数据科学工程师

Ⅰ 如何成为一名大数据工程师

大数据是眼下非常时髦的技术名词，与此同时自然也催生出了一些与大数据处理相关的职业，通过对数据的挖掘分析来影响企业的商业决策。

这群人在国外被叫做数据科学家（Data Scientist），这个头衔最早由D.J.Pati和Jeff Hammerbacher于2008年提出，他们后来分别成为了领英（LinkedIn）和Facebook数据科学团队的负责人。而数据科学家这个职位目前也已经在美国传统的电信、零售、金融、制造、物流、医疗、教育等行业里开始创造价值。

不过在国内，大数据的应用才刚刚萌芽，人才市场还不那么成熟，“你很难期望有一个全才来完成整个链条上的所有环节。更多公司会根据自己已有的资源和短板，招聘能和现有团队互补的人才。”领英（LinkedIn）中国商务分析及战略总监王昱尧对《第一财经周刊》说。

数据工程师是做什么的？于是每家公司对大数据工作的要求不尽相同：有的强调数据库编程、有的突出应用数学和统计学知识、有的则要求有咨询公司或投行相关的经验、有些是希望能找到懂得产品和市场的应用型人才。正因为如此，很多公司会针对自己的业务类型和团队分工，给这群与大数据打交道的人一些新的头衔和定义：数据挖掘工程师、大数据专家、数据研究员、用户分析专家等都是经常在国内公司里出现的Title，我们将其统称为“大数据工程师”。

由于国内的大数据工作还处在一个有待开发的阶段，因此能从其中挖掘出多少价值完全取决于工程师的个人能力。已经身处这个行业的专家给出了一些人才需求的大体框架，包括要有计算机编码能力、数学及统计学相关背景，当然如果能对一些特定领域或行业有比较深入的了解，对于其快速判断并抓准关键因素则更有帮助。

虽然对于一些大公司来说，拥有硕博学历的公司人是比较好的选择，不过阿里巴巴集团研究员薛贵荣强调，学历并不是最主要的因素，能有大规模处理数据的经验并且有喜欢在数据海洋中寻宝的好奇心会更适合这个工作。

除此之外，一个优秀的大数据工程师要具备一定的逻辑分析能力，并能迅速定位某个商业问题的关键属性和决定因素。“他得知道什么是相关的，哪个是重要的，使用什么样的数据是最有价值的，如何快速找到每个业务最核心的需求。”联合国网络大数据联合实验室数据科学家沈志勇说。学习能力能帮助大数据工程师快速适应不同的项目，并在短时间内成为这个领域的数据专家；沟通能力则能让他们的工作开展地更顺利，因为大数据工程师的工作主要分为两种方式：由市场部驱动和由数据分析部门驱动，前者需要常常向产品经理了解开发需求，后者则需要找运营部了解数据模型实际转化的情况。

你可以将以上这些要求看做是成为大数据工程师的努力方向，因为根据万宝瑞华管理合伙人颜莉萍（Nicole Yan）的观察，这是一个很大的人才缺口。目前国内的大数据应用多集中在互联网领域，有超过56%的企业在筹备发展大数据研究，“未来5年，94%的公司都会需要数据科学家。”颜莉萍（Nicole Yan）说。因此她也建议一些原本从事与数据工作相关的公司人可以考虑转型。

用阿里巴巴集团研究员薛贵荣的话来说，大数据工程师就是一群“玩数据”的人，玩出数据的商业价值，让数据变成生产力。大数据和传统数据的最大区别在于，它是在线的、实时的，规模海量且形式不规整，无章法可循，因此“会玩”这些数据的人就很重要。

沈志勇认为如果把大数据想象成一座不停累积的矿山，那么大数据工程师的工作就是，“第一步，定位并抽取信息所在的数据集，相当于探矿和采矿。第二步，把它变成直接可以做判断的信息，相当于冶炼。最后是应用，把数据可视化等。”

因此分析历史、预测未来、优化选择，这是大数据工程师在“玩数据”时最重要的三大任务。通过这三个工作方向，他们帮助企业做出更好的商业决策。

1.找出过去事件的特征

大数据工程师一个很重要的工作，就是通过分析数据来找出过去事件的特征。比如，腾讯的数据团队正在搭建一个数据仓库，把公司所有网络平台上数量庞大、不规整的数据信息进行梳理，总结出可供查询的特征，来支持公司各类业务对数据的需求，包括广告投放、游戏开发、社交网络等。

找出过去事件的特征，最大的作用是可以帮助企业更好地认识消费者。通过分析用户以往的行为轨迹，就能够了解这个人，并预测他的行为。“你可以知道他是什么样的人、他的年纪、兴趣爱好，是不是互联网付费用户、喜欢玩什么类型的游戏，平常喜欢在网上做什么事情。”腾讯云计算有限公司北京研发中心总经理郑立峰对《第一财经周刊》说。下一步到了业务层面，就可以针对各类人群推荐相关服务，比如手游，或是基于不同特征和需求衍生出新的业务模式，比如微信的电影票业务。

2.预测未来可能发生的事情

通过引入关键因素，大数据工程师可以预测未来的消费趋势。在阿里妈妈的营销平台上，工程师正试图通过引入气象数据来帮助淘宝卖家做生意。“比如今年夏天不热，很可能某些产品就没有去年畅销，除了空调、电扇，背心、游泳衣等都可能会受其影响。那么我们就会建立气象数据和销售数据之间的关系，找到与之相关的品类，提前警示卖家周转库存。”薛贵荣说。

在网络，沈志勇支持“网络预测”部分产品的模型研发，试图用大数据为更广泛的人群服务。已经上线的包括世界杯预测、高考预测、景点预测等。以网络景点预测为例，大数据工程师需要收集所有可能影响一段时间内景点人流量的关键因素进行预测，并为全国各个景点未来的拥挤度分级—在接下来的若干天时间里，它究竟是畅通、拥挤，还是一般拥挤？

3.找出最优化的结果

根据不同企业的业务性质，大数据工程师可以通过数据分析来达到不同的目的。

以腾讯来说，郑立峰认为能反映大数据工程师工作的最简单直接的例子就是选项测试（AB Test），即帮助产品经理在A、B两个备选方案中做出选择。在过去，决策者只能依据经验进行判断，但如今大数据工程师可以通过大范围地实时测试—比如，在社交网络产品的例子中，让一半用户看到A界面，另一半使用B界面，观察统计一段时间内的点击率和转化率，以此帮助市场部做出最终选择。

作为电商的阿里巴巴，则希望通过大数据锁定精准的人群，帮助卖家做更好的营销。“我们更期待的是你能找到这样一批人，比起现有的用户，这些人对产品更感兴趣。”薛贵荣说。一个淘宝的实例是，某人参卖家原来推广的目标人群是产妇，但工程师通过挖掘数据之间的关联性后发现，针对孕妇群体投放的营销转化率更高。

需要具备的能力

1.数学及统计学相关的背景

就我们采访过的BAT三家互联网大公司来说，对于大数据工程师的要求都是希望是统计学和数学背景的硕士或博士学历。沈志勇认为，缺乏理论背景的数据工作者，更容易进入一个技能上的危险区域（Danger Zone）—一堆数字，按照不同的数据模型和算法总能捯饬出一些结果来，但如果你不知道那代表什么，就并不是真正有意义的结果，并且那样的结果还容易误导你。“只有具备一定的理论知识，才能理解模型、复用模型甚至创新模型，来解决实际问题。”沈志勇说。

2.计算机编码能力

实际开发能力和大规模的数据处理能力是作为大数据工程师的一些必备要素。“因为许多数据的价值来自于挖掘的过程，你必须亲自动手才能发现金子的价值。”郑立峰说。

举例来说，现在人们在社交网络上所产生的许多记录都是非结构化的数据，如何从这些毫无头绪的文字、语音、图像甚至视频中攫取有意义的信息就需要大数据工程师亲自挖掘。即使在某些团队中，大数据工程师的职责以商业分析为主，但也要熟悉计算机处理大数据的方式。

3.对特定应用领域或行业的知识

在颜莉萍（Nicole Yan）看来，大数据工程师这个角色很重要的一点是，不能脱离市场，因为大数据只有和特定领域的应用结合起来才能产生价值。所以，在某个或多个垂直行业的经历能为应聘者积累对行业的认知，对于之后成为大数据工程师有很大帮助，因此这也是应聘这个岗位时较有说服力的加分项。

“他不能只是懂得数据，还要有商业头脑，不论对零售、医药、游戏还是旅游等行业，能就其中某些领域有一定的理解，最好还是与公司的业务方向一致的，”就此薛贵荣还打了个比方，“过去我们说一些奢侈品店员势利，看人一眼就知道买得起买不起，但这群人恰恰是有敏锐度的，我们认为他们是这个行业的专家。又比如对医疗行业了解的人，他在考虑医疗保险业务时，不仅会和人们医院看病的记录相关，也会考虑饮食数据，这些都是基于对该领域的了解。”

职业发展1.如何成为大数据工程师

由于目前大数据人才匮乏，对于公司来说，很难招聘到合适的人才—既要有高学历，同时最好还有大规模数据处理经验。因此很多企业会通过内部挖掘。

2014年8月，阿里巴巴举办了一个大数据竞赛，把天猫平台上的数据拿出来，去除敏感问题后，放到云计算平台上交予7000多支队伍进行比赛，比赛分为内部赛和外部赛。“通过这个方式来激励内部员工，同时也发现外部人才，让各行业的大数据工程师涌现出来。”

颜莉萍（Nicole Yan）建议，目前长期从事数据库管理、挖掘、编程工作的人，包括传统的量化分析师、Hadoop方面的工程师，以及任何在工作中需要通过数据来进行判断决策的管理者，比如某些领域的运营经理等，都可以尝试该职位，而各个领域的达人只要学会运用数据，也可以成为大数据工程师。

2.薪酬待遇

作为IT类职业中的“大熊猫”，大数据工程师的收入待遇可以说达到了同类的顶级。根据颜莉萍（Nicole Yan）的观察，国内IT、通讯、行业招聘中，有10%都是和大数据相关的，且比例还在上升。颜莉萍（Nicole Yan）表示，“大数据时代的到来很突然，在国内发展势头激进，而人才却非常有限，现在完全是供不应求的状况。”在美国，大数据工程师平均每年薪酬高达17.5万美元，而据了解，在国内顶尖互联网类公司，同一个级别大数据工程师的薪酬可能要比其他职位高20%至30%，且颇受企业重视。

3.职业发展路径

由于大数据人才数量较少，因此大多数公司的数据部门一般都是扁平化的层级模式，大致分为数据分析师、资深研究员、部门总监3个级别。大公司可能按照应用领域的维度来划分不同团队，而在小公司则需要身兼数职。有些特别强调大数据战略的互联网公司则会另设最高职位—如阿里巴巴的首席数据官。“这个职位的大部分人会往研究方向发展，成为重要数据战略人才。”颜莉萍（Nicole Yan）说。另一方面，大数据工程师对商业和产品的理解，并不亚于业务部门员工，因此也可转向产品部或市场部，乃至上升为公司的高级管理层。

Ⅱ 数据分析工程师的工资一般是多少

在大数据工程师前景的道路上，你是选择永远呆着数据分析助理或初级数据分析师领域，还是向上走，走到高级数据分析师、资深数据分析师，甚至是数据科学家、数据分析专家的级别，这一切都看你自己的努力和选择。

Ⅲ 如何区分理解数据科学家与机器学习工程师

机器学习方面的面试主要分成三个部分： 1. 算法和理论基础 2. 工程实现能力与编码水平 3. 业务理解和思考深度 1. 理论方面，我推荐最经典的一本书《统计学习方法》，这书可能不是最全的，但是讲得最精髓，薄薄一本

Ⅳ 数据科学与大数据技术专业怎么样学成之后可以从事的职业有哪些

随着电子技术和信息科学的发展，近两年每个网民都有机会在社交媒体发出自己的声音，留下海量的信息。人类生产信息的速度可谓风驰电掣，每两年就会增长一倍，近两年产生的数据总量相当于人类有史以来所有数据量的总和。科研领域、企业运营及日常生活中的数字、文字、图像、音频都是数据，大数据的处理速度快、价值密度低、商业价值高。拥有海量数据的国家或企业如果能合理地解释运用这些数据，就会增强自身的竞争力。大数据专业就在这样的背景下应运而生，很多学校看到该领域的前景，竞相申请设立数据科学与大数据技术专业。今天小编将带你深入了解数据科学与大数据技术专业。

扎实的数学功底

由课程设置可以看出本专业对学生的数学基础有一定要求，通识课部分就设置了三门数学课，学科基础课依然有离散数学，数字逻辑与数学系统。建议想报考的同学提前观看一些入门课程，客观评估自己的数学能力。盲目报考无益于个人发展，会造成挂科过多、学习压力过大、就业困难等不良后果。

有耐心有毅力

大数据专业和计算机专业比较像，是注重实践的专业。学生需要独立编写程序，对程序进行修改与调试，需要注意每一个细节才能顺利查错并运行程序。有耐心有毅力的学生显然更能坐的住，心浮气躁的学生则需要一番磨练才能成功。

自主学习能力强

一般情况下，大数据专业无法向学生传授大数据核心技术之外的知识技能，如果学生需要进入全新领域去实习就业，就必须要迅速掌握新领域的相关知识。假如学生到金融行业从事数据挖掘工作，就必须对金融产品及用户有所了解。

工作

毕业生就业主要集中在一线城市，毕业于985院校的毕业生常常被各大企业一抢而空，就业行业以互联网、金融、通信、教育、文化娱乐、电子商务等行业为主。薪资待遇令人羡慕，即使是刚毕业的学生，平均月薪就在12000-15000之间，工作3-5年比较有经验的人可以拿到20-35k的月薪。

考研

主要方向有：计算机科学与技术、计算机系统结构、计算机软件与理论、计算机应用技术、科学与信息技术（清华、北大、复旦、北京航空航天大学等少数学校开设）。

留学

该专业留学首推美国。国外的大学设置了数据科学专业，数据科学就是从数据中提取信息知识，是数据挖掘与预测分析的延伸，亦是发掘知识与数据的过程。所以，数据科学专业不仅包含了大数据也包含了数据分析。推荐学校有：哥伦比亚大学、加州大学伯克利分校、斯坦福大学、麻省理工学院、卡耐基梅隆大学等。

Ⅳ 数据科学家与数据分析师，数据工程师到底有何差别

近些年，互联网公司对数据分析师岗位的需求越来越多，这不是偶然。
过去十多年，中国互联网行业靠着人口红利和流量红利野蛮生长；而随着流量获取成本不断提高、运营效率的不断下降，这种粗放的经营模式已经不再可行。互联网企业迫切需要通过数据分析来实现精细化运营，降低成本、提高效率；而这对数据分析师也提出了更高的要求。
本文将和大家分享数据分析师的演变、数据分析价值体系、数据分析师必备的四大能力、七大常用思路以及实战分析案例。
一、数据分析师的前世今生
在介绍数据分析师之前，我们先来看一下这几个历史人物，看看他们都跟数据分析师有着怎样的渊源？

历史上大名鼎鼎的“分析师”
上面展示的六个历史人物（从左往右，从上往下）分别是：张良、管仲、萧何、孙斌、鬼谷子和诸葛亮。他们是历史上大名鼎鼎的谋士，有的还做过丞相。他们博览群书、眼光独到，通过对大量史实进行总结发现了很多规律，并且在实践中成功预测了很多事件。他们通过 “历史统计——总结分析——预测未来”的实践为自己的组织创造了绝大的价值，而这就是“数据分析师”的前身。
那么现在，数据分析师需要哪些必备技能，如何成为一名优秀的数据分析师呢？
二、数据分析师的价值金字塔
一个完整的企业数据分析体系涉及到多个环节：采集、清理、转化、存储、可视化、分析决策等等。其中，不同环节工作内容不一样，消耗的时间和产生的价值也相差甚远。

数据分析价值金字塔
互联网企业数据分析体系中至少有三方面的数据：用户行为数据、交易订单数据和CRM数据。工程师把不同来源的数据采集好，然后通过清理、转化等环节统一到数据平台上；再由专门的数据工程师从数据平台上提出数据。这些工作占用了整个环节90%的时间，然而产生的价值却只占10%。
这个金字塔再往上数据分析就和业务实际紧密结合，以报表、可视化等方式支持企业的业务决策，涵盖产品、运营、市场、销售、客户支持各个一线部门。这个部分占用了整个环节才10%的时间，但是却能产生90%的价值。
一个优秀的商务数据分析师应该以价值为导向，紧密结合产品、运营、销售、客户支持等实践，支持各条业务线发现问题、解决问题并创造更多的价值。
三、数据分析师必备的四大能力

数据分析师必备的四大技能
1.全局观
某日，产品经理跑过来问我：Hi，能不能帮我看一下昨天产品新功能发送的数据？谢谢！条件反射我会说：好，我马上给你！不过我还是礼貌性地问了一句：为什么需要这数据呢？产品经理回复道：哦，昨天新功能上线了，我想看看效果。知道了产品经理的目的，我就可以针对性地进行数据提取和分析，分析的结果和建议也就更加具有可操作性。
很多时候，数据分析师不能就数说数，陷入各种报表中不能自拔。一个优秀的数据分析师应该具有全局观，碰到分析需求的时候退一步多问个为什么，更好地了解问题背景和分析目标。
2.专业度
某企业的数据科学家针对用户流失情形进行建模预测，最终得到的用户流失模型预测准确率高达90%多。准确率如此之高，让商务分析师都不敢相信。经过检验，发现数据科学家的模型中有一个自变量是 “用户是否点击取消按钮” 。而点击了“取消”按钮是用户流失的重要征兆，做过这个动作的用户基本上都会流失，用这个自变量来预测流失没有任何业务意义和可操作性。
数据分析师要在所在行业（例如电商、O2O、社交、媒体、SaaS、互金等等）展示她/他的专业度，熟悉自己行业的业务流程和数据背后的意义，避免上面的数据笑话。
3.想象力
商业环境的变化越来越快、越来越复杂，一组商业数据的背后涉及到的影响因素是常人难以想象的。数据分析师应该在工作经验的基础上发挥想象力，大胆创新和假设。
4.信任度
以销售岗位为例，一个销售人员首先要和用户建立起信任；如果用户不信任你的话，那他也很难信任或者购买你的产品。同理，数据分析师要和各部门同事建立良好的人际关系，形成一定的信任。各个部门的同事信任你了，他们才可能更容易接受你的分析结论和建议；否则事倍功半。
四、数据分析常见的七种思路
1.简单趋势
通过实时访问趋势了解产品使用情况，便于产品迅速迭代。访问用户量、访问来源、访问用户行为三大指标对于趋势分析具有重要意义。

分钟级别的实时走势

以星期为周期的趋势对比
2.多维分解
数据分析师可以根据分析需要，从多维度对指标进行分解。例如浏览器类型、操作系统类型、访问来源、广告来源、地区、网站/手机应用、设备品牌、APP版本等等维度。

多维度分析访问用户的属性
3.转化漏斗
按照已知的转化路径，借助漏斗模型分析总体和每一步的转化情况。常见的转化情境有注册转化分析、购买转化分析等。

漏斗分析展示注册每一步的流失率
4.用户分群
在精细化分析中，常常需要对有某个特定行为的用户群组进行分析和比对；数据分析师需要将多维度和多指标作为分群条件，有针对性地优化产品，提升用户体验。
5.细查路径
数据分析师可以观察用户的行为轨迹，探索用户与产品的交互过程；进而从中发现问题、激发灵感亦或验证假设。

通过细查路径分析用户的行为规律
6.留存分析
留存分析是探索用户行为与回访之间的关联。一般我们讲的留存率，是指“新增用户”在一段时间内“回访网站/app”的比例。 数据分析师通过分析不同用户群组的留存差异、使用过不同功能用户的留存差异来找到产品的增长点。

留存分析发现“创建图表”的用户留存度更高
7.A/B 测试
A/B测试就是同时进行多个方案并行测试，但是每个方案仅有一个变量不同；然后以某种规则（例如用户体验、数据指标等）优胜略汰选择最优的方案。数据分析师需要在这个过程中选择合理的分组样本、监测数据指标、事后数据分析和不同方案评估。
五、数据分析实战案例
某社交平台推出付费高级功能，并且以EDM（Email Direct Marketing，电子邮件营销）的形式向目标用户推送，用户可以直接点击邮件中的链接完成注册。该渠道的注册转化率一直在10%-20%之间；但是8月下旬开始注册转化率急剧下降，甚至不到5%。
如果你是该公司的数据分析师，你会如何分析这个问题呢？换言之，哪些因素可能造成EDM转化率骤降？
一个优秀的数据分析师应该具有全局观和专业度，从业务实际出发，综合各个方面的可能性。因此，EDM注册转化率骤降的可能性罗列如下：
1.技术原因：ETL延迟或者故障，造成前端注册数据缺失，注册转化率急剧下降；
2.外部因素：该时间节点是否有节假日，其他部门近期是否有向用户发送推广邮件，这些因素可能稀释用户的注意力；
3.内部因素：邮件的文案、设计是否有改变；邮件的到达率、打开率、点击率是否正常；邮件的注册流是否顺畅。
经过逐一排查，数据分析师将原因锁定在注册流程上：产品经理在注册环节添加了绑定信用卡的内容，导致用户的注册提交意愿大幅度下降，转化率暴跌。
一个看似简单的转化率分析问题，它的背后是数据分析师各方面能力的体现。首先是技术层面，对ETL（数据抽取－转换－载入）的理解和认识；其实是全局观，对季节性、公司等层面的业务有清晰的了解；最后是专业度，对EDM业务的流程、设计等了如指掌。
练就数据分析的洪荒之力并非一朝一夕之功，而是在实践中不断成长和升华。一个优秀的数据分析师应该以价值为导向，放眼全局、立足业务、与人为善，用数据来驱动增长。

Ⅵ 如何区分数据科学家，数据工程师与数据分析师

科学家是个笼统的称呼，偏向于基础科学研究。数据工程师是工科人员，写代码的，就是程序猿。数据分析师是商科的

Ⅶ 大数据工程师好做吗

大数据是眼下非常时髦的技术名词，与此同时自然也催生出了一些与大数据处理相关的职业，通过对数据的挖掘分析来影响企业的商业决策。
不过在国内，大数据的应用才刚刚萌芽，人才市场还不那么成熟，“你很难期望有一个全才来完成整个链条上的所有环节。更多公司会根据自己已有的资源和短板，招聘能和现有团队互补的人才。
于是每家公司对大数据工作的要求不尽相同：有的强调数据库编程、有的突出应用数学和统计学知识、有的则要求有咨询公司或投行相关的经验、有些是希望能找到懂得产品和市场的应用型人才。正因为如此，很多公司会针对自己的业务类型和团队分工，给这群与大数据打交道的人一些新的头衔和定义：数据挖掘工程师、大数据专家、数据研究员、用户分析专家等都是经常在国内公司里出现的Title，我们将其统称为“大数据工程师”。
一个优秀的大数据工程师要具备一定的逻辑分析能力，并能迅速定位某个商业问题的关键属性和决定因素。“他得知道什么是相关的，哪个是重要的，使用什么样的数据是最有价值的，如何快速找到每个业务最核心的需求。”联合国网络大数据联合实验室数据科学家沈志勇说。学习能力能帮助大数据工程师快速适应不同的项目，并在短时间内成为这个领域的数据专家；沟通能力则能让他们的工作开展地更顺利，因为大数据工程师的工作主要分为两种方式：由市场部驱动和由数据分析部门驱动，前者需要常常向产品经理了解开发需求，后者则需要找运营部了解数据模型实际转化的情况。
你可以将以上这些要求看做是成为大数据工程师的努力方向，这是一个很大的人才缺口。目前国内的大数据应用多集中在互联网领域，有超过56%的企业在筹备发展大数据研究，未来5年，94%的公司都会需要数据科学家。因此也建议一些原本从事与数据工作相关的公司人可以考虑转型。
大数据工程师就是一群“玩数据”的人，玩出数据的商业价值，让数据变成生产力。大数据和传统数据的最大区别在于，它是在线的、实时的，规模海量且形式不规整，无章法可循，因此“会玩”这些数据的人就很重要。
因此分析历史、预测未来、优化选择，这是大数据工程师在“玩数据”时最重要的三大任务。通过这三个工作方向，他们帮助企业做出更好的商业决策。
如何成为大数据工程师
由于目前大数据人才匮乏，对于公司来说，很难招聘到合适的人才—既要有高学历，同时最好还有大规模数据处理经验。因此很多企业会通过内部挖掘。
目前长期从事数据库管理、挖掘、编程工作的人，包括传统的量化分析师、Hadoop方面的工程师，以及任何在工作中需要通过数据来进行判断决策的管理者，比如某些领域的运营经理等，都可以尝试该职位，而各个领域的达人只要学会运用数据，也可以成为大数据工程师。
薪酬待遇
作为IT类职业中的“大熊猫”，大数据工程师的收入待遇可以说达到了同类的顶级。根据颜莉萍的观察，国内IT、通讯、行业招聘中，有10％都是和大数据相关的，且比例还在上升。大数据时代的到来很突然，在国内发展势头激进，而人才却非常有限，现在完全是供不应求的状况。在美国，大数据工程师平均每年薪酬高达17.5万美元，而据了解，在国内顶尖互联网类公司，同一个级别大数据工程师的薪酬可能要比其他职位高20％至30％，且颇受企业重视。
职业发展路径
由于大数据人才数量较少，因此大多数公司的数据部门一般都是扁平化的层级模式，大致分为数据分析师、资深研究员、部门总监3个级别。大公司可能按照应用领域的维度来划分不同团队，而在小公司则需要身兼数职。有些特别强调大数据战略的互联网公司则会另设最高职位—如阿里巴巴的首席数据官。这个职位的大部分人会往研究方向发展，成为重要数据战略人才。。另一方面，大数据工程师对商业和产品的理解，并不亚于业务部门员工，因此也可转向产品部或市场部，乃至上升为公司的高级管理层。

Ⅷ 数据科学家 机器学习工程师与普通的软件工程师有什么不同

首先数据有没有科学家不知道，机器学习工程师，是机戒上的东西，软件是IT行业不可比较