已从事数据分析（数据挖掘）一段时间的他们，现在都是什么状态？

继《普通程序员，如何转型大数据相关方向？》和《给大数据入行者的，建议和书单

》之后，特此摘述几个大数据从业者的职场履历！

1

彭先生  亚马逊-机器学习研究员、数据科学家

见证了大数据从炙手可热的全过程

【履历】

2010年-2012年，Google实习生

2012年-2017年，博士毕业，入职亚马逊担任机器学习研究员和数据科学家。

【见闻】

当年一起从事数据研究（数据挖掘）的同事，都去哪儿了？

A.  约50%转为纯程序员：数据科学家的价值，体现非常曲折。牛逼的大有人在，因心累而转为纯程序员的也在所难免，因为程序员的选择面很宽，高者其薪资也可能高过数据科学家。

B. 约40%转为PM：述者原话“数据科学家免不了忽悠，忽悠多了失去了自己，有的就变成了会写SQL的产品经理”，可采纳度自行揣度~

C. 约10%转为全栈数据科学家：在数据科学方面混得比较久的，多转为了全栈科学家。全栈化既可以往底层通程序员、系统构架，也可以往高处通管理层，大侃价值观，把握全局，做的东西也更容易落地；但劳神费力同样在所难免。

总结：数据科学家就像是咨询公司一样，不是特别适合作为终身职业。若早期入行，可能风光无限；但长远来讲，价值的落地、测量都比较困难。

【经验】

1）机器学习技术方面

模型容易获得，但经验难得（无论做研究，还是做业务，都是如此）。

模型方面，不外乎五大生态系统：

A. Python + Scikit Learn，最适合生产环境和数据研究混用;

B. Spark + MLLib;

C. Java + Weka ;

D. TensorFlow等深度学习生态;

E. 微软等内部重造轮子生态

以上五种生态，除了最后一个外，其余都容易入门（有基本的数学、统计知识，看看github源代码等）。但事关参数调试和具体成果，则要视研究领域和上下游情况而定。不过，系统工具方面的快速发展，给新入门者提供了许多便利之处，如Elasticsearch + Logstash + Kibana (ELK) 、Docker、 Kubernetes等都非常好用，同时部署门槛降低，部署速度得到提升。

经验：Docker出现以后，如果一件课题的代码超过了2000行，就说明你做错了。

2）管理方面

跟对老板／部门，尤其是老板，上升速度会比较快。而事实情况是，虽然大数据很火，但有上升机会的部门却不多，例如做risk和预测的部门，往往比较苦逼。

2

某数据分析（挖掘）工程师

三年数据分析从业经验

1）数据分析也好数据挖掘也好，其实都有套路；

如，流失分析：从用户C端转化率漏斗找漏洞，通过多维组合分析找原因，并用abtest验证原因，最后分类识别深挖潜在目标用户。

2）东西变化很快，但实用的没有那么多；

算法每年更新，但行业里面通用的东西变化并不是很大

3）入参选择很困难

能走多远，不在于算法学的有多好，而在于对所处行业的理解深度。

3

XX（转行至数据挖掘）

三年数据挖掘从业经验

1）大部分数据挖掘工程师，偏算法应用，但不执于算法；

互联网领域，大部分数据挖掘工程师偏算法应用，旨在用算法提升业务。

大数据挖掘门槛不会很高：数据处理能力为必须；算法方面，懂些理论，知道能解决什么问题，参数怎么调，就能入门了（当然，懂得算法理论细节最好）。

然而，算法牛逼不一定能做出牛逼的项目，算法不牛逼也不一定做不出牛逼的项目。

2）跟着业务拓展算法；

鉴于业务发展阶段问题和个人实力问题，并没有很多机会让你接触到牛逼哄哄的技术，跟着工作拓展算法（广告dmp系统等）更加可行。

3）奋斗方向：用数据和算法驱动业务增长；

通过数据和算法驱动业务的增长。

如从事广告，便期望对互联网广告业务有深入了解和实践。比如实践上，目前做的广告dmp系统大部分是离线计算，希望将来业务发展能做dsp系统，对接ssp参与广告竞价。

4）给新入行者的建议

如果你数学功底和算法理论足够强大，可以考虑偏算法理论研究和算法平台开发的岗位，不然就考虑偏算法应用的岗位，做一位增长黑客。