随着各行业领域大数据应用主体持续增加、与业务特点相匹配的个性化、定制化大数据解决方案日益受到青睐，2021年数据分析的重要性进一步加强，数据分析师、数据分析师事务所持续增长，专业化认证进一步加强，在行业有利的大数据环境，国家政策支持，数据分析企业、数据分析人才的不断增加驱动数据分析行业蓬勃专业发展。
01行业选择
做数据分析的话，行业差别会比较大。一般来说：一线互联网（BAT，TME）> 500强/大国企 > 二线小互联网公司 > 其他传统企业。互联网大厂的商业分析，数据分析毕业第一年薪酬上20K都很正常，传统500强/大国企的起薪相对较低，但公积金、隐藏福利（住房、入户、伙食）都加上，是胜于小互联网公司的。
如果想走数据分析道路的话，优先选大企业，但是选不选互联网行业不一定。
小型互联网公司和大型国企、500强的岗位比起来的话，优先选500强和国企。像移动、银行或者航空公司这些传统企业，内部的数据分析流程非常规范，在这里锻炼一两年，再出来去互联网公司，甚至去投行，都会有人要的。
数据分析的职业发展是一个不规则的线性成长，做数据分析，一定是积累的越久越值钱。但是为什么不规则？是因为可能有很多小的机遇，比如这两年算法大火，之前在国企收入平平但懂算法的数据分析师，进入互联网公司照样能拿高薪。
未来人工智能，大数据，物联网会持续发展，数据领域的机遇只会越来越多，大家可以放心入坑。
如何判断是否适合从事Data Science相关岗位？
判断是否适合从事Data Science相关岗位，主要需要从以下三个方面进行分析：数理基础、软件编程基础和相关经验。
数理基础：主要是指是否有线性代数、概率统计学基础，可以通过相关专业及课程看出来。如果是理工科，可以默认其有较强的数学基础；如果相关课程中含有“高等数学、统计学、微积分、计量经济学、Advanced Mathematics、Statitiscs、Calculus、Econometrics”等关键词，则可以判断有数理基础。
软件编程基础：软件编程基础可以通过“相关专业”及“相关技能”看出，一般而言如Excel，SQL，Python为必备技能，此外如R、SPSS、SAS 这些工具也根据行业不同各有要求。
Data Science分布的行业
目前国内比较火的行业有 金融、互联网、咨询、通信、医药、文体等六大行业，前两个行业是岗位较多、薪酬较高的。
国内商业数据分析中心的架构形式大致分四种，技术型，虚拟型、战略性和分散型。
02 行业简介
1、大数据行业人才缺口大
大数据开发和大数据分析，这两个方向都是目前需求量非常大的岗位，大数据开发是大数据分析的前提，需要先对大数据进行采集、存储、处理，而后才能进行分析和可视化等。
2、大数据开发和大数据分析从事工作不同
大数据开发主要的工作是负责搭建大数据应用平台以及开发分析应用程序。大数据分析主要是运用相关技术对数据搜集、整理、分析，并依据数据做出行业研究、评估和预测。
3、大数据行业薪资普遍较高
大数据开发属于程序员工作，更注重逻辑性，更具有创造性和挑战性，薪资待遇相对更丰厚。大数据分析更多偏向业务，是偏向于熟练操作的工种，资深的大数据分析师薪资也是十分可观的。
4、大数据学习有一定难度
大数据开发主要就是一些编程语言和大数据处理技术的学习，大数据分析对个人的数学和统计学基础有一定的要求，需要掌握分析工具和分析方法，相对来讲，大数据开发更容易上手。
5、大数据需要学多久
零基础学习大数据开发一般需要脱产学6个月左右，其中，学习java一个半月时间，学习大数据相关技术大概四个多月。
6、大数据学习方法
大数据注重逻辑思维，需要多敲代码，勤学多练，在学习的过程中应有意识的培养自己的逻辑思维，搞懂代码背后的逻辑，多看源码，动手实操，自然熟能生巧。
03 大数据与数据分析的区别
数据分析的主要工作内容：
1、负责日常的需求调研、数据分析、商业分析。这过程的日常任务可能包括提交日报、周报、月报、年报等数据报表；
2、根据业务需求，制定相关数据的采集策略，设计、建立、测试相关的数据模型，从而从数据中提取决策价值。这过程可能需要撰写特定分析需求的报告；
3、研究数据挖掘模型，参与数据挖掘模型的构建、维护、部署和评估工作。
4、偏好 数学、统计学、计算机 等专业背景，也有部分经济学专业背景。
大数据的主要工作内容 ：
1、参与大数据平台的设计与开发，解决海量数据面临的挑战；
2、精通Java编程，能基于Hadoop/Hive/Spark/Storm/HBase等构建公司的大数据分析平台；
3、管理、优化并维护Hadoop、Spark等集群，保证集群规模持续、稳定；
4、负责HDFS/hive/HBase的功能、性能和扩展，解决并实现业务需求。
5、最偏好计算机专业背景，也有部分数学和统计学专业背景。
很多人对大数据领域中的一些岗位名称傻傻分不清，接下来给大家分析下 BA 和 BI 的区别！
BI工程师
主要是做数据分析，数据仓库，以及相关报表，对一些数据进行处理，对数据库要有比较深入的了解。
想要从事BI工程师需要有一定的数据库经验，掌握SQL查询优化方法，精通oracle、SQL、server、mysql等主流数据库的应用设计、性能调优及储存过程的开发，掌握相关工具，如SSAS、SSI、OLAP 和数据挖掘相关算法。
也有一部分BI工程师是做商业智能分析，对Sap的企业管理数据做分析，为领导决策，做预算，企业发展需要的分析用的工具等。
BA— 商业分析(Business Analytics)
是指对方案进行经济效益分析，从财务上进一步判断它是否符合企业目标。
通过KPI指标和多维展现，再加上对数据的交互应用，对于警戒线的主动提示，使得企业做出在商业活动中的数据分析。
BI—商业智能(Business Intelligence)是指用现代数据仓库技术、线上分析处理技术、数据挖掘和数据展现技术，进行数据分析以实现商业价值。
通过数据模型，模拟方案的建设，去寻找在当前情况下企业最优化的方案，通过揭示预测的利润，销售收入，和其他的一些基础因素等，来预测未来企业发展效力情况。
从功能上来说：
BA是通过一系列的分析研究工作，发现业务需求，找到解决业务问题的方法。
BI是一种数据分析解决方案，将数据转化为能指导企业战略、业务决策的可行性信息。
举个例子，首先要借助BA来观察企业哪些方面做得好，哪些方面还需要改进；接着可以用这些信息结合BI，来预测未来想做的改变会对企业造成哪些影响？BA和BI会帮助企业用最正确的方式做出最正确的决策。
