来源：100offer本文约5000字，建议阅读8分钟。本文通过数据、采访与真实案例，带你走进2017年算法岗求职市场的真实现状。人工智能火热的2017年，算法相关岗位无论在薪资还是受欢迎程度上，均在市场中名列前茅。但在17年整体算法岗求职市场排摸中，我们却发现到几位高薪入职新岗位的算法候选人，纷纷在入职新公司不久后因水土不服而火速离职。这不禁使我们疑惑：2017年，算法工程师的求职之路，真的一帆风顺吗？算法工程师高薪、热门的背后，又有哪些不为人知的故事？「算法岗位薪资高，刚毕业的本科生都能拿XX万年薪」，算法岗位不断传出的高年薪多少让在2017年看机会的互联网人有些红眼。一时间「Java工程师如何转岗算法」、「前端工程师如何向人工智能岗位靠拢」、「零基础如何入门算法」等类似的求教帖在各个技术平台、讨论社区被反复热议。诚然，一个处于上升趋势的领域总是更能够给大家带来「希望」。在整体互联网行业趋于平稳发展的2017年，算法岗位无论是在需求还是供应上的显著增长都使它成为相对「保守」的2017年招聘市场上一个亮眼的岗位。那么2017年，算法岗位的整体表现如何？通过我们对2017年算法岗位的整体分析上看，2017年的算法岗位在供需增长上的表现的确十分亮眼，但是也出现了平均面邀数明显下降的情况：1.算法岗的求职者显著增长：算法求职者增长87%；2.招聘算法岗的公司数量增长约1.2倍；3.虽然招聘公司增长显著，但求职者的平均面邀数却出现显著下降的情况。那么，为什么会出现平均面邀数显著下降的情况？作为求职者应该如何应对呢？说明：1.本文所使用数据，除特别说明外，皆来自100offer平台；2.本文数据截取时间：2015年1月1日至2017年12月31日；3.数据截取对象：求职方向为算法、数据科学家的候选人，他们经筛选在100offer进行匿名展示，他们收到的面试邀请和薪资普遍高于市场平均水平；4.100offer平台统计的面邀薪资、跳槽后薪资数据方式：月薪*发放月份。不包含奖金、期权等。算法岗位供需增长显著，但求职者所获人均面邀大幅下降1.算法岗位求职者增加87 17年，期望求职方向为算法的求职者增加了87%，一跃成为去年求职数量最多的技术岗位第三名。我们通过细分数据后发现，这部分增长人群主要来自：高学历群体算法是高学历人群的聚集地。近年来，算法岗位的硕博占比逐渐升高。从15年的35.4%上升到17年的53.2%。资深求职者除了学历越来越高外，市场上看机会的资深候选人变多。3年以下的算法方向候选人占比较16年下降4.2%，工作6年以上的算法工程师上升6.9%。 从这些资深的算法工程师的来源上看，我们发现他们往往有知名传统企业的工作经历。其中最多的就是从华为、新思科技等公司出来的算法候选人。这些候选人在2017年要么受到行业发展的影响、要么受到传统企业裁员因素的影响，纷纷选择在17年出来看机会。2.招聘算法岗公司数量增加1.2倍，但发出面邀仅增长6 17年进行算法岗位招聘的公司较16年增长约1.2倍，一跃成为需求量最大岗位第三名。和需求公司一起增长的还有公司发出的面邀数。2017年，需求方总共发出2万+面试邀请，虽然发出的总面邀数增长了，但这一增长率较2016年仅为6%，远低于求职者（增长87%）的增长量。3.求职者所获平均面邀数显著下降相较于2016年算法求职者平均收获的13.9封面邀，算法工程师的面邀数在2017年下降至7.8封。通过上一点的分析，我们发现算法岗的求职者涨幅远超于发出的面邀数涨幅，这也就不难解释为何2017年算法求职者收到的面邀数量显著下降了。那么，2017年市场上的算法求职者究竟经历了什么？匹配率低带来的算法岗求职之苦通过对2017年算法岗位的总体观察来看，求职匹配率低是导致在供需都增长的情况下，平均面邀数显著下降的主要原因。从公司角度上看，很多没有进行数据积累或者没有大数据分析基础的公司盲目地想要跟上AI的热潮，以为贴上AI的牌，就算站上了人工智能的风口。这些公司盲目地设置算法岗位的HC，更有甚者花高薪聘请1-2名学术背景优秀的博士生，寄希望于 1-2个算法工程师解决整个数据问题。通常这种情况带来的结果都十分悲剧。公司一方面忽略了自己现阶段没有适合进行大数据分析的土壤，另一方面又过于「神化」一个高薪博士能够带来的工作成果：希望他能够快速、完美地完成既定目标。在被高薪聘请的算法工程师还停留在数据清洗、与原有的技术部门进行所需数据的结构改造时，这些公司就已没有耐心（或者没有足够的经济成本）继续培养这个高薪工程师，最后只好公司自己咽下盲目招人的苦果。除了公司角度外，求职者的盲目、无规划跳槽则是影响求职匹配率的另外一个主要影响因素。我们首先需要明确一个前提：与其他技术岗位相比，算法岗有明确的门槛。相对于其他的技术岗位，比如十分热门的Java、前端工程师，算法工程师对于求职者背景的要求显然高出许多。我们抓取了平台上标记为算法岗位的JD，其中让人注明的关键词包括：数学、硕士、论文。这些关键词侧面反映出算法岗位相对于其他的技术岗位而言，对于求职者提出了更高的学术背景要求。除了学术背景的要求之外，算法工程师的第二道门槛就是理论联系实际：应用的门槛。如果你很会推导公式，在训练模型上很有经验，但是缺少将理论与实际业务相结合的能力，那么市场能够给你的机会也不多。在市场上，与算法岗位的招聘需求不匹配的求职者主要有三种：缺乏相关经验的求职者这里的背景包括两类：工作背景和学术背景。在100offer上想要转型为算法工程师的人数不少，某知名985学校计算机专业科班出身的余周就是其中一名Java工程师。在余周的工作背景中，大部分都是面向对象编程的工作经验，即使有一个和预测数据类相关的小项目，但这个项目显然无法替他敲开算法岗位的门。在100offer平台上，余周在以算法工程师为求职目标时，没有收到任何面邀。（余周在100offer上的具体求职情况）和余周一样，自以为有相关经验的转岗求职者在平台上并不少见，市场给予他们的反馈也十分直白：不适合。即使有经验，但是过于理论的求职者和余周不同的是，拥有扎实模型推理基础和相关工作经验的张楠，踩了理论无法与实际相结合的坑。知名理工科院校计算数学背景出身的张楠，从某一硬件公司研究院的算法岗位出来后，在100offer平台上收到了7个面邀。他成功通过某一知名互联网公司的面试。面试时，公司对他出色的数学推导能力表示认可，并开出了涨幅超过50%的年薪。入职1个月后张楠就被HR约谈，公司决定解雇他。给出的理由就是过于理论，短期（半年）内无法落地。（张楠在100offer上的具体求职情况）面对这样一个情况，拥有搭建算法团队经验的面试官许至一说出了中间出现不匹配情况的原因：「很多公司研究院做的东西，比如仿真这种，可能一个模型训练下来，（理论上）的确能够实现，在他们的KPI评价体系中也是达标的。但是这种实现都是对实现环境有非常严格要求的，这种理论上的实现和工业体系（实际业务）中差别还是非常巨大的。有些在工业体系中就是实现不了，并不是说他们错了，而是他们难以落地。」即使有良好的数理背景，但没有迈过业务落地的槛，最终导致求职失败。张楠2017年的求职路给了想要从事算法工程师工作的候选人另一个警钟。除了余周和张楠这样的求职者，100offer上还有更加令人惋惜的另外一种「算法求职失败」，即细分领域内的不匹配。算法岗细分领域内转岗的求职者某知名985学校毕业的博士生谢霖，在图像算法领域有很深的研究。11月来100offer平台上进行求职，拿到了某知名互联网公司广告算法offer。看重公司的平台，并且公司表示他可以单独负责一个新的方向，谢霖决定转岗广告算法。但入职之后，谢霖发现他了解的算法技能并不能很好地被应用到现有的岗位上，经过深思熟虑之后，他还是放弃了这个机会，重新到市场上进行求职。（谢霖在100offer上的具体求职情况）「虽然说底层的算法内核是一样的，但是他们在实际应用中，包括业务领域、处理的问题、需要的技巧方面的差异还是特别大」许至一如此解释这种求职不匹配。算法内部转岗可能意味着前期技术积累直接的浪费，这样一种不匹配求职十分可惜。上面三种情况就是2017年算法岗位求职现状的一种折射，不适合、不匹配成为算法岗位社会招聘中最高频出现的两个词。前些年被「培训班速成」就能取得高薪岗位「冲昏头脑」的求职者，在算法岗上吃了个闭门羹。公司进行社会招聘的目的就是寻找合适岗位的人才，以前会出现不那么匹配的人也能求职成功的「特例」，在算法岗上并不能直接复制。为什么不能复制，想要转岗算法的求职者要怎样才能满足市场的要求呢？提升岗位匹配率，需要match这些能力在弄清楚如何满足市场对算法工程师提出的要求之前，我们需要先明白，算法工程师究竟需要做什么。1.算法工程师究竟要做什么？算法工程师主要根据业务进行细分，常见的有广告算法工程师、推荐算法工程师、图像算法工程师等等。虽然不同的业务场景会提出更多细分的要求，但抽象来看，算法工程师的绝大部分工作内容都在和模型打交道。这些工作根据细分业务领域的不同会略有差别，以下是100offer上有算法工作经验的候选人进行求职时写在简历上的典型工作内容：与软件工程师协作，对XXX版中的XXXX和XXXX进行优化和改进，对公司用户的存储数据进行采集、采样和模拟，比较不同的算法在不同数据模式下进行动态存储分配的性能；利用神经网络模型对用户数据进行建模、训练和分类，存储获得的模型参数和权重，将获得的模型转化成预测模型标记语言；利用机器学习模型和基于规则模型对XXXX的所有商品进行危险品检测，将模型部署用于在线实时分类以及离线批处理分类；主持人群分类与精准投放、广告效果归因分析、商品零售销量预测、基于匿名数据的跨屏用户打通、同源样本库等项目的研究与开发。2.算法工程师需要满足的4项基本要求了解了算法工程师的具体工作之后，我们才能从看似千篇一律的JD上，进一步分解出市场对算法工程师提出的具体要求：经验背景在前面的分析中，我们提到了算法工程师的绝大部分工作是与模型打交道，即使是偏工程的算法工程师，其实也需要跟很多工具、模型打交道。因此，对于算法工程师而言，拥有一定的学术背景是公司考察的重点之一。这个考察点通常会被具体为以下几点放在JD中。关注机器学习领域的最新进展，对深度学习、概率图模型有研究者优先；扎实的数学和计算机科学功底，对数据结构和算法有较为深刻理解；本科以上学历，扎实自然语言处理、机器学习、数据挖掘理论和技术基础；能够阅读英文技术文档和论文，具有良好的自学能力；在顶级会议、期刊上发表过论文者优先。从上述要求中，我们可以总结出以下三点背景考察因素：相关领域经验、数理基础、英文论文阅读。「招聘企业肯定优先想要考虑那些有直接工作背景的，但是这种人才在市场上通常都比较少，所以他们会退而求其次，考察他们的学术背景。」100offer的人才顾问tata阐述了企业在招聘时看经验背景的权重，「如果两方面都能够match上，那就非常匹配了」。在100offer平台上看机会的宋宁宇就是这么一个两方面都能match上的人。30岁刚出头的宋宁宇的上一家公司为某知名软件公司外企，他从15年起就开始在实际业务中使用机器学习框架。除了有使用机器学习框架的背景外，他还有良好的学历背景：全国top3院校，EE专业毕业生。他最后以近50%的薪酬涨幅入职某知名互联网公司的广告算法岗位。「这个岗位在我们平台上鲜有人能应聘成功，宋宁宇除了优秀的学历背景外，有算法框架的实践经历也给他加了不少分」。宋宁宇的人才顾问Summer如此评价这位求职十分顺利的候选人。（宋宁宇在100offer上的具体求职情况）编程能力算法工程师的工程素养其实就是一个程序员的基本素养。这也是大部分非AI范畴公司招聘算法工程师的基本要求之一：至少精通一门编程语言(Java，Python,Golang)Java优先,熟悉常用的数据结构、算法等，掌握软件工程、敏捷开发模型，熟练掌握和应用各种设计模式；有海量访问系统的开发经验，对高可用、高并发、易扩展有结合实际的理解。毕竟在市场上，大部分还是和业务相结合的算法工程师，这样的编程能力需求是基本中的基本。从Python后台开发成功转岗的候选人霍炬就是这样成功转型的。霍炬在前一家公司主要从事Python后台开发的工作，再加上他曾在公司进行过一个小的推荐算法项目的实践，最后成功转岗进入某家技术栈为Python的知名独角兽公司。（霍炬在100offer上的具体求职情况）「虽然在具体的业务实操过程中，负责算法的和负责工程的工程师的工作还是有很大区别，但是现阶段大部分公司并没有把两者的区分做得如此泾渭分明」一家B轮独角兽企业的广告算法Leader如此解释算法工程师中对于工程能力的需求。霍炬进入这家公司后，也成为工程+算法兼修的综合型算法工程师，「我们公司没有完全分开」，谈及他能成功转型的原因，霍炬认为「一开始我找算法的岗位并不是十分顺利，本来都打算自己回去刷刷题再战的，但是正好这家公司的技术栈和我擅长的Python相吻合，我就十分幸运地加入了」。业务理解能力对于算法工程师而言，业务的理解是能够产生结果的充分且必要条件，毕竟你工作的主要目的是把具体问题抽象成数学模型进行解决，然后将模型应用在业务上。算法工程师的工作不仅仅停留在训练模型层面，还需要把你的模型与实际工作相结合。如果没有好的业务理解，你认为找到了一个很棒的变量，但其实是你的理解错误。这些要求在JD上通常被这样婉转地表达出来：具备业务抽象和信息建模能力，能够将复杂的业务场景分解、抽象成标准化的业务模型；对于把大数据和人工智能分析的结果能够应用到实际业务场景产生商业价值具有强烈的热情。这些业务理解能力的另外一种表达方式就是对已有数据的敏感性。对数据的敏感主要表现在：了解数据的业务涵义、能够把数据进行准确的应用。钱行就是这样一个候选人，长达8年的某数据营销公司的工作经验，已经是公司算法总监的他手握2项国家授权专利。通过扎实的技术沉淀，钱行总共收到13封面试邀请，最后斩获多个面邀，经权衡后，钱行理智选择了更加符合自己工作经验和北京的广告算法领域，以60万年薪（仅为月工资*月份，不含奖金和期权等）加入某知名互联网公司。（钱行在100offer上的具体求职情况）创新能力对于算法工程师的创新能力的考察背后隐含的是对其未来发展潜力的一种考察。无论是从调参工程师还是合格的算法工程师的角度来看，模型应用从最初的调参，到模型优化，再到端到端解决问题，中间都需要有能够在业务基础上进行模型创新的候选人。在知道了市场究竟需要怎样的算法工程师之后，想要转岗跳槽的你，可以先看看自己是否有能够证明以上能力的资本。无论是工作经验十分匹配的宋宁宇、正好碰到同样技术栈的霍炬，还是资深算法工程师钱行也好，他们的经验都告诉我们，合适和匹配是能够进行完美跳槽的第一步。我们说：在进行算法岗位盘点时，我们会发现这种人人都想做算法的「狂热场景」曾经反复上演：移动端工程师、大数据科学家这样的岗位也曾经借着行业领域的东风火过一阵。有人说，风水轮流转，也该到算法工程师了。但从实际的情况上看，2017年的算法市场更像是候选人的「一厢情愿」。相对于候选人的「不理智」，需求方反而冷静许多。就像我们分析的，算法工程师天然的技术门槛导致这并不是快速学习就能直接进入的技术岗位。但是，有技术门槛恰恰是给了各位想要培养算法素养的工程师一条明确的途径。毕竟并不是只有成为算法工程师才能赶上这个技术浪潮，其实大部分的工程师岗位也需要一定的算法素养。在盲目跳槽之前，不如先看看目标，评估一下自己的水平，再规划怎么上路吧。 *为保护候选人隐私，文章中出现的所有人名皆为化名校对：谭佳瑶为保证发文质量、树立口碑，数据派现设立“错别字基金”，鼓励读者积极纠错。若您在阅读文章过程中发现任何错误，请在文末留言，或到后台反馈，经小编确认后，数据派将向检举读者发8.8元红包。同一位读者指出同一篇文章多处错误，奖金不变。不同读者指出同一处错误，奖励第一位读者。感谢一直以来您的关注和支持，希望您能够监督数据派产出更加高质的内容。

目录：1什么是数据分析；2数据分析职业介绍；3数据分析生涯规划；4数据分析薪酬情况；5数据分析基本素质。

一：那到底什么是数据分析呢？

数据分析是基于商业目的，有目的的进行收集、整理、加工和分析数据，提炼有价信息的一个过程。

其过程概括起来主要包括：明确分析目的与框架、数据收集、数据处理、数据分析、数据展现和撰写报告等6个阶段。

1、明确分析目的与框架

一个分析项目，你的数据对象是谁？商业目的是什么？要解决什么业务问题？数据分析师对这些都要了然于心。

基于商业的理解，整理分析框架和分析思路。例如，减少新客户的流失、优化活动效果、提高客户响应率等等。不同的项目对数据的要求，使用的分析手段也是不一样的。

2、数据收集

数据收集是按照确定的数据分析和框架内容，有目的的收集、整合相关数据的一个过程，它是数据分析的一个基础。

3、数据处理

数据处理是指对收集到的数据进行加工、整理，以便开展数据分析，它是数据分析前必不可少的阶段。这个过程是数据分析整个过程中最占据时间的，也在一定程度上取决于数据仓库的搭建和数据质量的保证。

数据处理主要包括数据清洗、数据转化等处理方法。

4、数据分析

数据分析是指通过分析手段、方法和技巧对准备好的数据进行探索、分析，从中发现因果关系、内部联系和业务规律，为商业目提供决策参考。

到了这个阶段，要能驾驭数据、开展数据分析，就要涉及到工具和方法的使用。其一要熟悉常规数据分析方法，最基本的要了解例如方差、回归、因子、聚类、分类、时间序列等多元和数据分析方法的原理、使用范围、优缺点和结果的解释；其二是熟悉1+1种数据分析工具，Excel是最常见，一般的数据分析我们可以通过Excel完成，后而要熟悉一个专业的分析软件，如数据分析工具SPSS/SAS/R/Matlab等，便于进行一些专业的统计分析、数据建模等。

5、数据展现

一般情况下，数据分析的结果都是通过图、表的方式来呈现，俗话说：字不如表，表不如图。。借助数据展现手段，能更直观的让数据分析师表述想要呈现的信息、观点和建议。。

常用的图表包括饼图、折线图、柱形图/条形图、散点图、雷达图等、金字塔图、矩阵图、漏斗图、帕雷托图等。

6、撰写报告最后阶段，就是撰写数据分析报告，这是对整个数据分析成果的一个呈现。通过分析报告，把数据分析的目的、过程、结果及方案完整呈现出来，以供商业目的提供参考。

一份好的数据分析报告，首先需要有一个好的分析框架，并且图文并茂，层次明晰，能够让阅读者一目了然。结构清晰、主次分明可以使阅读者正确理解报告内容；图文并茂，可以令数据更加生动活泼，提高视觉冲击力，有助于阅读者更形象、直观地看清楚问题和结论，从而产生思考。

另外，数据分析报告需要有明确的结论、建议和解决方案，不仅仅是找出问题，后者是更重要的，否则称不上好的分析，同时也失去了报告的意义，数据的初衷就是为解决一个商业目的才进行的分析，不能舍本求末。

二：数据分析师职业介绍

做数据分析前我们首先要明确分析目的和内容，对于数据分析师而言，他们的进阶需求无外乎是各个企业对数据分析师的职位要求。在前程无忧、中华英才网以及智联招聘上，我们随便搜索下数据分析的岗位信息，都能找到大量类似于下面的一些职位要求信息：

别看岗位职责，任职要求这么多，说白了主要就三点要求：1）对相关业务的理解；2）掌握一到二种数据分析工具；3）良好的沟通。可能不同的公司因为需求不同，会在要求上有点小小的不同，而这个不同主要集中在数据库上。了解数据分析师的具体需求之前，我们有必要先了解数据分析师的职位体系。

数据分析师的职位体系

在传统行业中，数据分析更多存在移动、银行、超市等行业，在这些行业中你才会偶尔听到数据分析师这个职位，也许更多是听到数据挖掘工程师、数据建模师。在中国也许只在电信的项目中，才会存在真正的意义上的数据挖掘。

数据行业从广义上讲可以分为以下几个职位：

1、数据分析师

更注意是对数据、数据指标的解读，通过对数据的分析，来解决商业问题。主要有以下几个次层次：1）业务监控：诊断当前业务是否正常？是否存在问题？业务发展是否达到预期（KPI）？如果没有达到预期，问主要问题在哪？是什么原因引起的？

2）建立分析体系：这些数据分析师已经对业务有一定的理解，对业务也相对比较熟悉，更多帮业务方建立一套分析体系，或者更高级是做成数据产品。例如：营销活动。分析师会告诉业务方，在活动前你应该分析哪些数据，从而制定恰当的营销计划。在营销过程中，你应该看哪些数据，从而及时做出营销活动调整。在营销活动，应该如何进行活动效果评估。

3）行业未来发展的趋势分析：这应该是数据分析师最高级别，有的公司叫做战略分析师/商业分析师。这个层次的数据分析师站的更高，在行业、宏观的层面进行业务分析，预测未来行业的发展，竞争对手的业务构成，帮助公司制定战略发展计划，并及时跟踪、分析市场动态，从而及时对战略进行不断优化。

主要技能要求：

数据库知识（SQL至少要熟悉）、基本的统计分析知识、EXCEL要相当熟悉，对SPSS或SAS有一定的了解，对于与网站相关的业务还可能要求掌握GA等网站分析工具，当然PPT也是必备的。

2、数据挖掘工程师

更多是通过对海量数据进行挖掘，寻找数据的存在模式、或者说规律，从而通过数据挖掘来解决具体问题。数据挖掘更多是针对某一个具体的问题，是以解决具体问题为导向的。例如：聚类分析，通过对于会员各种人口统计学、行为数据进行分析，对会员进行分类，对不同的类型的会员建立相应的profiling，从而更好的理解会员，知道公司会员是到底如何？高、中、低低价值的会员构成，既可以后期各种会员的运营提供指导，提高活动效率，可以指导公司的营销，例如广告的投放策略。以及用于公司各种战略的制定。

主要技能要求：1）数据库必须精通。很多时候，你模型的数据预处理，可能完成在数据库里完成，你用到的数据库技巧更高。 

2）必须要会成熟的数据挖掘工具、数据挖掘算法，例如：SPSS/CELEMENTINE、SAS/EM等，当然如果你会一、二款开源软件，并会写一些程序代码那是最好的，大公司都喜欢用开源的软件，例如：R、WEKA。

3、数据建模师

这个职位与数据挖掘工程师还是有本质区别的。数据建模师，更多偏向于中、小数据量，而且其使用更多更多是统计学的方法，而数据挖掘中的例如：决策树、神经网络、SVM等在这里是根据不会涉及的。

当然二者有一个共同之处都是，针对很具体的问题，都是会解决某个具体问题，例如：营销反应率，你就可能历史的邮箱、短信的反应情况，来建模型进行预测，从而提高邮件反应率，或者减少对用户来说的“垃圾”邮箱，提高用户体验。所以从掌握的技能上讲，这二者就有很大的区别，数据建模师其实很少会提到算法这个词，更多说使用什么模型，有感觉吗？但是从实务界来看，这二个模型越来越没有明确的分工，一般来说都会二个职位的人都会去学习对方的知识，所以这二个职位有合并的趋势，但在未来几年来，我觉得公司要招人的时候应该还是要有区别的。

新进入数据行业的同学，可以根据自己的背景背景选择相应的职位，学数据、统计学的朋友更多可以偏向于建模师，而计算机特别是写编程出现和同学，可以走数据挖掘工程师，也许适应性更好，但这不是绝对的。

数据分析师的职位级别划分

不同公司对数据分析师的职位划分骚有不同，在一些中小型企业，没有成立独立的数据中心前，数据分析的相关职位往往是在譬如市场部、运营部这些部门之下，通常数据分析成员在2-4人不等。对于一些大型企业，有独立的数据部门的企业，其数据分析团队人员则是十到百人不等，其职位头衔有通俗的总监、经理、主管划分，也有助理、资深、专家之类的划分。下面是一张微博上传的比较火的某集团的数据分析师职位级别划分图表，大家可根据自身的情况对号入座。（下图来自微博阿里的朋友分享）

更多请关注：数据分析（ID:ecshujufenxi）微信公众号；

三：数据分析职业生涯规划

按照不同分析方法所能给人带来的智能程度，可以把分析能力划分为以下8个等级。

上面的8级划分源自SAS网站的Eightlevelsofanalytics，由IDMer编译而成，个人觉得其中的8张图片非常形象生动，网友@数据小宇军用两个图表将它们更好地展示出来了：

数据分析师的级别

1、数据跟踪员：机械拷贝看到的数据，很少处理数据

虽然这个工作的人还不能称作数据分析师，但是往往作这样工作的人还都自称是数据分析师，这样的人，只能通过×××系统看到有限的数据，并且很少去处理数据，甚至不理解数据的由来和含义，只是机械的把自己看到的数据拷贝出来，转发给相应的人。这类人发出来的数据，是否有意义，怎么解读，他自己是不知道的，只能期望收到数据的人了。

2、数据查询员/处理员：数据处理没问题，缺乏数据解读能力

这些人可以称为分析师了，他们已经对数据有一定的理解了，对于大部分数据，他们也知道数据的定义，并且可以通过监控系统或者原始的数据，处理得到这些数据。统计学的方法，这批人还是很精通的，统计学的工具，他们也是用起来得心应手，你让他们做一下因子分析，聚类肯定是没问题，各类检验也是用的炉火纯青。他们的不足是：1、如果不告诉他们命题，那么他们就不知道该应用什么样的方法去得到结论了。2、对于数据的处理没问题，但是却没有一个很好的数据解读能力。只能在统计学的角度上解释数据。

3、数据分析师：解读数据，定位问题提出答案

数据分析师这群人，对于数据的处理已经不是问题了，他们的重点已经转化到怎么样去解读数据了，同样的数据，在不同人的眼中有不一致的内容。好的数据分析师，是能通过数据找到问题，准确的定位问题，准确的找到问题产生的原因，为下一步的改进，找到机会点的人。往往科班出身的人，欠缺的不是在处理数据上，而是在解读数据上，至于将数据和产品结合到一起，则是其更缺少的能力了。

4、数据应用师：将数据还原到产品中，为产品所用

数据应用，这个词很少被提到。但是应用数据被提的很多，分析了大量的数据，除了能找到问题以外，还有很多数据可以还原到产品中，为产品所用。典型的是在电子商务的网站中，用户的购买数据，查看数据和操作的记录，往往是为其推荐新商品的好起点，而数据应用师就是要通过自己的分析，给相应的产品人员一个应该推荐什么产品，购买的可能性会最大的一个结论。国内能做到这个级别的数据人员还真是少的可怜，甚至大部分人员连数据的视图都搞不定，而真正意义上的能数据应用师，可以用数据让一个产品变得更加地简单高效。

5、数据规划师：走在产品前面，让数据有新的价值方向

数据规划师，不能说水平上比数据应用师高多少，而是另外一个让数据有价值的方向。往往在实际的应用中，数据都是有其生命周期的，用来分析、应用的数据也是，这点上，尤其是在互联网公司更加明显，一个版本的更新，可能导致之前的所有数据都一定程度的失效。数据规划师在一个产品设计之前，就已经分析到了，这个产品应该记录什么样的数据，这些数据能跟踪什么问题，哪些记录到的数据，应该可以用到数据中去，可以对产品产生什么样的价值。

更多请关注：数据分析（ID:ecshujufenxi）微信公众号；

四：数据分析薪酬情况

数据分析相关职位在企业当中，同级别，相比运营等要高20%左右，这里以BAT整体薪酬情况，为大家作一下参考。

三大互联网巨头公司，百度腾讯跟阿里如何划分级别?薪资待遇又有多少?除非身居其位，否则很难探知，但是等你到那个位置知道了，却又不能说，至少不能在公开场合谈论。接下来就为大家揭秘，百度、阿里与腾讯内部的级别划分跟薪资待遇。这是一个群众喜闻乐见却又讳莫如深的话题。

各个公司头衔名字都不一样，级别的数目也不一样;有些扁平，有些很多level慢慢升;有些薪水范围严格跟级别挂钩，有些薪水跟级别没绝对的关系。最近刚好整理了一份「互联网公司薪酬体系架构」内部资料，年底了，上年货，哦不，上部分干货。

阿里

最近对阿里羡慕嫉妒恨的同学可不少，知乎上也开起了对阿里的批斗会--2014年放弃阿里巴巴offer的人是否格外多?--个么，就重点先说说阿里吧!

1. 举个栗子。校招不论，单说社招。想知道阿里内部级别和薪资待遇的题主，或许正面临offer选择，就像这位纠结阿里系offer的同学W：

2. 最近刚通过面试，但基本薪酬也是不升反小降。级别只有P6+，连P7都没有，非常郁闷，打算拒绝算了。小本工作9年了，这算不算loser?

3. 奇了怪了，阿里系的P6和P7的范围到底是多少?

4. 不过反过来说，阿里系面试还真是有点深度的，通过不易，但拿到这个级别总感觉是否自已混的太一般了。

5. 郁闷。

这样的纠结实在太常见了，都是工作好几年的老程序员了，好不容易动心跳个槽，猎头开始保证得好好的，怎么拿到offer的薪酬却不尽如人意?是自己能力不够，还是被HR/猎头忽悠?

专心做技术的大都是心思单纯之人，却最容易吃亏。知己知彼方可百战不殆，看看对方的级别和待遇，谋定而后动，才能跳得更远，走得更稳。

2.先看阿里的级别定义：

P序列=技术岗M序列=管理岗

阿里的非管理岗分为10级

其中P6、P7、P8需求量最大，也是阿里占比最大的级别

前面栗子中郁闷的W同学拿到了P6+的offer，正处于最庞大但又最尴尬的级别中段，至于为什么差一点儿没拿到P7，难道是HR在省招聘费?

哦，江湖传言@Fenng是P7，@鬼脚七是P9，改日向我司隔壁的P9求证。

3.再看阿里的级别对应薪资：

•阿里薪资结构：一般是12+1+3=16薪

•年底的奖金为0-6个月薪资，90%人可拿到3个月

•股票是工作满2年才能拿，第一次拿50%，4年能全部拿完

说到股票，真是要普及下常识，别被忽悠了。股票是公司用来奖励员工忠诚度的，所以阿里分年限行权，想要离职套现真的是难。更不要高额的税收了，首先，归属要收高达45%的个税，然后得到的还是限制性股票，还不能马上卖呢。好不容易可以出售的时候，还得交20%股票增值部分的个人所得税哦!

更重要的是，你必须先缴税，才能归属，缴税还必须用现金，不能selltocover!So，拿的越多，先拿出的cash就越多，这里面的流动性风险你自己权衡吧。

百度

再说说级别分层和阿里类似的百度

1. 百度的技术级别：

2. 百度有4万人，每年招聘应届生技术产品人员1000人左右，技术岗位级别和阿里类似，分为T序列12级，不赘述了，大概阿里的级别减1或2，就是百度的级别。

•主要集中在T5/T6，升T7很困难，T7升T8更困难;T7以上一般就不做coding了

•一般来说，在百度待3年能给到T5，很多人都等不到三年，原因下面说，社招过来的，一般是外面公司的技术骨干了

•T10是技术总监，十个左右;T11是首席科学家;T12基本没见过。

2.再看百度薪资的大概范围：

•百度薪资结构：月薪*14.6(12+0.6+2),其他岗位月薪*14

•T5以上为关键岗位，另外有股票、期权

•T5、T6占比最大的级别，T8、T9占比最小

•级别越高，每档之间的宽幅越大

百度是一家业务定性，内部稳定，金字塔形的成熟公司。也就是说，大部分事情都是按部就班、驾轻就熟，所有人都比较轻松、稳定、舒服，尤其是对老员工而言。但是对于新员工来说，这意味着成长空间的极度压缩，机会少，上升慢。

百度工资高，福利好，但是这么多年期权已经基本发光了，只有总监以上才有，几十股几百股就算多了。问题就来了，百度新老员工的期权数量太悬殊，据说到百度楼下停车场一看，开卡宴的都是老员工，开捷达的都是新员工，其实很多新员工的贡献比老员工大得多，但是收入反而倒挂，于是很多新人等不到3年就跳了。

腾讯

谈谈最南边的腾讯

1. 腾讯的技术级别：

2. 腾讯的分级和阿里/百度都不一样，分为T1/T2/T3/T4共4级，其中又细分为3级。

3. •员工仍然集中在中段，尤其是T2.3和T3.1

4. •想从T2跨到T3，即从2.3升3.1是非常困难的

5. 2.了解薪酬和级别的关系：

•腾讯标准薪资是14薪，但是通常能拿到16-20薪

•T3.1以上开始另外有股票

值得一提的是，腾讯是有淘汰制考核的。一般一年两次考核(6月、12月)，实行末尾淘汰制，0-10%优秀，必须有5%的人转组(转组也可能出现没人接收的情况)或者被开除，这点比较狠。

升级也跟考核结果很有关系，要升一个小等级，必须最近两次考核得过一次A类考核结果。升T3.1是内部晋升的第一道槛，要求架构在领域内优秀，被追问攻击时能无漏洞应答出来--据说只有30%的通过率。同时，腾讯好的一点在于，底层普通员工如果技术真的不错，照样升级，和是不是leader关系不大。leader的带队价值在T3.3时才显现出来。

别问我是怎么知道答案的，我不是互联网猎头，我正在做的事就是要用互联网产品替代猎头，因为猎头不透明、不全面，还死贵。

更多请关注：数据分析（ID:ecshujufenxi）微信公众号；

五：数据分析的基本素质

一名合格的数据分析师需要具备的五大基本能力和素质。

1、态度严谨负责

严谨负责是数据分析师的必备素质之一，只有本着严谨负责的态度，才能保证数据的客观、准确。在企业里，数据分析师可以说是企业的医生，他们通过对企业运营数据的分析，为企业寻找症结及问题。一名合格的数据分析师，应具有严谨、负责的态度，保持中立立场，客观评价企业发展过程中存在的问题，为决策层提供有效的参考依据；不应受其他因素影响而更改数据，隐瞒企业存在的问题，这样做对企业发展是非常不利的，甚至会造成严重的后果。而且，对数据分析师自身来说，也是前途尽毁，从此以后所做的数据分析结果都将受到质疑，因为你已经不再是可信赖的人，在同事、领导、客户面前已经失去了信任。所以，作为一名数据分析师就必须持有严谨负责的态度，这也是最基本的职业道德。

2、好奇心强烈

好奇心人皆有之，但是作为数据分析师，这份好奇心就应该更强烈，要积极主动地发现和挖掘隐藏在数据内部的真相。在数据分析师的脑子里，应该充满着无数个“为什么”，为什么是这样的结果，为什么不是那样的结果，导致这个结果的原因是什么，为什么结果不是预期的那样等等。这一系列问题都要在进行数据分析时提出来，并且通过数据分析，给自己一个满意的答案。越是优秀的数据分析师，好奇心也越不容易满足，回答了一个问题，又会抛出一个新的问题，继续研究下去。只有拥有了这样一种刨根问底的精神，才会对数据和结论保持敏感，继而顺藤摸瓜，找出数据背后的真相。

3、逻辑思维清晰

除了一颗探索真相的好奇心，数据分析师还需要具备缜密的思维和清晰的逻辑推理能力。我记得有位大师说过：结构为王。何谓结构，结构就是我们常说的逻辑，不论说话还是写文章，都要有条理，有目的，不可眉毛胡子一把抓，不分主次。

通常从事数据分析时所面对的商业问题都是较为复杂的，我们要考虑错综复杂的成因，分析所面对的各种复杂的环境因素，并在若干发展可能性中选择一个最优的方向。这就需要我们对事实有足够的了解，同时也需要我们能真正理清问题的整体以及局部的结构，在深度思考后，理清结构中相互的逻辑关系，只有这样才能真正客观地、科学地找到商业问题的答案。

4、擅长模仿

在做数据分析时，有自己的想法固然重要，但是“前车之鉴”也是非常有必要学习的，它能帮助数据分析师迅速地成长，因此，模仿是快速提高学习成果的有效方法。这里说的模仿主要是参考他人优秀的分析思路和方法，而并不是说直接“照搬”。成功的模仿需要领会他人方法精髓，理解其分析原理，透过表面达到实质。万变不离其宗，要善于将这些精华转化为自己的知识，否则，只能是“一直在模仿，从未超越过”。

5、勇于创新

通过模仿可以借鉴他人的成功经验，但模仿的时间不宜太长，并且建议每次模仿后都要进行总结，提出可以改进的地方，甚至要有所创新。创新是一个优秀数据分析师应具备的精神，只有不断的创新，才能提高自己的分析水平，使自己站在更高的角度来分析问题，为整个研究领域乃至社会带来更多的价值。现在的分析方法和研究课题千变万化，墨守成规是无法很好地解决所面临的新问题的。

整理自：中国统计网，《谁说菜鸟不会数据分析》，博客，微博等平台；感谢数据小宇军，数据海洋，小蚊子，王子等原作者；

版权声明：本号内容部分来自互联网，转载请注明原文链接和作者，如有侵权或出处有误请和我们联系。

关联阅读

原创系列文章：

1：从0开始搭建自己的数据运营指标体系（概括篇）

2：从0开始搭建自己的数据运营指标体系（定位篇）

3：从0开始搭建自己的数据运营体系（业务理解篇）

4：数据指标的构建流程与逻辑

5：系列：从数据指标到数据运营指标体系

6:  实战：为自己的公号搭建一个数据运营指标体系

数据运营 关联文章阅读：  

运营入门，从0到1搭建数据分析知识体系   

推荐：数据分析师与运营协作的9个好习惯

干货：手把手教你搭建数据化用户运营体系

推荐：最用心的运营数据指标解读

干货:如何构建数据运营指标体系

从零开始，构建数据化运营体系

干货：解读产品、运营和数据三个基友关系

干货：从0到1搭建数据运营体系

数据分析、数据产品 关联文章阅读：

干货：数据分析团队的搭建和思考

关于用户画像那些事，看这一文章就够了

数据分析师必需具备的10种分析思维。

如何构建大数据层级体系，看这一文章就够了

干货：聚焦于用户行为分析的数据产品

如何构建大数据层级体系，看这一文章就够了

80%的运营注定了打杂？因为你没有搭建出一套有效的用户运营体系

从底层到应用，那些数据人的必备技能

读懂用户运营体系：用户分层和分群

做运营必须掌握的数据分析思维，你还敢说不会做数据分析

商务合作｜约稿请加qq：365242293  

更多相关知识请回复：“月光宝盒”；

数据分析（ID: ecshujufenxi ）互联网科技与数据圈自己的微信，也是WeMedia自媒体联盟成员之一，WeMedia联盟覆盖5000万人群。