年薪在12万美元上下徘徊,如何入行?数据分析实习直通车等你参加!
小编近来收到不少关于数据分析求职方向的咨询问题
问自己的背景和经历适不适合做数据分析问如何成为一名Data Analyst小编通过
这篇文章回答大家一个问题如何成为一名 Data Analyst?
01 Data 实习直通车
结合自身兴趣和专业,量身定制职业发展方向
根据职位帮助准备面试
精准投递,100% 拿 Data 实习 offer丰富简历,提高竞争力,顺利入行
适合人群大一/大二本科生:
- 增加求职经历
- 提高申请竞争力
- 为秋招以及2020暑期实习做准备
大三/研一学生(以及转行):
- 提升个人经历
- 丰富行业技能
- 为秋招以及2020暑期实习做准备
大四/研究生最后一年:
- 添加真实北美实习背景
- 在有限时间内拿到一份OPT实习
报名方式扫描二维码,回复【实习】咨询报名
并免费获得价值$1000+的最新求职大礼包
02 数据分析年薪12美元左右
年薪在12万美元上下徘徊
看下面这幅图,你会发现这些数据科学家的平均年薪中位数为 12 万美元,而且按照年薪的划分,趋势是相当平稳的。但是有一点请记住,这个中位数只是基本工资,不包括现金奖金、股票和福利。因此,数据科学家的总体薪酬中位数可能比这些要高得多。
数据科学家年薪中位数
工作岗位逐年递增,薪资却在缓慢下降
在过去的五年时间里,被雇佣的数据科学家的数量显著增加。请注意,这篇文章是在 2019 年 8 月份写的,这一年还没有结束,所以最后一根柱子(棕色)较短。
年度被雇佣的数据科学家数量
过去几年被雇佣的数据科学家人数大幅上升,这也反映了另一种趋势——很多公司正试图赶上大数据和人工智能的潮流。这些公司的团队以前叫作决策分析或研究,现在改名叫数据科学。
并不是所有的数据科学工作都是一样的。比如,A 公司的数据科学家可能将 80% 的时间花在 SQL 上,而 B公司的数据科学家则一整天都在用 Python 实现机器学习算法。这可能是数据科学家的工资差异如此之大的原因之一(其他原因还包括经验、雇佣地点、公司的平均薪资水平,以及员工是否拥有高等学位)。
我们可以通过柱状图来查看薪资的分布情况。由于不同年份的数据差别不大,用柱状图来表示五年的数据。两条黑线分别表示 25 百分位 (102,600 美元)和 75 百分位 (135,475 美元),红线表示中位数 (120,000 美元)。
数据科学家薪资柱状图
Airbnb 出手最大方
那么,到哪些公司可以拿到较高的薪资呢?下图从公司维度按照从高到低的顺序对数据科学家薪资中位数进行排列。这张图只包含了样本中涉及的雇佣了 10 个或更多数据科学家的公司——如果有某家公司只雇佣了一名数据科学家,即使他或她挣了 20 万美元,这些信息对于你来说也没有多大意义。
AirBnB、Lyft、Facebook 和苹果的薪水高达 13.5 万美元或更高,值得一提的是,Ancestry.com 是数据科学家的主要高薪雇主。
去哪些公司可以拿到较高的薪资
下图中给出了数据科学家的主要雇主(提交 H1B 申请最多的雇主)。排在前面的都是些大型的科技公司。
雇主排行
03 数据分析职业前景&规划
据 IBM 预测,未来3年,公司对 Data 类岗位需求量将猛增 28%。
到2020年,所有美国 Data 类岗位数量将增加36万个,总数达到270万。
金融、互联网科技和传媒、零售企业中,数据的用处十分广泛,不但能分析客户行为,还可以最大程度发现客户价值。
资料来源:IBM
关于数据分析方向求职的职业规划,小编会从不同领域和不同路线帮大家深入解读下:
不同领域
“领域”是不少刚接触数据分析的新人常忽略的要素,其实数据分析不会脱离业务存在。你进入哪个行业,很大程度会决定你初期的技能树和技能点。
举例:金融领域的风控模型/反欺诈模型、营销领域的生命周期、广告领域的点击率预估等,电商行业的推荐系统和用户画像系统各有各的特色。
不同路线
数据分析职业发展的路线大致可以划分成四大方向:
- 数据分析
- 数据挖掘
- 数据产品
- 数据工程
1. 数据分析/数据运营/商业分析
这是业务方向的数据分析师。绝大部分人,都是从这个岗位开始自己的数据之路,也是基数最大的岗位。
- 负责和支撑各部门相关的报表;
- 建立和优化指标体系;
- 监控数据的波动和异常,找出问题;
- 优化和驱动业务,推动数据化运营;
- 找出可增长的市场或产品优化空间;
- 输出专题分析报告;
2. 数据挖掘/算法专家
这是技术向的数据岗,有些归类在研发部门,有些则单独成立数据部门。数据挖掘工程师要求更高的统计学能力、数理能力以及编程技巧。
常见数据挖掘项目的闭环如下:
- 定义问题
- 数据抽取
- 数据清洗
- 特征选取/特征工程
- 数据模型
- 数据验证
- 迭代优化
3. 数据产品经理
这个岗位比较新兴,它有两种理解:
- 具备强数据分析能力的 Product Manager:以数据导向优化和改进产品。在产品强势的公司,数据分析也会划归到产品部门,甚至运营也属于产品部。
- 公司数据产品的规划者:真正意义上的数据产品经理。在公司迈大迈强后,数据量与日俱增,此时会有不少数据相关的产品项目:包括大数据平台、埋点采集系统、Business Intelligence、推荐系统、广告平台等。
4. 数据工程师
数据工程师其实更偏技术,从职业道路上看,程序员走这条路更开阔。在很多中小型的公司,一方面数据是无序的、缺失的、原始的,另外一方面各种业务报表又需要处理。这时候分析师只能各种任务自己动手,兼做数据清洗+ETL(提取转换加载)+商业智能。
04 如何成为一名数据分析师?
当数据分析数据挖掘技术成为商业领域的重要推动力,对从业者的要求也相对提高。
1 数据分析基础
抛开对业务层面的基本理解,学好数据分析首先需要了解统计学,统计分析是数据分析的基础,也是灵魂。统计分析的几个核心内容:
- 描述统计,统计推断,概率论;
- 抽样,分布,估计,置信区间,假设检验;
- 线性回归,时间序列;
2 数据分析工具
- SQL数据库的基本操作,会基本的数据管理
- 会用Excel/SQL做基本的数据提取、分析和展示
- 会用脚本语言进行数据分析,Python or R
- 有获取外部数据的能力加分,如爬虫或熟悉公开数据集
- 会基本的数据可视化技能,能撰写数据报告
- 熟悉常用的数据挖掘算法:回归分析、决策树、分类、聚类方法
1. Excel
Excel也是数据分析师需要掌握的。公司很多其它部门非技术人员是不会使用编程工具的,而会使用相对简单的Excel来处理一些报表。这个时候就可能需要你可以在Excel中做一些数据分析工作然后反馈,但是也不必太深入,掌握核心的功能即可,比如:
- 增删改查
- 各类常用函数的使用
- 各类基础图标的制作
- 数据透视表等
2. R/Python
R语言就是为统计学而设计的语言,是目前主流数据应用软件之一,非常适合于数据分析与数据挖掘。而Python作为目前非常火爆的语言,绝大部分新的数据科学工具都兼容它,并且由于其出色的科学计算library的存在,也是很多人的不二选择。
3. SQL
SQL作为最经典的数据库工具,为海量数据的存储与管理提供可能,并且使数据的提取的效率大大提升。你需要掌握以下技能:
1)提取特定情况下的数据:企业数据库里的数据一定是大而繁复的,你需要提取你需要的那一部分,SQL可以通过简单的命令帮你完成这些工作。
2)数据库的增、删、查、改:这些是数据库最基本的操作,但只要用简单的命令就能够实现,所以你只需要记住命令就好。
3)数据的分组聚合、如何建立多个表之间的联系:这个部分是SQL的进阶操作,多个表之间的关联,在你处理多维度、多个数据集的时候非常有用,这也让你可以去处理更复杂的数据。