[职业发展] 对数据行业及职业的理解

1 序

+ 时间总是这么快，毕业已两年有余了，正是第三个年头。

  • 毕业那一年，栀子花香，衰喜交合。幸运的是，毕业设计与答辩之际幸运地遇到了人生中最重要的伴侣；误打误撞在最后一次考试机会里过了CET六级；根据毕业论文的思路，提交了又打回来，提交了又打回来，跌跌撞撞、历时2年整、最终还是在2021年通过了的一篇发明专利(hard级别最高的专利)；把大学四年攒下的自信几乎快被消耗殆尽的驾照终于拿下；学会做饭(给爱人吃~)；不幸的也很多，头铁二战考研，再次名落孙山————数学一直成为那个命门，政治倒是出奇的好(84分，这分数可能在当时省内也是top级别了吧...)。就这样，2019年到2020年的年初就没了。

  • 毕业第二年，考研失利，慌忙择业，初入职场。考研失利是意料之中的事，你复xi的怎么样，你发挥得怎么样，其实是门儿清的，所以，当时考完就估计到了要死在数学手上。找工作的事儿，却拖到了二月末才开始，复xi了将jin一个月才开始投简历。此时，已经是四月上旬了，导致失去了很多去优质IT企业的良机，又加上不想和媳妇儿异地便留在了成都，没有选择去IT的殿堂级城市北京。最终，误打误撞进了现在这家ToB的大数据公司，从事着数据中心的数据仓库、数据管理与治理的业务。对目前的公司和业务，算是比较喜欢的。

  • 工作的这一年，做过项目金额规模不等(50万-500万)的数据仓库或交付运维的活儿(40%)、做过数据管理与治理平台软件的订制开发(20%)、也长期和各种项目的bug/漏洞做斗争(25%)、顺便偶尔兼职做做项目经理(15%)，以推进部分项目的工作进度。经历了这一年，脑子里装了很多东西，对项目管理/软件工程、数据仓库/数据治理、大数据生态/各类数据库(Hive/Oracle/MySQL/ElasticSearch/Redis等)、系统运维、Web Server(Nginx/Tomcat/Apche)、debug和软件开发有了更深的了解。诚然，了解越多，也就发现自己越无知，越需要学的内容就多，迫切地需要挤出时间去做想要做的事儿、想要学的知识。而另一方面，由于数据项目确实是有很多累活脏活需要干，ToB型项目很多乱七八糟的事情（涉及：项目过程管理[立项、调研、系统设计、开发/实施、系统测试、初验/终验、审计合规{流程、资料/凭据、安全}等]、沟通协调、定需求、打漏洞、做开发、汇报等），每天都会抛进我的待办列表中，时常加班是必不可少了。

2 行业理解：大数据综述

3 技能堆栈：大数据生态 / 大数据技术栈

3.0 硬件及操作系统层

3.1 数据集成层：数据采集与预处理层

采集工具

  • 日志采集、埋点数据

    • Flume(日志)
    • ELK : Logstash / Es / Kibana(日志)

  • 数据互导

    • Sqoop(关系型数据库 ←→ HDFS/Hive)（不推荐，已非主流）

  • 专业ETL & 数据集成框架

  • [商业化软件|订制/自研软件] 数据填报系统 / 数据交换共享系统 / ...

调度系统 & 自动化 & 工作流

本节的这些工具，在数据仓库的数据开发任务中也会被使用。

  • 自动化脚本语言: Linux Shell / Python / ...
  • 工作流/作业调度系统：
    • 单机调度:
      • Crontab / Quartz / ...
    • 分布式调度:
      • xxl-job
      • elastic-job(基于Quartz,from 当当)
      • Apache DolphinScheduler
      • Apache Airflow / oozie / azkaban / chronos / zeus
      • SchedulerX(阿里) / TBSchedule(阿里）/ ...
  • 资源调度系统:
    • Yarn / Mesos / Omega / Borg / 伏羲(阿里) / Gaia(腾讯) / Normandy(百度)

采集数据的数据源

  • 采集来源：数据库

    • RDBMS
    • MPP
    • 大数据 Hadoop
    • NoSQL: MongoDB/RabbitMQ/Kafka（日志数据等）/Redis/HBase/ ...

  • 采集来源：文件数据采集 U 网络数据采集

    • 结构化数据采集: json、excel、xml、等
    • 非结构化数据采集: 图片、文本/文档（日志数据等）、视频、音频等

3.2 数据传输层&缓冲层

  • 传输

Kafka、RocketMQ、HTTP

  • 缓冲

Elasticsearch、Redis

3.3 数据存储层

  • 数据库存储
    • RDBMS: Oracle/PostgreSQL/MySQL/DM/ ...
    • MPP: Greeplum/GaussDB/GBase/ ...
    • 大数据 Hadoop: Hive /
    • NoSQL: MongoDB / Elasticsearch / Redis / HBase/ ...
      • MQ：Kafka/RocketMQ/RabbitMQ/...
  • 文件数据存储
    • 文本: Elasticsearch / MgongoDB
    • 文件: FastDFS / Hadoop HDFS / (S)FTP

3.4 数据处理层

MapReduce、Hive、Spark、Flink、Storm

  • 离线计算：

    • Hadoop MapReduce、Tez、Spark

  • 流式、实时计算：

    • Storm
    • S4
    • Heron
    • Spark：Spark API / Spark SQL / Spark Streaming
    • Flink：Flik API / Flink SQL

  • 查询分析层：

    • Hive、Impala、Pig、Presto、Phoenix、SparkSQL、Drill、Kylin、Druid
    • Clickhouse、Doris

3.5 数据管治层/数据中台：业务数据化，数据资产化，资产服务化

元数据

  • 元数据管理
    • 元数据采集
    • 元数据地图
      • 元数据检索
      • 血缘关系
      • 关联关系

数据模型

  • 数据模型管理

数据资产

  • 数据资产管理
    • 数据资源
      • 接入资源（业务系统>数据库>表）
      • 数据中心资源（数仓分层分域>表）
      • 资源目录（业务主题域>表）
    • 数据驾驶舱
    • 数据生命周期管理（识别、计划、获取/产生、加工/清洗、存储、共享、维护:监控、预警、应用、消亡:清理/迁移 等）

数据标准

  • 数据标准管理

数据质量

  • 数据质量管控

数据安全

  • 数据安全管控

数据服务

  • 数据服务管理(数据服务化，面向应用)

任务调度 & 资源调度

  • 任务调度

    • 作业调度编排
    • ...

  • 资源调度

3.6 数据应用层

  • 应用-智能挖掘层：
    • 机器学习： SVM、PageRank、K-Means、KNN等
    • 应用场景：推荐系统、广告营销、风险管控、用户画像等
  • 应用-展现分析层：
    • 可视化技术：Jquery、Echarts、EasyUI、Three.js
    • 可视化软件：Tableu、FineBI/FineReport、SDC UE

3.X 开源框架与软件 && 解决方案与产品服务

4 职业发展：Java软件开发工程师(To 软件架构师) VS 数据开发工程师(To 数据架构师)

  • 在没日没夜的学习技术、学习行业业务(数据仓库/ETL、数据治理、大数据Hadoop生态) 和 经历的工作任务的过程中，逐渐有了一定的对这个数据行业和岗位的认识。

4.1 职业发展

  1. 学好一门技术的3个阶段：
  • 第一阶段：会用，大部分都会达到。也是新手变老手的必经之路。
  • 第二阶段：会想，在使用的过程中呢，会思考遇到的问题，会独立查找资料解答心中的疑惑，这个过程是一个不断认证的的过程，时间会比较久，大部分人，会卡在第二阶段外面。
  • 第三阶段：会玩，等你真正熟悉某一门技术时，你学会的不仅是技术本身，还有内在的技术原理以及设计思路，这时候你可以参与开源技术、回馈开源社区，贡献自己的一份力量。
    以上三个阶段，第一个阶段很容易，第二个阶段需要自己额外的时间去思考，反问自己、别人的设计方案，不以完成任务为目的。第三个阶段，需要的综合能力就更多了，计算机嘛，绝对不是一招一式就能讲明白的。
  1. 对职业规划、对数据行业的核心认识：
0. 职业规划(中长期/3-5年目标)的重要性——————赶路不忘星空，抬头不迷失方向。

1. 坚信（IT行业下的）数据行业是当下的朝阳行业；数据正在成为生产要素，我们正在经历这个时代大浪潮中。

2. 因为深信、因为热爱，所以将致力于坚持深耕于数据行业这片热土。
  1. 职业规划的初步设想:
1. 工作1-2年: 技术型开发
  JVM
  基本开发框架: SSM / Spring Boot / Spring Cloud / MyBatis(Plus) / 工程通用脚手架 / 
  架构：
    高性能/高并发: 
      各组件的性能极限及优化 / 
      并发/多线程编程 / 
      Nginx(静态资源/动静分离/前后端分离、正向代理、反向代理、负载均衡)
      数据库扩容/分库分表[垂直拆分|水平拆分]、
    CAP理论： 一致性（Consistency）| 可用性（Availability）| 分区容错性（Partition tolerance）
      高可用：Keepalived(MySQL/Nginx+Keepalived)
      事务一致性
      多副本一致性
    微服务架构
    分布式架构：锁、事务、消息、缓存、文件系统、搜索、任务调度
  CASE工具: Jenkins / Git/SVN / 禅道 / ...
  软件过程
    Devops
    敏捷开发
    软件项目管理
  ...

2. 工作3-5年: 数据开发

4.2 后端型开发

4.3 数据型开发

数据型开发岗位的分类

0. (开源)基础组件Contributor
  优化或自研开源组件的开发者。
  一般在中大型互联网公司、开源社区、国产化基础软件公司。
  数据库及数据中间件的开发者居多，例如: HBase、Tendis、TiDB、PostgrelSQL、达梦数据库、南大通用数据库等...

1. 基础平台开发岗
  Java 为主。主要做统一数据开发平台、大数据源码级别扩展优化、提供提升开发效率的工具、元数据管理、数据质量管理等。
  技能要求：Java，Zookeeper，Hadoop，Hive，Spark，Kafka、ES等。

2. 数据应用产品开发岗
  服务端 Java 为主，全部容器化管理服务。主要是数据报表平台、数据分析平台等。

3. 数据仓库开发岗
  如果数据开发平台比较完善，一般以 sql 为主，不管是离线计算，还是实时计算，都只需要在数据开发平台上提交 sql 任务即可。更专注数据模型的建设，能够快速实现用户的数据分析需求。
  如果平台不够完善，实时计算可能还是需要写代码，scala 为主。
  技能要求：数据建模、数据管理与治理、报表开发、理解业务。

4. 数据分析岗
  sql为主。分析数据趋势，挖掘潜在价值。
  要求：数据分析技能➕Hadoop➕Hive➕部分Java

5. 数据挖掘(算法)岗
  语言: Scala，Python，R。
  理论：概率论与数理统计学、机器学习等

————————————————————
高阶: 数据架构师

数仓开发工程师 ≈ 数据开发工程师

工作范畴

  • 数据资产开发:
流程: 数据接入 ----> 数据建模+数据开发 ----> 数据服务
      1数据探查      1数据标准梳理          1服务需求调研(业务数据需求/数据安全)
      2数据同步(ETL) 2数据需求调研          2(数据建模+数据开发 / 数据资源盘点)
      3数据对账      3数据模型建模(对标) 　　3数据服务开发
                    4数据任务开发(ETL) 　　 4服务管理
      
工具: 离线开发   |   实时开发   |   算法开发   |   数据服务   |    运维管控   |
                                                                1任务管理
                                                                2任务监控
                                                                3资源监控

数据开发工程师的“工作范畴”可以用一句话概括：
“把原始、散乱、不可用的数据，变成高质量、可复用、可服务化的数据资产，并保障其稳定、高效、安全地流动与存储。”
落到日常，可拆成 8 大任务域、30+ 子任务，覆盖离线、实时、云端、治理、安全、运维全链路——

1. 数据接入（Ingestion）
  • 对接 50+ 源系统：业务 DB（MySQL、Oracle）、日志文件、埋点 SDK、IoT 传感器、第三方 API、消息队列（Kafka、Pulsar）
  • 选型与实现：批量 Sqoop/DataX/SeaTunnel，实时 CDC（Flink CDC、Debezium），REST/GraphQL 爬虫
  • 统一接入平台：配置化拉元数据、自动建表、权限申请、流量控制
2. 数据清洗与转换（ETL/ELT）
  • 脏数据修复：编码乱码、时区错位、粒度不一致、金额单位差异
  • 业务逻辑还原：订单状态机、退款链路、优惠券分摊、汇率补全
  • 复杂字段解析：JSON 嵌套展平、正则拆解、数组 explode、地理位置 GEOHash
  • Slowly Changing Dimension：拉链表、快照表、版本表
3. 数据建模与分层
  • 分层体系：ODS（原始）→ DWD（明细）→ DWS（汇总）→ ADS（应用）
  • 维度建模：星型/雪花/星座，事实表（事务、周期快照、累计快照）、维表（代理键、层级、属性）
  • 主题域抽象：用户、商品、交易、营销、物流、财务、风控、设备
  • 指标口径：原子指标、派生指标、复合指标、同比环比、留存、LTV、ROI
4. 离线计算开发
  • 调度平台：Airflow、DolphinScheduler、Azkaban —— 配置 DAG、依赖、重跑、并发、告警
  • 计算引擎：Hive、Spark SQL、Spark Core、MapReduce，写 SQL/Scala/Java
  • 性能调优：分区裁剪、列式存储（ORC/Parquet）、小文件合并、Bucket Map Join、倾斜 key 加盐
  • 回刷与补数：一键回溯 3 年数据，保证幂等、可重入
5. 实时计算开发
  • 流式引擎：Flink（DataStream / SQL）、Spark Streaming、Kafka Streams
  • 实时数仓：Kafka → Flink → ClickHouse/Doris/StarRocks → BI
  • Exactly-Once：Checkpoint、两阶段提交、幂等写入
  • 维表关联：异步维表缓存（Redis、HBase、Guava Cache）、Temporal Join
  • 事件时间 & Watermark：解决乱序、延迟数据、窗口计算（Tumble/Hop/Session）
6. 数据服务化（Data-as-a-Service）
  • 统一 API：GraphQL、REST、gRPC，支持点查、列表、聚合、推送
  • 特征服务：在线特征存储（Redis、TiKV、HBase + Feature Store）供算法毫秒级调用
  • 数据超市：自助查询平台，字段级权限、脱敏、行列过滤、SQL 审计
  • 数据沙箱：提供 Jupyter/Spark 交互式集群，支持分析师自助跑数
7. 数据治理 & 质量
  • 元数据管理：自动采集字段、血缘、热度，支持影响分析、下线提醒
  • 数据质量：规则引擎（唯一性、完整性、准确性、及时性、一致性）→ 异常告警 → 工单闭环
  • 数据标准：命名规范、编码表、单位字典、码值映射
  • 生命周期：冷热分级（SSD→HDD→对象存储→磁带），30 天自动降冷、180 天自动删除
  • 成本优化：存储压缩、计算按需弹性、Spot 实例、CU 预算告警
8. 运维 & 安全
  • 高可用：双活/多 AZ、NameNode HA、Kafka MirrorMaker、Flink Savepoint 自动备份
  • 监控：任务失败、延迟、数据漂移、内存溢出、GC、队列堆积 → Prometheus+Grafana+AlertManager
  • 权限与安全：
    • 行列级权限（Ranger、Atlas、Hive ACL）
    • 敏感数据脱敏（手机号、身份证、银行卡）
    • 审计日志、GDPR/网安法/等保 2.0 合规
  • 灾备演练：跨机房恢复 ≤30 min，RPO<15 min
  • On-Call：7×24 值班、War Room、根因分析（5 Whys）、事后复盘报告
总结

“接、洗、建、算、管、服、维、安”——
把数据从任何源头 接 进来， 洗 干净， 建 模分层，离线/实时 算 好，
管 理治理， 服 务化输出，运维保 维 稳定，全程 安 全合规。

能力要求

截至2025年，企业对「数据开发工程师 / 数据仓库工程师」的招聘要求已高度趋同，可概括为“底层平台 + 数据建模 + 性能调优 + 业务理解”四大维度，典型JD要点：

  1. 学历与年限

    • 本科及以上，计算机/数学/统计/信息管理等专业；
    • 校招/实习：0-1年即可；社招：2-5年以上大数据开发或数据仓库实施经验，有PB级、实时或云数仓项目经历优先。

  2. 核心技术栈

① 离线：Hadoop、Hive、Spark（SQL/Scala/Java）、ETL工具（Sqoop/DataX/Kettle）；
② 实时：Kafka、Flink、Spark Streaming，能保障秒级延迟及10万+TPS稳定；
③ 存储：熟悉 OSS、HDFS、HBase、ClickHouse、Doris、Iceberg、StarRocks、ElasticSearch、Impala、Presto等至少2-3种；
④ 编程语言：精通复杂SQL，掌握Python/Java/Scala之一，能写UDF、脚本及调度；
⑤ 云原生：了解阿里云MaxCompute/AnalyticDB、AWS Redshift、GCP BigQuery等托管数仓，懂弹性扩缩与成本优化。

  1. 数据建模与架构

    • 精通维度建模（星型/雪花/星座）、3NF、Data Vault，能独立设计ODS→DWD→DWS→ADS分层体系；

    • 熟悉建模工具（PowerDesigner/ERWin），可输出逻辑/物理模型及建模规范。

  2. 数据可视化工具

    1. 掌握数据可视化工具，如Tableau、Power BI等

  3. 性能调优与治理

    • 熟练使用分区、分桶、列式存储（ORC/Parquet）、索引、缓存（Redis/Alluxio）等手段优化查询与存储；

    • 建立数据血缘、元数据管理、质量校验、SLA监控与告警，熟悉Atlas/DataHub等治理工具。

  4. 业务与协同

    • 能快速理解电商、金融、制造、车联网等行业场景，把业务需求转化为稳定、可复用的数据服务（API/BI看板/标签/画像）；

    • 与产品、算法、运营、数据分析师高效对接，推动需求落地并持续迭代。

  5. 项目管理

具备一定的项目管理能力，能够合理安排工作进度，确保项目按时交付。

  1. 个人素质

    • 自驱力。逻辑严谨，对数据敏感，具备强烈自驱力

    • 影响力。对大数据开源社区有源码级贡献或大会分享经历者加分。

    • 沟通能力。具备良好的沟通能力与团队协作意识，能够与业务部门、开发人员、测试人员等进行有效沟通。

    • 学习能力/解决问题的能力/适应能力：具备较强的学习能力和解决问题的能力，能够【快速适应】新技术和新环境。

    • 语言。具备一定的英语读写能力，能够阅读英文技术文档和资料。

    • 抗压能力。具备一定的抗压能力，能够在高强度的工作环境下保持高效的工作状态。

一句话总结：企业希望你“既能把海量数据高效、稳定地搬进仓库，又能把仓库里的数据快速、准确地送到业务手里”，并能在云原生与实时化趋势下持续优化成本与性能。

细分工种

ETL工程师：数据采集与接入、...

数据开发工程师：
数据标准梳理、分层分域设计、数据模型建模(落地标准)、血缘关系维护、仓内大数据ETL任务开发、数据服务对接与开发

数据质量工程师：
标准落地到质量设计、质量需求调研与梳理、质量任务的设计、质量报告的分析与汇报、质量问题工单的跟踪闭环

...

数据分析工程师 && BI工程师

截至2025年，企业对「数据分析工程师」的招聘要求已收敛为“技术工具 × 业务洞察 × 沟通落地”三大维度，典型JD要点：

  1. 学历与年限
    • 本科及以上，数学/统计/计算机/金融/经济等相关专业优先；
    • 校招/实习：0-1年即可；社招：2-5年以上数据分析或商业分析经验，有互联网、金融、零售、制造等行业背景加分。
  2. 核心技能
    • SQL：复杂查询、窗口函数、性能调优，面试必考；
    • Excel：透视表、常用函数、Power Query，快速验证假设；
    • Python/R：Pandas/Numpy数据清洗、统计建模、自动化报告；
    • 可视化：Tableau、Power BI、FineBI 至少精通一种，能搭建交互式仪表盘；
    • 统计学：描述统计、假设检验、相关与回归、聚类与分类基础；
    • A/B Test：实验设计、样本量计算、显著性检验、因果推断；
    • 大数据组件（加分）：Hive/Spark 写简单脚本，能从数据仓库自助取数。
  3. 业务与场景
    • 能快速理解电商、内容、金融、出行、SaaS 等核心业务链路，把“业务问题”翻译成“数据指标”；
    • 熟悉用户行为分析（埋点、漏斗、留存、LTV）、流量/销售/供应链/风控等常见分析框架；
    • 独立完成需求拆解 → 数据提取 → 建模/对比 → 洞察 → 可执行建议 → 推动业务落地闭环。
  4. 软技能
    • 数据故事讲述：用图表+叙事让非技术管理层秒懂结论；
    • 跨部门沟通：与产品、运营、财务、研发高效对齐需求与排期；
    • 项目管理：在敏捷节奏下同时交付多个分析专题，按时输出高质量报告。
  5. 个人素质
    • 数据敏感、逻辑严谨、自驱力强，对异常指标能“秒级”追问到底；
    • 具备持续学习能力，关注大模型、自动化分析等新工具并快速落地试用。

一句话总结：企业希望你“用 SQL 取数、用 Python 清洗、用可视化讲故事、用统计验证假设”，最终把数据变成可落地、可量化、可复用的业务决策。

数据挖掘工程师 := 算法工程师

截至2025年，企业对「数据挖掘工程师」（常等同于“算法工程师”）的招聘门槛已普遍抬高到“硕士＋硬核算法＋海量数据＋业务闭环”水平，典型JD可拆成5大模块：

  1. 学历与年限

    • 本科起步，硕士及以上占比>45%；全球TOP50/985/QS200优先；
    • 校招：0-1年科研或竞赛经历即可；社招：2-5年以上实际项目，有推荐、搜索、广告、风控、用户画像等场景落地经验。

  2. 算法与理论

    • 机器学习：LR、SVM、Tree Model、GBDT/XGBoost/LightGBM、随机森林、聚类、关联规则；
    • 深度学习：DNN、Wide&Deep、DeepFM、DIN、DIEN、双塔、Seq2Seq、Transformer、GNN、强化学习；
    • 统计基础：概率论、假设检验、因果推断、AB实验设计与显著性分析；
    • 前沿方向（加分）：图神经网络、多任务学习、迁移学习、对比学习、大模型微调/RLHF。

  3. 工程与数据

    • 编程：Python（NumPy/Pandas/Scikit-Learn）+ SQL必精；Java/Scala/C++至少能读；
    • 框架：TensorFlow、PyTorch、Keras、MindSpore至少一种；
    • 大数据：Hadoop、Hive、Spark、Flink、Kafka，能写分布式特征工程与离线/实时样本流；
    • 特征工程：海量日志清洗、归一化/分箱/编码、维度压缩、实时特征服务（Redis+Feature Store）；
    • 模型上线：了解TensorFlow Serving、TorchServe、ONNX、Docker+K8s、A/B灰度、模型监控与漂移检测。

  4. 业务与场景

    • 推荐/搜索：召回（多路协同过滤、向量检索）、排序（CTR/CVR预估）、重排（多样性、业务规则）；
    • 广告/营销：LTV预估、人群look-alike、智能出价、优惠券敏感度模型；
    • 风控：反欺诈、信用评分、异常检测；
    • 用户画像：标签挖掘、聚类分群、生命周期预测；
    • 具备“把业务指标翻译成模型目标函数”的能力，能通过算法带来可量化的GMV、ROI或留存提升。

  5. 软技能与个人特质

    • 数据敏感、逻辑严谨、自我驱动，对0.1pp的指标波动愿意刨根问底；
    • 良好的跨团队沟通（产品、运营、平台、数据工程），能把复杂模型解释给非技术高层；
    • 持续学习：跟进KDD/NIPS/ICML/ACL/CVPR等最新论文并快速落地试用；
    • 竞赛/论文/专利：Kaggle、天池、KDD Cup、LeetCode 200+、顶会一作都是加分项。

一句话总结：企业希望你“既能手撕公式推模型，又能写分布式代码跑数据，最终把算法变成可灰度、可解释、可盈利的业务结果”。

数据(平台)架构师

数据运营工程师

数据产品经理

截至2025年，企业对数据产品经理的招聘要求可归纳为“硬技能＋业务理解＋项目落地”三大维度，典型JD要点：

  1. 专业与年限

    • 本科及以上，统计学/数学/计算机/信息管理优先；
    • 校招/实习：0-1年相关经验即可；社招：2-5年以上数据产品或数据分析经验，有数据中台、BI、SaaS、流量/用户行为等方向背景更受青睐。

  2. 数据能力

    • 熟练使用SQL（MySQL/Hive）做数据提取与验证，能写复杂查询；
    • 熟悉数据仓库分层、ETL流程、常见埋点及用户行为采集方案；
    • 具备A/B Test、漏斗、归因、异动分析等方法论，能独立完成指标拆解与监控体系。

  3. 产品技能

    • 能独立撰写PRD、绘制原型（Axure/墨刀/Sketch），掌握Visio/Xmind等工具；
    • 熟悉数据可视化、数据治理、数据资产管理、标签/画像/推荐系统等产品形态；
    • 具备从0-1或1-N的产品规划、竞品调研、需求评估、迭代管理、上线运营全流程经验。

  4. 业务与沟通

    • 能快速理解电商、内容、金融、零售等核心业务场景，把业务痛点转化为数据解决方案；
    • 跨部门推动能力强，可与数据开发、算法、平台、运营、业务方高效协同，把控进度与风险；
    • 具备英文读写/口语能力、演讲及培训能力者加分。

  5. 个人素质

    • 逻辑严谨、数据敏感、自我驱动，能在高强度环境下同时管理多项目；
    • 对大数据生态（Hadoop/Spark/Flink）或数据科学算法有基础认知者更受青睐。

简言之，企业希望候选人“既懂数据又懂产品，还能把业务问题落到平台功能”，并能在快速迭代中持续产生可衡量的业务价值。

Y 推荐文献

X 参考文献

posted @ 2021-07-31 02:00  千千寰宇  阅读(581)  评论(0)    收藏  举报