大資料產業是朝陽產業。
沒錯！
大資料相關職業很有錢途！
是的！
可如果你真打算進入這個行業，
有沒有想過從哪裡切入？
有沒有想過入行後具體做哪方面工作呢？
………………。
這是很多童鞋的疑惑，有想法沒目標；看大資料行業錢途光明，但又不知道從哪裡下手。
今天就說說大資料相關的職業領域選擇。
選擇大於努力
現實中，比你勤快比你能耐勞的人多的是，但不見的比你過的好；同樣，沒你勤快、比你“懶散”的人也很多，但不見得人家比你過的差。
所以，勤能補拙沒錯，堅持就是勝利不見得，如果在錯誤的方向上再努力、再堅持都是沒有意義的。
選擇比努力重要的多，人生如此，職業亦如此！
大資料職業有哪些領域選擇呢？
那要先說市場，有市場才有職業，有需求才有價值；說大資料行業，太過寬泛，但基本可以分為如下5個職業領域：
1、業務分析
是業務為主，資料分析為輔的人才型別，很多諮詢公司或營銷公司的業務分析員就是典型代表。
包括行業調研、市場分析、產品設計、市場運營、企業管理戰略等多方面的業務分析。相對於偏技術的領域，業務分析需要更懂具體業務，要求知識面更加豐富，如政治、經濟大環境，財務、營銷、心理等行業知識；要求有敏銳的市場嗅覺和較強的邏輯思維能力。
2、資料分析
能根據業務的需要透過大資料手段定位並解決問題，或找到解決問題的思路。
具有紮實的統計學知識，能夠收集和處理較大規模的資料，並運用統計和資料分析手段得到需要的結論。和業務分析人員對比，更擅長統計技術和資料分析技術，但對業務也有深入的理解，能從業務角度出發設計資料分析思路。
在網際網路企業比較常見此類的分析人才。因為網際網路企業有資料基因，必須要處理大量的資料，所以此類懂業務、又懂資料技術的人是必須的。而大多傳統企業依然停留在基本統計和資料庫階段。
3、資料探勘
能深入挖掘資料，最大程度的體現資料的潛在價值。
在掌握統計方法和資料分析技術的基礎上，熟練掌握各類資料探勘演算法，如分類、預測、關聯、聚類等等。在實際工作中，一方面可以運用建模工具輔助分析，另一方面可以根據業務的實際需要進行資料建模。但此類人員對於建模演算法的使用屬於黑盒階段，非常依賴工具，如R語言等。
4、機器學習
再升級，不但要對資料建模有深刻的理解，要從黑盒使用變成白盒拆分組裝，還要有深厚的資料功底；要分析具體的業務場景，使用最合適的機器學習演算法進行建模，要根據具體業務場景不斷最佳化模型結構和引數配置。
比如現在大量湧現的物流機器人分揀站，如何最大限度他提高機器人的工作俠侶，就需要不斷的最佳化，要在具體工作中收集大量資料，建立模型實現機器學習，提升機器人能力。
5、人工智慧
再升級，人工智慧就屬於前沿技術的研究範疇了，要解決自然語言、語音、影象處理等方面的問題，如現在市場上常見的一些可以做簡單人機交流機器人，亦或者是一些新款車型的人車互動，都屬於這個人工智慧的研究領域，隨著技術的不斷成熟，這種互動會越來越深入，越來越有價值。
阿爾法狗是大資料應用在人工智慧最成功的代表。
比較日常的就是家裡的掃地機器人，每家的戶型不同，面積不同，掃地機器人如何能以最短的路線完成打造，而且要儘量清掃到每一處呢，只有一個辦法，就是透過大資料去學習，最佳化模型。新到家裡剛開始工作，就是胡亂掃唄，各種撞牆後，記錄資料；收集足夠多的資料，它的“腦子”裡就形成了戶型圖了，此時，就可以逐步最佳化，提高效率，做到省電省時了。
從1~5越來越偏重技術
從5~1越來越偏重業務
如果想從事大資料相關職業，必須要對技術和業務有明確的認識。沒有絕對的好壞，要根據自身的實際情況選擇。
比如，原來從事市場營銷工作，現在想借力大資料，業務分析和資料分析領域是最佳切入點，以原來的營銷知識為基礎，加之資料分析手段，在新時期絕對能讓你的營銷實踐更加有成果、有效率。
又如，原來是從事統計工作的，有一定的資料基礎，對資料建模有比較深入的研究，如果想入大資料行業，資料探勘、機器學習、人工智慧等都是可以發展的方向。
但這種領域劃分沒有絕對的槓槓標準，界限其實是模糊的，只有偏重，沒有絕對，所以在選擇時，只要根據自身的情況結合未來的目標選擇即可。
但實際工作中，由於這方面人才不多，所以很多人一身多能，即能做業務分析，還能做資料探勘的，也是比較常見的，但既能做業務分析，還能做人工智慧的就很少了，這與能力無關，與領域專注有關。
深入研究精通某一塊，都可以在未來職場有廣闊的發展空間。
但所謂精通是相對的，網際網路基礎環境日新月異，技術發展一日千里，新業務新應用層出不群，只有不斷的學習、不斷的實踐，才不至於落伍，而唯一的標準就是發現問題的能力、解決問題的能力。
對大資料職業相關的職業領域有了一定的認識，那有哪些具體的職位呢？
欲知後事如何，請待下回分解！
