数据工作经验交流材料,数据工作经验交流材料范文

大家好，今天小编关注到一个比较有意思的话题，就是关于数据工作经验交流材料的问题，于是小编就整理了2个相关介绍数据工作经验交流材料的解答，让我们一起看看吧。

1. 数据分析好找工作吗？
2. 大数据开发、大数据分析、大数据运维主要工作各是什么？哪个好？

数据分析好找工作吗？

数据分析好找工作。数据分析在职场中的作用越来越重要了，它不仅是一种职业，更是一种泛用技能。

数据分析在生活中的应用非常广：

找工作改简历时，一定有人告诉你，简历上要多放数据，用数据说话；

新媒体运营人员需要学习数据分析分析各项数值，才有机会10W+ ；

产品经理需要通过数据分析，从数字背后找到用户的核心需求；

数据分析这个职位现在每个行业都有数据分析的需求，但是不同行业的岗位还各不相同，我觉得我们应该要选择一个薪资可观、发展前景好的工作，而在大数据蓬勃发展的当下，这样的机会实在太多。千里之行，始于足下，当我们迈出第一步的时候，后续的步伐才能更加强健有力。

谢谢邀请，我是无话不谈的小章同志。

数据分析前景不错，只要你认真付出了，机会有很多。

数据分析未来更多在研究人与人，物与物，人与物的关系发挥重要作用，所以说专业人才也处于极度紧缺中。发展方向就是这样的，不过现在随着云计算的兴起，慢慢的大数据分析师职位开始出来，这就要求更高了，不仅挖掘的知识要求高，还要求较高的计算机知识和编程。

举个例子，一个数据挖掘专家，8年以上经验，年薪怎么也得50万左右，现在搞数据分析的，2年工作经验的话，基本到1万月薪了。

从我身边从事这个行业的朋友的经历看，应该还挺好找的，毕竟中国对这个行业的需求还是比较大的。

数据时代的来临使各行各业对大数据人才的需求不断增加，而欧美国家上个世纪末就已经开始培养数据分析师，但中国数据分析行业起步较晚，如今分析师供不应求。基本上大一点的公司都会设数据分析岗位，比如腾讯，阿里，网易。更不要说专业的咨询机构和数据分析公司，德勤、麦肯锡、艾媒，都是靠分析师的专业能力运作的。

除了需求大，数据分析师的薪酬也不错，之前看到某个求职网站的报告，资历比较浅的平均月薪9k+。如果积累多年工作经验的话，工资涨幅应该很大。

如果题主有意向往数据分析师方向发展的话，除了熟练使用分析软件，可以多看一些优质报告，学习思路。

我身边很多人都在数据分析行业有五六年的从业经验，从宏观的求职和就业方面来说，数据分析师行业的前景是非常好的，尤其是金融和互联网行业对数据分析师的需求非常大。通常来说刚毕业的大部分应届生的技术能力还不足以入行数据分析师，所以这一行业的人才是非常短缺的。因为这一行业发展好，前景好，待遇也好，所以很多人在工作后纷纷找准机会进行转型。

关于数据分析行业的就业前景可以参考我之前的一篇文章

***s://***.toutiao***/i6969474565072405006/

数据分析行业对技能的要求是非常高的，需要比较综合的技术型人才，很多自学能力强的人通过自学就能转型成功，但是对大部分人来说还是更推荐跟着老师进行系统性的学习。

对数据分析感兴趣想要获取更多干货分享的同学，欢迎关注我们的公众号：聚数云海。免费获取数据分析师大厂真题哦。

大数据[_a***_]、大数据分析、大数据运维主要工作各是什么？哪个好？

您好我是 数据僧。

首先，工作本身没有好坏之分，只有门槛高低之别。大数据开发、大数据分析、大数据运维都围绕着大数据展开。如果我们把大数据去掉，就只剩下，开发，分析，运维。当然还有其它的工作，例如运营，产品，讲师，测试等。 加上了大数据，只是我们的工作内容，或者说是工作方式发生了变化。

大数据是传统行业，传统技术逐步发展的产物。但是并没有打破我们在传统行业的工作模式，和我们的一些基础知识的储备。革新的只有处理技术，工作手段。在这里我们更详细的说说大数据开发、大数据分析、大数据运维 的工作内容，已经门槛，不做好坏评价。

非大数据 开发，分析，运维干什么呢？

开发日常工作是干什么了 ? 围绕着产品经理，进行产品开发，升级，迭代。加班熬夜，赶进度。每日的工作就是编码，和产品沟通或者撕X，和测试沟通或者斯X，最终确保产品上线，保证产品正常使用，以及后续迭代升级。

分析日常工作是什么了？数据整理，制作报表，最后就是报告，会议，阐述结论，最后就是说服对方接受观点，的确很多时候，分析出来的结论，对方无法接受。

运维日常工作是什么了？最核心的就是监控，机器是否正常运转，资源是否够用，产品应用是否都正常，开发相关的工具，保证异常能够及时发现。

这三个角色在我们公司分别对应着三个部门，承担的职责也各有不同，还算理解得比较透彻，简单谈一谈。

主要基于大数据平台开展批量作业、实时接口等大数据应用的开发和测试工作，对能力的要求是熟悉Spark、Flink等大数据框架，熟悉SQL，熟悉软件开发测试规范，能够根据业务需要完成业务逻辑的编写。

利用大数据平台、机器学习建模平台、BI平台等开展生产数据的分析和数据建模工作，挖掘数据中存在的业务价值，主要交付物是业务分析报告、各类名单、业务模型等。对能力的要求是:具备数据分析的思维，熟悉SQL，熟悉机器学习建模逻辑，熟悉Python/SAS等开发工具，具备一定的文字能力。

开展大数据平台的日常运维工作，包括批量作业、接口的上线和运行监控，平台的硬件***监控，用户和平台***的分配，平台和作业问题的分析和处置，数据的迁移，平台的扩容，业务数据查询提取变更等，一句话就是保障平台及数据的可用。对能力的要求是:熟悉Hadoop组件，熟悉Linux，熟悉SQL。

从上面的介绍可以看出，这三者的区别是很明显的，要求也各有不同。

实务中，这三个角色是密切相关的，大数据开发人员完成应用开发，大数据运维人员基于开发人员的脚本进行投产并保障作业的稳定运行，大数据开发人员基于开发和运维人员构建的逻辑和数据开展数据分析。

大数据分析人员与业务接触最频繁，有独立的思维能力和发挥的空间，相对来说工作比较有创造性，成果可直接面对公司高层，比较有意思，容易出彩，也容易转向业务。

大数据开发人员往往是按照业务需求或系统需要完成功能性的开发，也能够与业务进行接触，不是太死板，但创造性和自主性相对弱一些，不过往往技术能力比大数据分析人员强，可以说技术业务双赢。

大数据运维人员的主要合作伙伴就是平台和设备，工作相对纯粹，有章可循，有利于技术沉淀，缺点是与业务接触较少，压力大，工作强度大，往往成为幕后英雄。

都是一个战壕里的兄弟，革命分工不同，理解不同，都很好，看各自选择，我就不排序了。

作为一名软件开发工程师，我现在从事的就是大数据方向，结合我个人的经验，这三个岗位具体哪个好，要看你从什么角度去看他。如果你现在是一名Java开发工程师，想转型到大数据领域，那么大数据开发工程师会更适合你。如果你不喜欢开发，同时比较喜欢分析数据中的价值，希望从事商业智能分析相关工作，那么大数据分析会更适合你。如果你不是很喜欢写代码，同时对大数据分析也不是很感兴趣，而自己在Linux系统和脚本编写方面有一定基础，那么大数据运维可能会更适合你。

大数据开发岗位在进行细分，还会有大数据平台开发、大数据组件开发、数据研发(ETL)。这几个方位主要工作内容各有差异，侧重点不同。大数据平台开发，顾名思义，开发数据平台给其他开发同学使用，大数据平台底层是大数据组件，上层则是业务开发同学，你开发的平台提供用户使用大数据组件的能力。大数据平台一般使用J***a语言开发，会使用到 Spring 、Spring Boot快速开发出后端供前段进行使用。数据库一般会使用Mysql，同时也会使用到Mybats，Dubbo接口等等。

大数据组件开发，主要工作更偏向于组件底层开发，你需要结合公司业务特征，定制化的在公司所使用的大数据组件上开发新功能、优化、以及BUG修复等。大数据组件开发同学需要对使用的组件底层原理要有很深的了解，同时也对其源码要有一定的研究，这样，你才能够放心大胆在上面进行开发而不会影响到线上业务的运行。

大数据分析也就是BI同学，平时主要会从业务数据或者ETL同学处理好的数据，去分析数据中潜藏的价值，帮助业务同学去运营。有时候业务同学也会找你临时取数，当然大数据分析同学要有一定的PPT制作能力，因为有时候你从数据中得到一个结论，需要使用PPT向老板或者其他同学通过PPT来讲述你的观点。BI同学，同时在数据可视化要有一定的想法，因为BI同学是有用数据的最大使用方。

大数据运维同学则是主要运维集群机器的稳定性，保证它们不能出现任何故障，平时也会接收到很多机器报警信息。当公司申购到新的机器时，大数据运维同学要能够帮助开发同学配置相关的开发环境，部署大数据组件集群。当大数据组件集群突然变得不稳定时，有报警信息时，大数据运维同学需要能够快速定位问题和解决问题。大数据运维同学掌管着大数据组件集群的***，当机器***不够时，运维同学需要申请采购或者临时调配其他部门的***，比如大促时机器***紧张问题。大数据运维同学平时需要对Linux系统、Shell脚本的编写、Python等要有一定的理解研究。

总结

总体来说，大数据开发、大数据分析、大数据运维这三个岗位需要从具体的视角去看他，对于不同兴趣和不同基础的同学来说，找到适合自己和个人职业规划的岗位才是最重要的。每个岗位的工作内容都不尽相同，大数据开发偏向于代码开发，大数据分析侧重数据分析，大数据运维偏向公司机器的稳定性运维，最后，希望你能够找到适合自己的岗位。

我是Lake，专注大数据技术、互联网科技见解、程序员经验分享，如果我的问答对你有帮助的话，希望你能够点赞转发或者关注我，你的一个小小的鼓励，就是我持续分享的动力，非常感谢。

到此，以上就是小编对于数据工作经验交流材料的问题就介绍到这了，希望介绍关于数据工作经验交流材料的2点解答对大家有用。

[免责声明]本文来源于网络，不代表本站立场，如转载内容涉及版权等问题，请联系邮箱:83115484@qq.com，我们会予以删除相关文章，保证您的权利。转载请注明出处：http://www.lnbtw.com/post/23503.html