1、战略数据合作方每日免费获取报告1、每日微信群内分享7+最新重磅报告；2、每日分享当日华尔街日报、金融时报；3、每周分享经济学人4、行研报告均为公开版，权利归原作者所有，起点财经仅分发做内部学习。扫一扫二维码关注公号回复：研究报告加入“起点财经”微信群。01目录附录数据行业概况数据团队宏观发展现状数据团队从业者微观洞察全球数据团队观察疫情中的数据行业1.1 数据行业概况2.1 职位概况3.1 工具、技术、方法论4.1 学历分布和毕业院校1.2 大数据行业发展及团队建设困境2.2 工作经验3.2 自我认知4.2 主流专业分布3.5 团队前景4.5 数据人才的主流职位和增长最迅速的数据相关职位1.3
2、 数据团队组建运营方法论2.3 学历要求3.3 工作生活4.3 数据人才集中分布的行业3.6 大数据与人工智能问题4.6 数据从业者集中分布的地区2.4 薪资水平3.4 数据应用场景4.4 数据人才的跨行业流动0409142004101621051116211723121622172403081319262902调研方法联合调研组采用了海量数据分析、定向问卷调查与深度访谈等方法，分别针对企业高层、数据团队负责人、数据从业者和其他相关人员进行广泛而深入的调研，力求从尽量多的角度还原现阶段数据团队的建设全景。海量数据分析：对“数据”、“分析”、“机器学习”等关键词进行全网爬取，通过数据清洗、数据分
3、析、数据可视化等步骤对 12 万条网络公开招聘信息进行分析。定向问卷调查：通过互联网向数据团队相关从业者和负责人发放定向问卷，并回收近千份有效问卷。深度访谈：对 6 位优秀数据团队负责人进行深度访谈，涵盖国内外不同行业及发展阶段的公司或组织。战略数据合作方报告发布方03大数据一词对于大众来说，已经不再陌生。根据 Wikibon 研究数据，作为大数据产业发展的基石，全球的大数据市场规模预计从 2018 年的420 亿美元增长至 2024 年的 840 亿美元。（如图 1-1-1）在中国，自 2015 年国务院颁布促进大数据发展行动纲要后，大数据正式上升为国家发展战略，而 2016年由工信部印发的
4、大数据产业发展规划（2016-2020 年）则掀起了大数据产业建设的浪潮。根据赛迪数据与2019 年中国大数据行业研究报告，2018 年中国大数据产业规模达到 4384.5 亿元，同比增长23.5%，据预测到 2021 年，中国大数据产业规模将超过8000亿元。（如图 1-1-2）在具体的大数据应用领域，生态环境、农业、水利、医疗、交通旅游服务等都在一系列政府政策的支持下，成为了大数据技术的实际应用场景；而政府资源的支持与技术实力的稳步增强，为这些领域的大数据实践打下了至关重要的基础。数据团队是近些年随着大数据概念的推广而产生的新型团队。因此，相较于组织或机构内成熟运行的其他部门，数据团队的成
5、立时间较短。在政策扶持与业界高度关注下，这些团队的发展和建设过程中往往面临一些问题。*1.1 数据行业概况1.2 大数据行业发展及团队建设困境图1-1-1 2012-2024 年全球大数据市场规模（单位：十亿美元）2012年2013年2014年2015年2016年2017年2018年*2019年*2020年*2021年*2022年*2023年*2024年12.2519.618.322.6283542495664707784资料来源：Wikibon2016年2017年2018年2019年*2020年*2021年*图1-1-2 2016-2021 年中国大数据产业规模（单位：亿元）资料来源：赛迪2
6、840.83549.84384.55386.26605.88070.60405二、高层管理者支持力度不够，建设目标不清晰三、企业数字驱动文化建设不完善，业务界限模糊1.3.1 数据团队的发展阶段第一阶段：大数据基础平台建设第二阶段：数据分析产出提升核心业务专业的数据人才缺乏，这是整个数据行业面临的第一大困境。经过最近几年高校的大数据专业设置以及相关大数据职业培训，中低层数据分析人才逐渐成熟并进入市场，满足了一些数据团队基础职位需求，但是，顶级和有丰富经验的数据人才依然难求。调研过程中我们发现，互联网行业对数据人才的吸引力最高，规模大、薪水高的大公司对于人才的吸引力也一直居高不下。相对而言，初创
7、企业和刚刚进行数字化转型的传统企业往往难觅经验丰富的数据团队领头人。此外，高等教育领域的数据人才流出现象严重，高校和研究院“留不住人”的现象在最近几年愈演愈烈。目前，行业内已经达成了普遍共识：数字化转型和数据团队建设是“一把手”工程，需要领导层对数据驱动保有完整的认知和贯彻决心，以完成“自上而下”的推动。很多企业中，高层管理者自己并没有想好是否要进行数字化转型，就“赶时髦”开始了建设，遇到困难后立刻回到了固有的传统管理模式，这些企业的数据建设目标不清晰，因此很难获得成效。失败的团队各有各的问题，成功的团队却一定是相似的。不同的行业、企业的数据团队，虽然建设路径有所不同，但从整体来看，“成功”的
8、数据团队都有着相似的发展阶段、趋势，和一套明确的价值衡量体系。除了高层的认知，整个公司的数据文化也对于数据团队的建设至关重要。这又与企业本身的文化和属性密不可分。例如工程师文化浓厚、创新意识强的互联网公司往往在数据团队建设和数字化转型中进展更顺利、快速，而不够开放务实的企业往往在数字化转型中推进困难。在完成了第一阶段的大数据基础平台建设和基本工作流程建设后，数据团队开始产出大量的数据分析结果，一般包括行业趋势分析、市场销量和价格预测、战略和竞品策略分析等，辅助业务团队和管理团队进行数据驱动的决策。同时这一阶段，数据团队会开始建设可扩展的数据分析解决方案：在运营实施过程中进行流程优化和自动化，比
9、如对于多个业务团队需求、复用性高的项目，可以通过A/B测试，迅速建立流程化的操作平台，业务团队成员和工程师可以直接在平台上创建调试，产品经理也可以在测试开始几小时后直接在平台上查看测试结果，最大化的减少数据科学家的重复劳动。数据团队的组建运营在不同行业、公司各有不同，但一般会随着企业的数字化，经过以下三个发展阶段，数据团队在每个阶段需要配合公司发展的相应能力。数据团队建设的第一个阶段，需要首先对数据进行集成、清洗和集合，或者说数据治理。在这个阶段，数据团队需要先完成大数据的一些基础设施建设，同时围绕自身业务模式，建设数据平台，比如用户数据平台等。需要注意的是，从数据资产的梳理、清洗加工、结构化
10、分析、产出相应形式的数据产品，到最后的投入使用，其生产链条之长，涉及的角色和变量之多，都为数据团队的工作提出了极高要求。同时，伴随着业务系统的变化，对应的数据逻辑，以及指标口径的定义也会随之变化。需要在这个过程中密切围绕用户和核心业务进行调研，尽量平衡效率和成本。还没有进行数字化转型的企业，数据往往分散、杂乱无章地散落在各事业部内部，形成孤岛。1.3 数据团队组建运营方法论一、专业人才缺口大，行业间分布不平均06第三阶段：数据文化和生态建设，包括数据驱动文化形成和人才培养一、“嵌入化”趋势：向业务团队靠拢三、“不唯数据论”：把握好数据的度二、“专业化”趋势：基础设施建设与数据科学应用团队逐渐分
11、离经过前两个阶段的建设，数据团队已经在公司内部建立起了一套比较完整的数据驱动平台，可以存放、调用核心数据和公用数据；业务部门使用者能够自行在平台上完成分析工作。同时，为了保证整个数据团队的活力，公司内部的数据文化建设和人才培养机制也必不可少。例如给优秀的业务团队分析师设置系统的数据技能培训，能够让业务人员参与进数据驱动过程，将业务经验与数据分析方法更好地结合起来，以自服务式培养机制解决数据科学家缺失的难题。在这一阶段，也有一些数据团队会开始展开行业生态建设，将数据能力输出到上下游企业：在公司内部先部署与使用，比较成熟之后，再服务外部客户，同时通过反馈去优化产品，增加内部应用平台的功能特性，并建
12、立内外部互动模式。近年来，随着大数据和人工智能的发展，数据科学领域囊括的范围越来越广泛。在发展中，数据团队正逐渐呈现“嵌入化”、“专业化”和“不唯数据论”的三大趋势。数据对于每家公司的重要性都只增不减，数据科学向业务方向的“嵌入”趋势越来越明显、边界也越来越模糊。也正因如此，数据团队的业务范围也逐渐扩大化。除了比较常见与数据团队密切接触的市场、产品团队，一些偏底层和基础架构的项目也在积极寻求数据团队的支持，比如数据中心和工程团队，希望数据科学团队能够提供数据支持，减少算力能耗。目前，数据化决策已经成为了行业共识，企业已经不再对“数据驱动”本身产生质疑，数据团队的工作难点在于，当评估业务中一个不
13、可量化的任务时，如何把握好“度”。业务发展往往是一个系统工程，很多环节面临的问题并没有一个完美的模型可以解决。一边需要具体技术团队不断搜集正确的数据、优化算法，另一边则需要企业更多考虑现实和线下场景的复杂性。在数据和业务经验产生冲突时，数据团队更需要思考如何更好地引入业务经验，与数据结果结合，产生更好的决策指标。在 几 年 前，数 据 团 队 会 囊 括Hadoop、Kafka 等底层架构工程师，但是，随着数据科学的应用范围逐渐扩大，现在这些大数据底层技术都变成了偏基础设施的内容，在狭义概念上，已经不再属于数据科学团队的范畴。联想希望在对外服务的同时，也能够建立起生态系统，服务更多的尤其是中小
14、企业客户，推动中国智能制造快速转型。联想数据智能业务集团产品及生态总经理田日辉滴滴的数据分析师和数据科学家，以“嵌入式”的方式，分布在不同的业务部门中。数据科学团队，需要在业务形态中实现广泛的运营智能、产品智能和决策智能，助力业务可持续发展。滴滴技术副总裁、数据科学与智能部的负责人赖春波走在业务线前面主动去做一些工作，每当业务碰到的问题时，最好平台都有解。美团数据平台负责人李闻要依赖数据做决策，但不能只依赖数据做决策。滴滴数据治理和数据平台部负责人王勇对于领英来说，数据科学团队的整体趋势更加走向专业化，他们的职责不再是建立数据基础设施或平台，而是怎样去使用数据科学和工程来最大化数据的价值。领英
15、全球数据团队负责人许亚1.3.2 数据团队发展趋势这一工作流程的建立，对于一个数据团队和整个企业的发展意义重大，可以将数据科学家和分析师从繁杂的劳动中“拯救”出来，专注更有创造性的工作。滴滴的数据科学团队每周会产出几千次的实验和评估，这些主要针对业务或产品的方案进行评估，更加自动化和流程化，随时可能影响到公司决策。滴滴技术副总裁、数据科学与智能部的负责人赖春波07将安全意识下沉到公司内部一定是自上而下的过程。近几年安全方面的立法立规不断增强，从欧洲 GDPR 到美国 CCPA，中国也出台了一系列数据安全法规。这其实就是从顶层驱动告诉大家，安全的重要性。腾讯安全副总裁黎巍数据科学家之前被人诟病过
16、于追求新鲜感，喜欢挑战高难度问题，但 做 完 MVP(Minimum Viable Product)后没有维护迭代的习惯，永远都在追逐下一个新难题。领英全球数据科学团队负责人许亚1.3.3 数据团队内部价值衡量与商业 KPI 的设定数据团队相对复杂的构成、再加上和业务团队合作的紧密性，这些决定了量化数据团队的商业影响力和设置其发展路线不是一件容易的事。不同数据团队面临不同的商业考量，虽然数据团队的价值很难量化，但仍然有些指标可以作为探讨的基础。访谈过程中，研究组也总结了数据团队内部考核自身商业影响力的几个重要因素。数据易得性，即当外界需要数据时，获取相应数据的难易程度。在公司内部，数据团队拥有许多数据资源，比如原始数据，指标数据，数据模型，数据可视化。当外界对这些资源有需要的时候，如何能够保证这些需求能够随时被满足？软件开发有一系列衡量数据获取难易程度的指标，比如 SLA(Service-Level Agreement)的达标率就是一个很好的量化指标。工作效率，即个人的工作成果是否可以提升整个团队的工作效率。数据科学经常面临这样的问题，做完一个有价值的分析后，并不关心后续的自动化过程，