联网、物联网、人工智能、金融、体育、在线教育、交通、物流、电版商等等，几乎所权有的行业都已经涉足大数据，大数据将成为今后整个社会及企业运营的支撑。

大数据就业方向

1. Hadoop大数据开发方向

市场需求旺盛，大数据培训的主体，目前IT培训机构的重点

对应岗位：大数据开发工程师、爬虫工程师、数据分析师 等

2. 数据挖掘、数据分析&机器学习方向

学习起点高、难度大，市面上只有很少的培训机构在做。

对应岗位：数据科学家、数据挖掘工程师、机器学习工程师等

3. 大数据运维&云计算方向

市场需求中等，更偏向于Linux、云计算学科

对应岗位：大数据运维工程师

当下，大数据的趋势已逐步从概念走向落地，而在IT人跟随大数据浪潮的转型中，各大企业对大数据高端人才的需求也越来越紧迫。这一趋势，也给想要从事大数据方面工作的人员提供了难得的职业机遇。