2018秋季数据科学人才报告：缺口170万人，平均面邀薪资43万元

进入金九银十以来，不论是紧张备战秋招的广大学子，还是拿了半年度奖金后蠢蠢欲动的跳槽者，都对即将投身的新岗位薪资充满了好奇和困惑。最近 100offer 就收到了不少这样的留言：「你们有大数据方向的薪资报告吗？」「什么时候推一篇数据科学的行业分析？」

对于这个问题，2017 年麦肯锡就已经在分析报告中表示，预计 2018 年数据科学家的缺口在 14 万到 19 万之间，数据分析师和经理的岗位缺口则将达到 150 万。

这组数字无疑是惊人的，不过抛开宏大的叙事角度，着眼于互联网领域近年的实际跳槽数据，或许能给有志于进入数据科学领域，或已经身处其中、正在考虑新的工作机会的你，有更贴近现实的指导意义。

今天 100offer 就送上这份最新的数据科学行业薪资报告，为还在踌躇的你指点迷津。

一、数据科学领域，到底有多缺人才？A 企业需求

我们观察到，自 2015 年 100offer 的服务范围开辟了数据类岗位的招聘需求以来，企业发放的数据类岗位面邀占比就稳步上升。

2017 年，数据相关的岗位占比到达了近 7% 的小高峰，随后 2018 年至今有轻微回落。事实上，在整体互联网行业的技术从业者当中，数据和算法工程师的岗位占比也和以上数字相吻合。

在企业需求量稳固上升的同时，数据类岗位的薪资也水涨船高。从 100offer 历年平均面邀薪资来看，2018 年至今数据类岗位已达 43.4 万元的水平，比 3 年前增长了37%；且 2015 年至今数据类岗位的面邀薪资都明显高于技术类岗位的整体平均水平。

而放眼将来，互联网的下一步革命是建立在人工智能及大数据算法之上，尽管时下从事算法和数据挖掘工作的技术人才仍占少数，但数据科学领域在未来中短期内，仍然会处于多元发展、选择众多、需求旺盛、细分领域专家型人才紧缺的需求上升期。

从职场个人发展的角度而言，无论你是不是技术岗出身，懂数据挖掘和分析将成为数字时代的人才必修技能和职业素养。

B 人才供给

1）求职人数涨势稳定

近年来数据方向求职者不断增长。2016 年人数涨势最猛，而 2018 年至今的求职人数也已经超过了 2017 年全年。

2） 求职岗位以数据科学和算法工程师为主

在数据方向的求职者中，数据科学家、算法工程师和数据挖掘工程师是 100offer 用户最感兴趣的三大岗位。

3）「初级-中级-资深」工作资历的人才梯队开始形成

从工作年限来看，一方面工作 6 年及以上的求职者占比有所增多，另一方面，也有大量工作 3 年以下的「新生力量」作为数据领域的人才后备军。

4）学历和专业背景出彩

在 100offer 的所有互联网技术类岗位候选人中，数据科学领域求职者们的学历门背景相当突出，硕士及以上学历求职者占到了一半以上。

同时，学历专业背景也以「科班出身」居多，计算机和软件工程类专业背景的候选人占比高达 43%，人文社科、经济管理类等非理工科专业的人才在数据科学领域属于占比不到 10% 的「小众群体」。

二、从企业要求与薪资角度，解读 5 大数据科学岗位A 数据科学领域的不同岗位职能

数据科学领域有许多不同的细分岗位，各个工种之间的具体职责和职业路径并非泾渭分明，不同行业和体量的企业中也会有不同的定义。

在 BAT 等大型集团企业中，生成的数据足够海量、业务逻辑足够复杂，才会有后文所提到的 5 种职责界限明确的细分岗位。而在数据量相对小的企业，完全有可能 2-3 个岗位就能完成从数据仓库开发到分析、到前端可视化呈现的所有工作。

以下我们就来分门别类地梳理各个数据科学领域的岗位职能。

1）数据挖掘工程师/算法工程师

狭义上，数据挖掘工程师的工作内容是负责接收产品或业务方的数据需求，对应不同平台的数据源使用不同的挖掘方法，产出经过初步加工整理的数据。为了完成数据应用的工程实现，他们需要非常熟悉代码和大数据工具的应用。

广义上，数据挖掘工程师也需要承担一部分算法设计的工作，这就不仅仅是底层的数据采集环节了，还需要参与建模和算法调优。这就牵涉到另一个岗位——算法工程师。

其实，在大部分中小型企业中，「算法工程师」和「数据挖掘工程师」两个岗位之间甚至不做区分；但在阿里、拼多多这样的大中型企业中，算法、数据分析和数据挖掘工程师是完全独立的三支团队，数据岗更偏向于前端的数据清洗、处理和可视化，而算法岗更强调在已清洗规范过的数据上，用机器学习算法对数据进行分类、拟合和建模。

比如，以下是 100offer 上算法候选人的典型简历内容：

（1）与软件工程师协作，对 X 版中的 XX 和 XXX 进行优化和改进，对公司用户的存储数据进行采集，采样和模拟，比较不同的算法在不同数据模式下进行动态存储分配的的性能。

（2）利用神经网络模型对用户数据进性建模，训练和分类，存储获得的模型参数和权重，将获得的模型转化成预测模型标记语言。

（3）利用机器学习模型和基于规则模型对 XXXX 的所有商品进行危险品检测，将模型部署用于在线实时分类以及离线批处理分类。

（4）主持人群分类与精准投放、广告效果归因分析、商品零售销量预测、基于匿名数据的跨屏用户打通、同源样本库等项目的研究与开发。

所需技能：

一个刚过及格线的数据挖掘工程师，首先基础工程能力要扎实，具体语言的要求并非绝对（Java, C++, Go 等）。对算法和数据挖掘理论知识也要有基本理解，具备学习能力、自驱力和逻辑分析能力等。

除了工程实现能力之外，数据挖掘工程师如果还需要设计算法，有实际的建模经验也是必选项。算法工程师所需的职业素养和考察项，可以拆分为这几个方面：

●经验背景

拥有一定的学术背景是算法工程师的考察重点之一，包括相关领域经验、数理基础、英文论文阅读。这是因为算法工程师对数学和机器学习的理论功底要求较高，需了解逻辑回归、T/F 检验，能对现成的模型做调参调优。

●编程能力

算法工程师的工程素养其实和一个普通程序员相似，要至少精通一门编程语言(Java，Python, Golang ) ，Java 优先。 熟悉常用的数据结构、算法等，掌握软件工程、敏捷开发模型，熟练掌握和应用各种设计模式；有海量访问系统的开发经验。

● 业务理解能力和创新能力

业务理解能力，是指要求算法工程师能将具体的业务场景和问题，拆分、抽象成标准化的数学模型，解决问题，并将模型应用到实际业务中去，让它产生商业价值。这就要求算法工程师对业务数据的敏感度，不能仅停留在模型训练层面，而是要了解数据的业务含义、能够准确应用数据。如果没有好的业务理解力，一个你找到的自认为很棒的变量，其实可能只是你理解有误。

至于创新能力，是对中高级算法工程师的进阶要求，也是对算法工程师未来潜力的考察。因为只有对各类模型足够熟悉、经历的业务场景训练足够丰富，才能在遇到新问题时，用创新的解决方案，定位、优化模型并端到端地解决业务问题。

2）数仓开发工程师/DBA

数仓开发工程师和数据库管理员（DBA）的职责，覆盖了数据库的全生命周期，包括前期数据库架构设计、选型，中期数据库测试，以及后期的容量管理、性能优化等。两种岗位都需要对数据库的稳定和安全性负责，只是数据仓库开发更侧重于软件开发和工程问题，DBA 侧重运维管理，类似于运维工程师。在实践中很多企业并不做区分，DBA 岗位就包含了开发和运维的所有职责。

DBA 对数学原理的门槛要求相对低一些，对于有工程基础但数学一般的开发或运维工程师来说，是转行进入数据科学领域的一条可选路径。然而，由于 DBA 搭建的是数据工作流中的底层架构，大中型企业对 DBA 的要求也越来越高，在数据量庞杂的中大型企业和重大业务活动场景下（比如淘宝的电商大促、支付类 App 的春节红包等），能保障数据库平稳运行就尤其重要。能成功经受此类技术难题考验的 DBA，在人才市场中仍然非常紧缺。

3）数据分析师

数据分析师需要查询不同的数据源、处理数据、用统计和数学技能分析并总结，制作可视化图和报告。这与传说中的「数据科学家」有一些重合之处。但数据分析师较少负责编程、统计建模和机器学习相关的工作，且数据分析师的级别和视野会比科学家更初级一些。数据科学家善于用广博的行业知识和精深的数学原理知识，主动发现并解决业务中的问题；而数据分析师更多是被动地收到一些自上而下的工作指令。

所需技能：

Python/SQL/R/Excel/SAS/Matlab等。数据分析师侧重对数理统计、数据分析能力和商业逻辑的考察，弱化工程能力，因此数据分析师的专业背景一般来源较广泛，包括数学、商科甚至其它非理工科专业。

4）数据产品经理/商业分析师

数据产品经理和商业分析师，本质上可被归为一类。二者共同点在于，都是把来自客户或业务端的问题，分拆成具体的数据挖掘需求，找工程师或技术经理来实现数据的调用，并将数据最终呈现为某一个产品功能、一套工具、一份报告或解决方案。

而两种岗位区别在于，商业分析师的工作模式是项目制/课题制的，工作内容具有一定的不确定性。数据产品经理则是把一个个课题，抽象成一类共同的流程，做成一套数据平台（比如广告 DMP 系统）、工具或者 BI 报表，后续同一类型的课题都能基于它来解决，不需要再 case by case 地从零开始分析。

另外，有些企业的商业分析师定位更偏战略层（类似于业务部门的战略分析岗，inhouse consulting），除了关注数据之外，思考维度会提升到公司业务的竞品分析、未来走向和战略制定层面。

所需技能：

数据分析能力，数据敏感度；技术/工具的应用：Excel/SQL是必备项，VBA/R/Python 是加分项；产品经理所需要的通用能力：产品设计能力，对业务逻辑/用户需求的理解和抽象能力，跨团队沟通、学习能力等。同样，商业分析师最重要的通用能力也是跨部门沟通和对业务需求的快速理解能力。

5）数据科学家

100offer正在招聘的几个数据科学家岗位，薪资、职级跨度和要求跨度非常大

数据科学家的职责边界是由具体的业务形态和数据团队规模定义的。比如在互联网金融的场景下，数据科学家的工作定位就相对清晰：迭代和优化数据模型，产出精准的用户画像，实现信贷反欺诈和资产定价的自动化流程。

抛开具体业务场景不谈，通常意义上的数据科学家，到底是做什么的？可以从某份数据科学家的 JD 一探究竟：

（来源：100offer）

从这份 JD 引申开来，Data scientist 可分为两个不同的方向。

一是对前沿算法的研究。将最新的会议、学术论文或前沿技术加以验证，甄选出能落地到公司业务场景中的算法；帮助数据团队发现问题，并选择和构造正确的指标。

在有些公司，这类数据科学家又被称为「算法专家」。他们需要精通算法模型的数学原理和统计学理论，理解黑盒是如何运作的，甚至写出全新的算法。

因此，这类数据科学家需要有相当过硬的统计学、数学或机器学习方向的学术研究能力，学历以硕博居多。

二是工程和应用方向。这类数据科学家除了扎实的算法和数学理论之外，编程技能必须是资深级别，能带领团队甚至是独立完成整个数据工作流的内容（从数据库平台搭建、数据挖掘与清洗、数据分析到用户画像和前端呈现）。

所需技能：

广义上，数据科学家可视作为前几种岗位的资深从业者。除了对工程和数学的精通之外，还要对行业有足够独到的商业洞察力和战略眼光，可带领团队为检验公司的决策做数据支撑，甚至驱动公司制定决策。

B 各岗位平均薪资与面邀数

在各类数据岗位中，数据科学家和数据挖掘工程师是年薪最高的两个群体，算法工程师紧随其后。其他几个工种间的薪资差异不大，基本都能达到 25 万以上。

此外，数据科学家和算法工程师的简历在 100offer 平台最受企业欢迎，平均每位候选人会收到近 5 份来自不同企业的面试邀请。

经统计，在各个岗位中，数据科学家、数据挖掘和算法工程师在高薪的同时，候选人的平均工作年限也最高，约 3.9 年；而数据分析师和 DBA 二者，则是更适合入门新手的非技术岗（2.9年）和技术岗（2.6年）。

三、100offer 说

以上就是《数据科学行业薪资报告》的精选内容，

在完整版报告中，我们还将为你阐述：

• 技术更迭如此之快，哪些才是数据科学行业的典型技术和关键应用场景？
• 数据科学领域的纵向和横向职业发展路径有哪些？
• 从初级、中级、资深数据工程师到数据主管，不同级别岗位间的能力模型区别是什么？
  
  

没看过瘾？点这里即可免费下载报告全文：

2018秋季数据科学行业人才流动报告

说明：

1、文中数据除特别说明外，皆来自 100offer。100offer 是服务于北上广深杭及新加坡互联网人才的招聘平台，其中工作 2 年以上的技术人才占 80-90%。

2、样本范围： 2015 年 1 月至 2018年 8 月，经筛选进行匿名展示的国内数据类岗位候选人，包括数据挖掘工程师、数据分析师、数据架构师、数据科学家、算法工程师等岗位。他们收到的面试邀请（以下简称面邀）和薪资普遍高于市场平均水平。

3、样本数量： 涉及 8563 份面邀的 1784 位求职者。

4、薪资计算方式：税前月薪 X 发放月份，不包含奖金、期权等。

来源：100offer