數(shù)據(jù)分析要懂多少算法模型？高薪崗位是這樣要求的...

數(shù)據(jù)領(lǐng)域的名詞特別多，經(jīng)常把同學(xué)們繞暈。數(shù)據(jù)分析、商業(yè)策略、運營分析、銷售分析、數(shù)據(jù)挖掘、算法模型、統(tǒng)計學(xué)、智能分析……似乎每個都和數(shù)據(jù)有關(guān)系，似乎每個又各自有一個領(lǐng)域的知識。

如何區(qū)別這些讓人眼花繚亂的概念，今天我們來講解一下。

學(xué)習(xí)數(shù)據(jù)分析三類常見錯誤

正是因為知識點太多，所以有同學(xué)很容陷入某個細節(jié)，結(jié)果產(chǎn)生三大流派：

喜歡搬書，尤其喜歡搬統(tǒng)計學(xué)，還有把高數(shù)搬出來的。似乎是理論越厚越好。實際上企業(yè)里相當(dāng)多的數(shù)據(jù)工作是全量統(tǒng)計，根本不需要用到統(tǒng)計學(xué)抽樣概念。

尤其以ESP（excel，sql，python）或者EST（excel，sql，tableau）流為典型，每天都在努力學(xué)習(xí)各種操作工具，可每一種操作工具，又止于最大值、最小值、平均值、百分比，最多再做個RFM聊以自慰。結(jié)果面試時候總糾結(jié)：到底這個算不算熟練。

總是把“底層思維”“核心邏輯”“內(nèi)功心法”掛在嘴邊，“分析無非拆解、對比”，對數(shù)據(jù)怎么采集一無所知，對數(shù)據(jù)質(zhì)量、數(shù)據(jù)治理一竅不通，結(jié)果就是真實工作中連個需求表都講不清……開發(fā)看了直撓頭。

當(dāng)然，更夸張的是以上三個都信了，桌面擺了20本書每天看一章，結(jié)果頭昏腦漲還是不懂，那畫面太美真不敢看……

之所以有這些問題，是因為數(shù)據(jù)分析工作本身是一個交叉領(lǐng)域的知識，并非像財務(wù)會計那樣從理論到實操能用一套體系講完。真實的數(shù)據(jù)分析工作上呈業(yè)務(wù)，下接技術(shù)，每個子模塊都有豐富的內(nèi)容。如果不梳理出一條主線，很容易扎進細節(jié)無法自拔。

數(shù)據(jù)分析與算法模型

從本質(zhì)上看，數(shù)據(jù)分析與算法是兩個應(yīng)用方向：

數(shù)據(jù)分析對抗的是不確定性，核心任務(wù)是把可量化的流程、操作、行為量化，用數(shù)據(jù)化、科學(xué)化的管理，代替：“決策拍腦袋、承諾拍胸口、出事拍大腿”的隨意的管理。

算法對抗的是低效率，核心任務(wù)是通過訓(xùn)練模型，把低級、重復(fù)、可標準化的操作轉(zhuǎn)移到機器完成，釋放人力資源，解決人力計算困難的問題。

所以我們能看到，算法的成功案例，在工業(yè)界比管理界多，在業(yè)務(wù)流程比決策流程多。比如人臉識別，在身份驗證、安防監(jiān)控、違章取證方面有大量應(yīng)用。

比如基于機器學(xué)習(xí)預(yù)測和線性規(guī)劃分配的調(diào)度算法，在人流控制、物流管理、派送分配方面有大量應(yīng)用。這些都是生產(chǎn)系統(tǒng)，和數(shù)據(jù)分析、商業(yè)決策沒啥關(guān)系。

和商業(yè)決策相對距離較近的是推薦類算法。但注意：有推薦算法的推薦系統(tǒng)，都是平臺方用于應(yīng)對大量商品（數(shù)以億計的SKU）的情況，品牌方自己才幾百個SKU的商品，做商品管理的時候還是要根據(jù)產(chǎn)品調(diào)性、賣點、用戶需求，設(shè)計宣傳思路，主打文案、賣點、價格策略、售后服務(wù)、禮品回饋。這些復(fù)雜的商業(yè)決策還是需要人來做，靠的是數(shù)據(jù)分析的支持。

本質(zhì)上，算法崗位和數(shù)據(jù)分析崗位是兩個工作，但這并不妨礙做數(shù)據(jù)分析的人向算法崗位靠攏。如果一個做分析的同學(xué)，真的對業(yè)務(wù)不感興趣，更希望深鉆技術(shù)的話，完全可以向算法方向發(fā)展。做分析的同學(xué)，對于數(shù)據(jù)開發(fā)有一定的能力積累，可以進一步強化開發(fā)能力。

強化的方向，當(dāng)然不是打開SKlearn對著一個已經(jīng)處理好的數(shù)據(jù)集調(diào)參。可預(yù)見的未來是：AutoML興起以后，調(diào)參俠第一個失業(yè)。強化的第一步，強烈建議從特征工程做起。

俗話說：數(shù)據(jù)和特征決定了機器學(xué)習(xí)的上限，而模型和算法只是逼近這個上限而已。特征工程是最基礎(chǔ)也是最重要的工作（如下圖，利用特征工程提升預(yù)測效能）

縱觀Kaggle, KDD等國內(nèi)外大大小小的比賽，每個競賽的冠軍其實并沒有用到很高深的算法，大多數(shù)都是在特征工程這個環(huán)節(jié)做出了出色的工作，然后使用一些常見的算法就能得到出色的性能。

因此，特征工程可以說是機器學(xué)習(xí)成功的關(guān)鍵因素。并且這些基礎(chǔ)的工作，可以在比賽數(shù)據(jù)集上反復(fù)訓(xùn)練，通過大量實踐加深認識，比起蜻蜓點水的敲一遍案例代碼連打字技巧，是一個更好的上手路徑。

看看boss高薪崗位的要求

對于求職者，自然薪酬是最受關(guān)注的，怎樣的水平才能算得上高薪白領(lǐng)？

我們看了3000+boss直聘上數(shù)據(jù)算法的崗位，整理出了如下干貨。

算法崗位的薪酬分布集中在月薪2萬-5萬之間

算法崗位最多的公司是理想汽車、滴滴出行、京東。果然是造車新勢力，理想汽車光在北京就超過50個算法崗位在招聘。當(dāng)然如果你還對其他城市感興趣，歡迎給我們留言。

除了薪資高，福利也要好，看看他們的福利，有哪些是吸引到你的？

公司好自然福利也就好，算法崗位的福利看圖，是不是滿滿的幸福感？

怎么才能找到這樣的工作呢？該學(xué)什么技能呢？快來看看下面的技能描述。

算法崗位要求最高的技能就是：深度學(xué)習(xí)算法、機器學(xué)習(xí)算法、視覺圖像算法；而最常用的語言Python、C、SQL。

以上，我們可以看出在企業(yè)給出的職位描述里面最強調(diào)的點是：算法、數(shù)據(jù)、項目、經(jīng)驗、模型。

對照上面的需求，在尋求更好工作機會前，你一定要搞清楚以下幾個問題：