数据分析要懂多少算法模型？高薪岗位是这样要求的...

数据领域的名词特别多，经常把同学们绕晕。数据分析、商业策略、运营分析、销售分析、数据挖掘、算法模型、统计学、智能分析……似乎每个都和数据有关系，似乎每个又各自有一个领域的知识。

如何区别这些让人眼花缭乱的概念，今天我们来讲解一下。

学习数据分析三类常见错误

正是因为知识点太多，所以有同学很容陷入某个细节，结果产生三大流派：

喜欢搬书，尤其喜欢搬统计学，还有把高数搬出来的。似乎是理论越厚越好。实际上企业里相当多的数据工作是全量统计，根本不需要用到统计学抽样概念。

尤其以ESP（excel，sql，python）或者EST（excel，sql，tableau）流为典型，每天都在努力学习各种操作工具，可每一种操作工具，又止于最大值、最小值、平均值、百分比，最多再做个RFM聊以自慰。结果面试时候总纠结：到底这个算不算熟练。

总是把“底层思维”“核心逻辑”“内功心法”挂在嘴边，“分析无非拆解、对比”，对数据怎么采集一无所知，对数据质量、数据治理一窍不通，结果就是真实工作中连个需求表都讲不清……开发看了直挠头。

当然，更夸张的是以上三个都信了，桌面摆了20本书每天看一章，结果头昏脑涨还是不懂，那画面太美真不敢看……

之所以有这些问题，是因为数据分析工作本身是一个交叉领域的知识，并非像财务会计那样从理论到实操能用一套体系讲完。真实的数据分析工作上呈业务，下接技术，每个子模块都有丰富的内容。如果不梳理出一条主线，很容易扎进细节无法自拔。

数据分析与算法模型

从本质上看，数据分析与算法是两个应用方向：

数据分析对抗的是不确定性，核心任务是把可量化的流程、操作、行为量化，用数据化、科学化的管理，代替：“决策拍脑袋、承诺拍胸口、出事拍大腿”的随意的管理。

算法对抗的是低效率，核心任务是通过训练模型，把低级、重复、可标准化的操作转移到机器完成，释放人力资源，解决人力计算困难的问题。

所以我们能看到，算法的成功案例，在工业界比管理界多，在业务流程比决策流程多。比如人脸识别，在身份验证、安防监控、违章取证方面有大量应用。

比如基于机器学习预测和线性规划分配的调度算法，在人流控制、物流管理、派送分配方面有大量应用。这些都是生产系统，和数据分析、商业决策没啥关系。

和商业决策相对距离较近的是推荐类算法。但注意：有推荐算法的推荐系统，都是平台方用于应对大量商品（数以亿计的SKU）的情况，品牌方自己才几百个SKU的商品，做商品管理的时候还是要根据产品调性、卖点、用户需求，设计宣传思路，主打文案、卖点、价格策略、售后服务、礼品回馈。这些复杂的商业决策还是需要人来做，靠的是数据分析的支持。

本质上，算法岗位和数据分析岗位是两个工作，但这并不妨碍做数据分析的人向算法岗位靠拢。如果一个做分析的同学，真的对业务不感兴趣，更希望深钻技术的话，完全可以向算法方向发展。做分析的同学，对于数据开发有一定的能力积累，可以进一步强化开发能力。

强化的方向，当然不是打开SKlearn对着一个已经处理好的数据集调参。可预见的未来是：AutoML兴起以后，调参侠第一个失业。强化的第一步，强烈建议从特征工程做起。

俗话说：数据和特征决定了机器学习的上限，而模型和算法只是逼近这个上限而已。特征工程是最基础也是最重要的工作（如下图，利用特征工程提升预测效能）

纵观Kaggle, KDD等国内外大大小小的比赛，每个竞赛的冠军其实并没有用到很高深的算法，大多数都是在特征工程这个环节做出了出色的工作，然后使用一些常见的算法就能得到出色的性能。

因此，特征工程可以说是机器学习成功的关键因素。并且这些基础的工作，可以在比赛数据集上反复训练，通过大量实践加深认识，比起蜻蜓点水的敲一遍案例代码连打字技巧，是一个更好的上手路径。

看看boss高薪岗位的要求

对于求职者，自然薪酬是最受关注的，怎样的水平才能算得上高薪白领？

我们看了3000+boss直聘上数据算法的岗位，整理出了如下干货。

算法岗位的薪酬分布集中在月薪2万-5万之间

算法岗位最多的公司是理想汽车、滴滴出行、京东。果然是造车新势力，理想汽车光在北京就超过50个算法岗位在招聘。当然如果你还对其他城市感兴趣，欢迎给我们留言。

除了薪资高，福利也要好，看看他们的福利，有哪些是吸引到你的？

公司好自然福利也就好，算法岗位的福利看图，是不是满满的幸福感？

怎么才能找到这样的工作呢？该学什么技能呢？快来看看下面的技能描述。

算法岗位要求最高的技能就是：深度学习算法、机器学习算法、视觉图像算法；而最常用的语言Python、C、SQL。

以上，我们可以看出在企业给出的职位描述里面最强调的点是：算法、数据、项目、经验、模型。

对照上面的需求，在寻求更好工作机会前，你一定要搞清楚以下几个问题：