與大數據行業相關的數據類工種有哪些？這篇文章里，作者對大數據行業的相關崗位做了一定梳理和介紹，一起來看看吧，或許會對想了解相關崗位的人有所幫助。

梳理：

一、技術、產品、運營

第一階段： 互聯網1.0 ，中心化、只讀互聯網——雅虎。

第二階段： 互聯網2.0 ，去中心化內容生產——博客、微博。

第三階段： 移動互聯 ，基于時空、身份的人聯網——移動支付、移動出行。

第四階段： 萬物互聯， 人工智能和物聯網——智能汽車、智能機器人。

二、數據工種的抽離演變

數據類工種要解決的問題

從商業價值的角度：

1. 數據監控企業狀況，提供決策依據：數據是統計的科學，是對組織的簡潔概括，人的精力是有限的，這使得復雜系統的高級管理人員必須也只能通過數據來掌控整個系統的運行狀態；
2. 數據量化業務成果，探索增長途徑：業務增長的實質，是利用最小資源撬動最大規模的營收，當業務脫離藍海野蠻增長，進入紅海精細化競爭，就只能通過數據衡量對比增長途徑，探索最優方案；
3. 數據洞察企業問題，助力降本增效：隨著企業組織的擴大，臃腫、效率低下是必然出現的狀況，這就需要通過數據監測組織環節效率，從而定點優化環節流程，精簡人員、縮減成本。

從數據技術的角度：

1. 數據存儲：大規模、非結構化數據的穩定、安全、高容錯、快速的存取。
2. 數據計算：大規模、非結構化數據的實時快速計算。
3. 數據的價值提煉：在低價值密度的海量數據中，找到具有商業價值的內容。

數據的業務應用：

• 業務對數據的理解： 將復雜專業的數據知識轉化成業務可理解、可操作的數據。
• 業務獲取數據的便捷性： 提供快速、簡潔易用的數據工具，幫助業務便捷可靠的獲取數據、利用數據。
• 自動化業務決策： 利用數據提供明確的行動任務，指導業務有效完成工作。

從數據應用的深度、廣度考慮：

1. 業務結果數據的監控： 監控諸如訂單、業績等簡單的業務結果數據，了解企業一段時間內發展的整體狀況；
2. 業務過程數據的應用： 監控諸如工作時長、工作行為發生次數/頻率、通話記錄內容等業務過程數據，了解員工的工作狀態和工作質量，找到問題發生的業務環節；
3. 用戶行為數據的應用： 監控用戶行為，從而進行用戶分層，發現高價值、潛在培養用戶，重點維護；
4. 綜合性數據的應用： 多方位、多層次采集數據，利用機器學習算法，發現更廣泛數據之間的相關性，從數據中提取商業價值。

三、數據的工種

1. 數據研發——數據量和運算時間的賽跑

數據存儲： 分布式存儲技術

數據運算： 按照數據特征應用不同的計算方案

• 批處理計算：針對大規模數據的批量處理（非實時）；
• 流計算： 針對流數據的實時計算（秒級實時）；
• 圖計算： 針對大規模圖結構數據的處理；
• 查詢分析計算： 大規模數據的存儲管理和查詢分析。

數據分層：

• 減少總計算量，節約計算資源；
• 方便上層提取應用數據，節約數據處理工作的頻次和時間。

2. 數據產品——應對專業和復雜場景

業務決策場景： 這個 業務/產品 負責的核心指標是什么？如何界定業務成果？

業務信息收集場景： 業務流程中會產生哪些數據？什么樣的數據有采集價值？

數據采集場景： 如何保證數據采集的規范性、一致性？確保采集準確性、完備性？

數據處理場景： 如何設計數據處理和清洗方案以使數據盡可能還原實際業務場景？如何進行數據分層能更好的服務于分析師？

數據應用場景：

• 如何提供恰當的工具，幫助分析師更好的開展工作？
• 如何提供合適的工具，幫助一線業務更好的利用數據？
• 如何與產品團隊配合，讓數據在產品中發揮更大的價值？

3. 數據運營——精耕細作的業務演變

左手運營： 能站在運營視角，對業務有一定的抽象能力，可以輸出運營標準化 sop ；有運營驅動能力，可以驅動業務調整運營動作。

右手數據： 能進行數據的二次加工處理，提煉業務關鍵環節指標，日常監控；能通過數據分析業務日常工作環節中的問題，形成分析結論，驅動業務調整。

4. 數據分析——從雜亂數據中尋找寶藏

在沒有其他角色協助的時候，分析師+Excel 就是最小數據產品，需要通盤考慮所有相關的問題。

• 數據清洗/處理： 對手頭已有的數據進行清洗、處理、整合。
• 數據報表制作： 基于業務主題，完成監控報表。
• 數據分析： 基于業務分析主題，完成定向分析，形成分析結論，并指導業務拿到更好的結果。
• 業務理解： 理解業務發生的背景、場景，才能更好的站在業務視角進行有價值的數據分析工作。

四、各崗位的工作目標與協同方式

工作目標：

崗位協同：

五、各工種的職業能力要求

數據產品經理技能樹：

數據分析師技能樹：

運營能力模型：

聲明：

以上圖片部分來源于第三方書籍。

未找到合適的數據運營技能圖，暫時用運營能力模型圖替代，以后找到合適的再更換。