傅一航：大数据职位发展通道

上一篇主要描述了大数据时代下的新的职位体系，本篇文章主要描述一下大数据职位的发展通道情况。

大数据职位发展通道

前面说过，大数据职位至少有两大类，一类是应用类，另一类是系统类。这两类的职位最终的发展应该有不同，也可以相互融合，就看个人的选择发展。

基本的发展通道如下所示：

应用类

应用类职位，这一类往往是从业务出发，从精通业务，到精通数据分析，所以基本的发展方向有两个。

通道一：业务分析员-->业务分析师-->产品经理/分析专家；

大数据分析员，一般也叫做助理分析师，指的是在高级数据分析师的指导下，采用常用的分析方法和分析工具，提炼出数据中蕴含的业务信息。一般要求分析员能够熟练使用分析工具，明确分析方法背后的理论及应用场景。

大数据分析师，指的是能够处理复杂的业务问题的数据分析人员，他们能够将复杂的问题进行分解，系统地全面地分析出复杂问题的业务规律和业务问题。一般，要求分析师对业务和分析都要有较深的认识，熟悉业务模型，也熟悉数据模型，并能基于业务数据分析结果给出业务建议和业务策略，支撑企业决策。

数据产品经理，指的是数据产品的项目管理人员。产品经理负责数据产品策划、需求分析、功能规划，以及规划产品的商业模型，推广策略，负责组建团队进行产品开发等等。要求产品经理具有数据思维能力，不但要有深刻的数据分析/业务理解能力，还要有数据产品的设计与管理能力，以及较强的产品运营能力。

通道一适合于业务部门的人员转行做数据分析。

他们从懂业务出发，通过学习系统的数据分析和数据挖掘知识，掌握相应的分析方法、分析思路、分析模型，从单个业务问题的分析到复杂问题的分析，从常用统计分析到高深的数据挖掘/机器学习等知识，逐步上升到分析专家或者资深分析师。

通道二：数据分析员-->数据建模/算法师-->分析专家/产品经理

数据建模/算法师，侧重于数据建模，以及算法研究。基于对商业问题的理解，选择或构建出合适的数据分析框架和分析模型，以及实现算法，从而达到定性或定量的实现业务数据分析，提供数据驱动业务服务。

大数据分析专家，或者叫做高级/资深分析师，他们对业务领域有系统全面的理解，能构建整个业务分析框架及建立某领域的业务分析体系，形成系统全面的企业决策系统。

一般情况下，资深的分析专家与产品经理在能力上应该是相当的，只是产品经理侧重于产品管理与产品运营，而资深分析专家更侧重于业务数据分析。

通道二适合于高校毕业生做数据分析。

他们在学校接受过正规的数理统计、数据挖掘、算法实现等知识，掌握了较全面的数据分析/挖掘方法。他们只需要再深入了解一些业务知识，就能够很快地将业务和分析结合，快速地成长为分析专家。一般地，算法工程师，往往是高校的研究生和教授来担当。

系统类

系统类职位，属于系统研发，其发展通道与一般的IT技术人员的职位发展通道基本类似，只不过是基于大数据平台进行研发。

通道三：开发工程师-->系统设计师-->大数据架构师

开发工程师，俗称码农，偏向于写代码，负责大数据系统的开发工作，在系统设计师的指导下，运用编程语言进行应用程序的单个模块的开发、测试和维护。

系统设计师，负责大数据产品系统的设计，要求熟悉hadoop/Spark/Storm等大数据平台，熟悉大数据系统平台的核心框架及组件，能够基于大数据系统进行应用系统设计/开发/优化/部署。

大数据架构师，负责大数据系统的技术架构设计，平台选择与构建，要求有平台级开发和架构设计能力，能够搭建整个商业大数据系统的平台。

通道三适合于一般IT开发工程师转行做大数据。

他们有着较强的编程和写代码的能力，本身对编程语言（如Java/R/Python等）较熟悉，只需要再了解一下大数据开源平台Hadoop的编程原理及运行思想，就能够比较容易地转入大数据系统的开发和测试，并通过不断地扩宽对产品其他模块甚至整个系统的了解，逐步上升到系统设计，以及架构设计的高度。

通道四：数据库管理员-->运维工程师-->大数据架构师

数据库/数据仓库管理员，指的是大数据仓库的设计、管理和优化，负责大数据的分布式存储、组织与管理，包括性能优化、故障检测、数据安全等等。

大数据运维工程师，指的是大数据平台运维管理，包括系统运维规划、系统监控、系统优化等等。

通道四适合于数据库管理员转行到大数据。

他们本来就熟悉数据库/数据仓库技术，原来的技能很容易移植到大数据的数据库（如Hbase，Hive等）上来。在数据仓库基础上，再扩展到其他模块，熟悉其他组件的技术原理，工作机制，直至整个大数据系统，这样可快速地上升到系统运维及大数据架构师。

通道五：大数据安全员-->大数据安全工程师-->大数据安全专家

大数据安全，这是一个相对独立的领域，主要专注于大数据系统的安全工作。

大数据安全员，要求了解基本的数据安全知识，能够在安全专家指导下，利用常用的安全工具和手段，执行对系统和数据的安全防范措施。

大数据安全工程师，要求理解大数据系统各组件的安全实现，深入理解网络安全、数据安全、信息安全等，包括身份认证、权限控制、数据加密、入侵检测、系统安全加固、漏洞修复、通信安全、安全审计、数据防泄漏等等，和确保大数据系统的安全。

大数据安全专家，要求熟悉大数据安全模型和安全机制，能够构建大数据系统安全体系，制定大数据安全策略和方案，以及完善和优化大数据系统安全机制。

大数据安全专家发展的最高职位应该是CSO（首席安全官），或者叫CDSO（首席数据安全官）。CDO应该能够深入理解职责管辖下的数据安全需求，对比分析数据安全解决方案优劣，侧重于大数据的安全管理和流程，能制定数据安全规范和相关安全标准。

通道五适合于负责网络信息安全的人士转行到大数据。

他们基于原有的网络安全、信息安全知识，结合当前大数据系统的实现原理和安全运行机制，就能快速上手，确保大数据平台架构的安全。

大数据专家的最高职位

不管是从应用类，还是系统类，大数据专家发展的最高职位都应该是数据科学家或CDO（首席数据官）。当然，数据科学家侧重于大数据技术（包括应用技术和系统技术），而CDO，则侧重于企业管理和决策。

当然，从能力要求看起来，大数据在应用类的最高职位也可以是CIO（首席信息官），侧重于从业务信息层面来解读大数据；系统类的最高职位也可以是CTO（首席技术官），侧重于从技术系统层面来引领大数据；安全类的最高职位是CSO（首席安全官），侧重于大数据的安全。

CDO（首席数据官）/数据科学家，负责企业大数据的战略规划，制定企业大数据的发展战略和布局，实现企业数据有效支撑企业的发展。

CTO（首席技术官），是企业技术的创建者和推动者，负责制定企业的技术愿景和发展战略，把握总体技术研究与发展方向，并对技术选型进行指导和把关。

CIO（首席信息官），负责规划企业的信息资源，制定企业信息化战略和布局，整合企业信息流、物流、资金流资源，运用信息管理技术重建企业的决策体系，包括企业流程再造等等。CIO是为业务而设立的。

CSO（首席安全官），主要是指CDSO（首席数据安全官），负责整个企业大数据的安全运行状态，制定大数据系统的安全措施、安全规则和安全标准，负责整个企业大数据系统的安全方案和安全策略。

不管是CDO、CIO、CTO，都是企业管理者，只是职责细分上的差异。

企业的性质不同，有可能设置的CXO岗位也不一样。那些对数据有较强依赖的企业，诸如金融、电子商务、互联网企业等，都会设置CDO角色；那些以信息化服务为主的企业，诸如ERP企业、OA企业，一般设置CIO角色；那些以技术擅长的企业，诸如高科技企业、IT公司，一般设置CTO角色。

在一个大数据企业中，CDO有可能就是CIO，也有可能就是CTO，或者CDO将完全代替CIO和CTO。

当然，你有可能在各大公司的职位招聘中看到更多的职位，各种职位，五花八门，但总体来看，不外乎是上面提到的大数据职位的一些细化和变化。

作者简介：

傅一航，大数据专家。

专注于大数据分析、大数据挖掘等应用技术，及大数据系统解决方案。致力于将大数据技术应用于通信、金融、航空、电商、互联网等领域。