数据与分析发展趋势怎么样？值得入行么

今年数据和分析主要趋势：激活多样性和活力使用自适应AI系统推动增长和创新同时应对全球市场的波动；增强人员能力和决策以提供由业务模块化组件创建的丰富的、情境驱动的分析；将信任制度化以大规模地实现数据和分析的价值。管理AI风险并实施跨分布式系统、边缘环境和新兴生态系统的互联治理。

现在应该根据关键数据和分析技术趋势对于业务优先事项的紧迫性和匹配性来监测、尝试或积极投资于这些趋势，以此预测、调整并扩大数据和分析战略的价值。2022年需要关注的数据分析趋势：

1、自适应AI系统

随着决策变得更具关联性、情境性和连续性，再造决策的重要性日益增加。企业可以通过自适应AI系统来做到这一点，它可以更迅速地适应变化提供更加快速灵活的决策。同时，构建和管理自适应AI系统需要采用AI工程实践。AI工程能够通过编排和优化应用来适应、抵御或吸收各种干扰因素，促进自适应系统的管理。

2、以数据为中心

在不考虑AI特有的数据管理问题的情况下试图解决AI问题。Sallam表示：“如果没有正确的数据，构建AI就会产生风险并且可能带来危险。”因此，正式规定使用以数据为中心的AI和以AI为中心的数据至关重要。在企业的数据管理战略中，它们能够更加系统地解决数据偏差、多样性和标记问题，包括在自动化数据整合和主动元数据管理中使用数据编织。”

3、元数据驱动的数据编织

数据编织通过元数据侦听、学习并行动，能为人员和系统标记和推荐行动，最终提高企业机构内部对数据的信任和使用，减少包括设计、部署和操作在内70%的各类数据管理任务。

4、始终数据共享

虽然数据和分析领导者经常承认数据共享是一项关键的数字化转型能力，但他们缺少专业的知识，因此无法怀着信任大规模地共享数据。顺利推动数据共享并增加对匹配业务案例的正确数据的访问，应开展跨业务和行业领域的合作，这将加快对增加预算授权和数据共享投资的支持。此外，还应考虑采用数据编织设计来实现跨不同类型内部和外部数据来源的统一数据共享架构。

5、情境丰富的分析

情境丰富的分析建立在图形技术的基础之上。关于用户情境和需求的信息被保存在图形中，以便利用数据点之间的关系以及数据点本身实现更深入的分析。这能帮助您基于相似性、制约因素、路径和社区来识别和创建进一步的情境。为了捕获、保存和使用情境数据，企业需要建立数据流水线、X分析技术和AI云服务方面的能力和技能，以便处理不同类型的数据。到2025年情境驱动的分析和AI模型将取代60%建立在传统数据基础上的现有模型。

6、业务模块组合式数据分析

Gartner建议企业采用模块化的数据和分析方法或“组合式数据和分析”。业务模块组合式数据和分析建立在这一趋势的基础上，但重点正在从IT人员转向业务人员。业务模块组合式数据和分析使业务用户或业务技术人员应联合构建业务驱动的数据和分析能力。

7、以决策为中心的数据分析

决策智能学科(即对如何做出决策进行深思熟虑)正在使企业机构重新思考在数据和分析能力方面的投资。使用决策智能学科设计最佳决策，然后提供所需的信息和资源。到2023年，超过33%的大型企业机构将有从事决策智能工作的分析师，包括决策建模。

8、人员技能和素养的不足(Skills and literacy shortfall)

数据和分析领导者需要团队中的人才来推动可衡量的成果。但虚拟工作场所和激烈的人才竞争加剧了员工数据素养的不足。从现在起到2025年，大多数首席数据官(CDO)将无法培养实现战略数据驱动的既定业务目标所必需的员工数据素养。由于数据素养和员工技能提升方面的投资成本不断上升，应在与新员工的合同中加入“薪酬索回”或“费用偿还”条款，这样就能在员工离职时收回成本。

9、互联治理

企业机构需要在各个层面采取有效的治理来解决他们当前的运营挑战，而且这些治理措施还必须灵活、可扩展并且能够迅速响应不断变化的市场动态和具有战略意义的组织挑战。疫情进一步突出表明，企业迫切需要强有力的跨职能协作，并随时准备改变组织结构，以实现业务模型的敏捷性。应使用互联治理建立一个跨业务职能和地域的虚拟数据和分析治理层来实现所期望的跨企业业务成果。

10、AI风险管理

如果企业机构将时间和资源用于支持AI信任、风险和安全管理(TRiSM)，那么他们就能改进AI在采用、业务目标实现以及内部和外部用户接受度方面的成果。专业人士预测，到2026年，开发出可信赖的目标导向型AI的企业机构将实现75%以上的AI创新成功率，而未能做到这一点的企业机构只有40%的成功率。通过加强对AI TRiSM的重视，企业机构就能可控而稳定地实现AI模型的实施与操作化。此外，Gartner还预测AI的失败会大幅减少，包括不完整的AI项目、意外或负面结果的减少等。

11、厂商和地区生态系统

随着各地区数据安全法的颁布，许多跨国企业机构正在为遵守当地法规而构建数据和分析生态系统，这一趋势将在新的多极世界中加速。您将需要考虑迁移和复制特定地区内的部分或全部数据和分析堆栈，并且将多云和多厂商战略管理纳入设计或预设。企业需要采取多项行动构建一个有凝聚力的云数据生态系统。应评估厂商解决方案的可扩展性和在整个生态系统的供应情况，并考虑与它们保持一致。应通过权衡单一厂商生态系统在成本、敏捷性和速度方面的优势，重新评估有利于最佳或最合适的云中端到端数据和分析能力战略的政策。

12、向边缘的扩展

在数据中心和公有云基础设施之外的分布式设备、服务器或网关中执行的数据和分析活动日益增加。它们越来越多地位于边缘计算环境，更加靠近数据和相关决策的创建和执行地点。有专业人士预测到2025年超过50%的企业关键数据将在数据中心以外或云以外的地点创建和处理。

数据分析趋势代表了业务、市场和技术动态，这些趋势还有助于确定推动新增长、效率、韧性和创新的投资优先事项。企业将数据和分析治理能力扩展到边缘环境，并通过主动元数据实现可见性。还可通过加入位于边缘的以IT为中心的技术以及用于存储和处理更加靠近设备边缘的数据且内存占用量少的嵌入式数据库，为边缘环境中的数据持久化提供支持。

猎聘大数据研究院发布了《2022未来人才就业趋势报告》

从排名来看，2022年1-4月各行业中高端人才平均年薪来看，人工智能行业中高端人才平均年薪最高，为31.04万元；金融行业中高端人才以27.69万元的平均年薪位居第二；通信、大数据行业中高端人才平均年薪分别为27.51万元、25.23万元，位列第三、第四；IT/互联网行业中高端人才平均年薪23.02万元，位列第七。

图表来源：《2022未来人才就业趋势报告》

如果你觉得很高，被平均了这样？那么打开Boss直聘，搜大数据工程师：

我们来做下数据分析：

薪资那一列都有一个最低薪资和最高薪资，我们通过不同城市来对比分析一下，发现北京的工资水平最高，最低为22k，最高为38k。

工作年限也是一个制约工资水平的很大因素，从图中可以看出，即使是刚毕业，也能达到一个11-20k的薪资范围。

而学历要求来说，大部分为本科，其次为大专和硕士，其他比较少，以至于在图中并没有显示出来。
企业对不同岗位的要求以3-5年的居多，企业当然是需要有一定工作经验的员工，但是在实际招聘中，如果你有项目经验，且理论知识没问题，企业也会放宽条件。

分析不同行业， 我们发现，大数据岗位需求分布在各行各业，主要还是在计算机软件和互联网最多，也有可能是这个招聘软件决定的，毕竟Boss直聘还是以互联网行业为主。

来看看哪些公司在招聘大数据相关岗位，从这个超过15的数量来看，华为，腾讯，阿里，字节，这些大厂对这个岗位的需求量还是很大的。

那么这些岗位都需要什么技能呢？Spark，Hadoop，数据仓库，Python，SQL，Mapreduce，Hbase等等

根据国内的发展形势，大数据未来的发展前景会非常好。自 2018 年企业纷纷开始数字化转型，一二线城市对大数据领域的人才需求非常强烈，未来几年，三四线城市的人才需求也会大增。

在大数据领域，国内发展的比较晚，从 2016 年开始，仅有 200 多所大学开设了大数据相关的专业，也就是说 2020 年第一批毕业生才刚刚步入社会，我国市场环境处于急需大数据人才但人才不足的阶段，所以未来大数据领域会有很多的就业机遇。
薪资高、缺口大，自然成为职场人的“薪”选择！

任何学习过程都需要一个科学合理的学习路线，才能够有条不紊的完成我们的学习目标。Python+大数据所需学习的内容纷繁复杂，难度较大，为大家整理了一个全面的Python+大数据学习路线图，帮大家理清思路，攻破难关！

Python+大数据学习路线图详细介绍

第一阶段 大数据开发入门

学前导读：从传统关系型数据库入手，掌握数据迁移工具、BI数据可视化工具、SQL，对后续学习打下坚实基础。

1.大数据数据开发基础MySQL8.0从入门到精通

MySQL是整个IT基础课程，SQL贯穿整个IT人生，俗话说，SQL写的好，工作随便找。本课程从零到高阶全面讲解MySQL8.0，学习本课程之后可以具备基本开发所需的SQL水平。

2022最新MySQL知识精讲+mysql实战案例_零基础mysql数据库入门到高级全套教程

第二阶段 大数据核心基础

学前导读：学习Linux、Hadoop、Hive，掌握大数据基础技术。

2022版大数据Hadoop入门教程
Hadoop离线是大数据生态圈的核心与基石，是整个大数据开发的入门，是为后期的Spark、Flink打下坚实基础的课程。掌握课程三部分内容：Linux、Hadoop、Hive，就可以独立的基于数据仓库实现离线数据分析的可视化报表开发。

2022最新大数据Hadoop入门视频教程，最适合零基础自学的大数据Hadoop教程

第三阶段 千亿级数仓技术

学前导读：本阶段课程以真实项目为驱动，学习离线数仓技术。

数据离线数据仓库，企业级在线教育项目实战（Hive数仓项目完整流程）
本课程会、建立集团数据仓库，统一集团数据中心，把分散的业务数据集中存储和处理 ；目从需求调研、设计、版本控制、研发、测试到落地上线，涵盖了项目的完整工序 ；掘分析海量用户行为数据，定制多维数据集合，形成数据集市，供各个场景主题使用。

大数据项目实战教程_大数据企业级离线数据仓库，在线教育项目实战（Hive数仓项目完整流程）

第四阶段 PB内存计算

学前导读：Spark官方已经在自己首页中将Python作为第一语言，在3.2版本的更新中，高亮提示内置捆绑Pandas；课程完全顺应技术社区和招聘岗位需求的趋势，全网首家加入Python on Spark的内容。

1.python入门到精通（19天全）

python基础学习课程，从搭建环境。判断语句，再到基础的数据类型，之后对函数进行学习掌握，熟悉文件操作，初步构建面向对象的编程思想，最后以一个案例带领同学进入python的编程殿堂。

全套Python教程_Python基础入门视频教程，零基础小白自学Python必备教程

2.python编程进阶从零到搭建网站

学完本课程会掌握Python高级语法、多任务编程以及网络编程。

Python高级语法进阶教程_python多任务及网络编程，从零搭建网站全套教程

3.spark3.2从基础到精通

Spark是大数据体系的明星产品，是一款高性能的分布式内存迭代计算框架，可以处理海量规模的数据。本课程基于Python语言学习Spark3.2开发，课程的讲解注重理论联系实际，高效快捷，深入浅出，让初学者也能快速掌握。让有经验的工程师也能有所收获。

Spark全套视频教程，大数据spark3.2从基础到精通，全网首套基于Python语言的spark教程

4.大数据Hive+Spark离线数仓工业项目实战

通过大数据技术架构，解决工业物联网制造行业的数据存储和分析、可视化、个性化推荐问题。一站制造项目主要基于Hive数仓分层来存储各个业务指标数据，基于sparkSQL做数据分析。核心业务涉及运营商、呼叫中心、工单、油站、仓储物料。

全网首次披露大数据Spark离线数仓工业项目实战，Hive+Spark构建企业级大数据平台