涨薪飞快！未来大数据行业人才紧缺

　　据麦肯锡全球研究院预测：在未来 6 年，同时具备大数据分析能力并可以为企业做出有效决策的数据管理和分析的相关人才将有 150 万的缺口。线性代数、概率论、机器学习感兴趣的可以重点考虑！实习科研软实力非常看重！

　　今年学生录取的数据分析，前三十基本：Gpa平均3.7+，GRE320+，科研实习至少2-3个！数据科学类岗位起薪$66，000（约46万人民币）、较高薪资可达$134，000（约 94 万人民币）；

　　数据科学现状

　　1、新兴学科

　　目前来说本科拥有独立Data Science主修的大学也不是很多，大部分还是在应用数学/统计学的分支或者研究生院校中。立思辰留学云介绍，无论是从数量还是质量上，大学无法培养出那么多满足企业需求的毕业生。

　　虽然工程和金融等学科已经开始培养那些年轻的数据分析师，但毕竟这还是一个刚刚起步的学科，企业也不愿意冒险聘用毫无工作背景的人才。

　　2、中小企业目光短浅

　　中小型企业在人才投资方面目光短浅，因此从长期而言，它们将错失获得人才的最佳机会。

　　反之，例如Facebook、Intel和Google等全球知名公司都在大量招聘人才。很多中小企业认为招聘大数据人才是一种浪费。但是，数据分析师往往能给企业在未来带来更大的利益和优势。

　　3、科技巨头垄断人才

　　大公司为招募顶级数据科学家预留出了巨额预算：亚马逊2.4亿美元、谷歌1.3亿美元、微软7500万美元、脸书4000万美元。

　　此外，这些科技巨头在吸引求职者过程中拥有更强大的声望，是一流数据分析师的首选。在未来，中小企业将会越来越难吸引这些顶级人才。

　　学习内容

　　分为四部分：归纳问题、准备探索数据、模型训练检验调整、报告和产品。

　　学习 Data Science 需要的理论：线性代数、概率论、机器学习。

　　1. 归纳问题

　　客户给公司的任务，或者头头给分析师的任务，不是一个具体的任务（用 xx 模型来做 xx 数据），而是一个具体的商业问题。比如，上个季度为什么盈利下降了。这就是一个归纳问题的环节，需要有专业知识帮助我们找到方向。

　　2. 准备探索数据

　　归纳问题结束之后，会产生很多假设，这就需要寻找数据验证假设。

　　寻找数据一般是竭尽所能，比如收入不好与市场推广有关，就会去寻找广告商的数据。

　　寻找数据以后，要检查数据质量，是否有异动、缺失等等。数据质量能够决定模型的准确率。所以花在“清洗整理”数据上的时间要占到总时间的 60% 甚至更多，有时候也需要跟客户进行交流。

　　检查完质量以后，做一些探索性分析。

　　3. 模型训练检验调整

　　先确定模型基本类型（回归、聚类等），选取比较合适的模型进行搭建，用 test 对模型进行检验。检验的同时再去寻找模型最优的参数配置，对模型进行预测，如果预测结果很好的话，建模过程就结束了。

　　4. 报告和产品

　　在咨询公司中，模型做完以后，会和客户进行交流，看是否符合实际。在科技公司中，模型往往会发展成一个产品。放在公司平台上测试，或者发布到网上。

　　人才来源

　　通常情况下，来自哈佛、普林斯顿和耶鲁等常春藤盟校以及其他前二十大学的毕业生都是香饽饽。而他们大多都被上文提到的世界知名公司品牌所吸引。

　　Facebook和Google各有超过5%的员工是来自斯坦福大学的。对于Dropbox、Palantir Technologies和Snapchat这三个顶尖网络公司来说，斯坦福校友的比例高达10%。卡内基梅隆大学的校友占Uber和Pinterest员工总数的7%以上。

　　但是，很多顶尖数据人才并不来自于这些更多人公认的“顶尖大学”。Poets&Quants调查了所有硅谷的顶尖公司，然后列出了最受雇主青睐的大学。像亚利桑那州立、德州奥斯汀分校、德州农工等大学都并非传统意义上的“顶尖大学”。然而，这并不影响他们毕业生在硅谷职场上被疯抢。

　　尽管藤校平均下来拥有更多的精英学生（全国排名前10%的学生)，但超过80%的顶级人才来自其他知名大学。大量学生其实被低估了，而许多公司甚至并没有意识到。明白这个观点的知名公司是Yelp（美国版大众点评），有11%的员工是加州大学伯克利分校的校友。

　　Correlation One认为，像普林斯顿大学、芝加哥大学、哈佛大学、卡内基梅隆大学和哥伦比亚大学这样的学校在评估中得分一如既往的高，这不让人意外。除了这些显而易见的名字，华盛顿大学和匹兹堡大学这样的地方学校也是培养人才的好地方，普渡大学的博士生更是数据领域的超顶尖人才。

　　因此，在选校的时候，不要以“名校为王”。每个学校都一定有自己的独特优势！综合自己的未来方向选校，这才是聪明的做法！