大数据分析师的工资待遇怎么样？

1. 大数据分析师的工资待遇怎么样？

2018年数据分析师就业：
薪酬—北上深平均月薪10K+
从职位薪水来看，数据分析行业的高薪主要分布在长三角、珠三角和京津地区。北京、上海和深圳的薪水位列第一方阵，均薪在10k+；杭州、宁波和广州位列第二方阵，均薪在9k+；其他沿海及内陆区域中心城市，如南京、重庆、苏州、无锡等位于第三方阵，均薪在8k左右。
数据分析是热门职位：
薪水一般都在8k+，其中高级数据分析师均薪在15k+；职位需求量方面，产品经理、数据分时和运营经理排名前三。

2. 大数据分析师工资多少?

大数据分析师平均月薪从几千到上万按照地区不同而工资不相同，例如广东约为15000元左右。
由中华人力资本研究院和西南大数据产业联盟共同发布《全国大数据人才需求指数报告》。中国内地各地区招聘平均月工资广东最高，约15000元，其次是北上广；浙江平均工资也比较高，月均11565元，重庆月平均工资8525元。贵阳2016年2月平均工资7897元，3月平均工资6714元。
从地区招聘趋势来看，广东和北上广招聘人数最多。重庆2016年1月招聘6人，2月增长至46人，3月招聘194人。贵阳2016年2月招聘13人，3月招聘7人。而在大数据人才方面，计算机软件、互联网电子商务以及移动互联网人才招聘规模最大，金融保险类薪酬最高。

扩展资料：
“数据驱动安全”已是网络安全界的普遍共识，即通过大数据的技术手段，来监测网络运行状态，发现未知安全威胁。网络安全人才普遍紧缺的情况下，既懂大数据分析，又懂安全技术的网络安全人才，就显得更加稀缺。　　
预计未来网络安全人才市场中，安全大数据分析师和应急响应工程师是最稀缺的人才资源。
参考资料来源：人民网-大数据人才 贵阳工资七千多

3. 大数据分析师工资待遇

2.数据分析师工资待遇水平

4. 刚学完的大数据分析师平均工资多少？

对于这个问题需要分析三个方面，第一是数据分析师的薪资分布式怎样的；第二是不同城市的薪资水平如何；第三个方面就是数据分析师的薪资随着学历和经验是怎么变化的。带着这三个问题，我们一同从下文中找到答案。

一般来说，数据分析师的薪资在8k-30k区间内，大部分都是在8k-20k范围内的。

第二个方面，不同城市薪资之间的分布如何。经过调查发现，在需求较大的几个城市如北京、上海、深圳、杭州等地中，北京的整体薪资水平处于较高位置，其中位数大约在20k——处于全国的首位；其次为上海和杭州。对于深圳出现的均值较高且中位数较低的情况。由此可以发 现数据分析师的薪资总体水平还是挺高的，广泛的分布在9k和20k之内。

第三个方面，数据分析师薪资随学历、经验是如何变化的。在现在的阶段并没有发现数据分析行业对博士学历的需求，大部分都是要求本科及以上，由此可见，本科学历是入行的基本条件。大专也是可以接受的，但是在能力相差不大的情况下还是会选择学历高的，硕士及以上学历对于求职者来说具有较高的竞争力。数据分析师对于工作经验的要求就是对1到3年和3到5年的要求是比较多的，而5到10年的数据分析师是比较少的。数据分析师可以说是一个公司的财富，一般来说，数据分析师的学历和经验越高，薪资也就是在20k到30k之间。

通过以上可知数据分析师的薪资水平主要是由地域、学历、经验来决定的，从上文中不难发现数据分析师的工资是很客观的，大家如果想走进数据分析行业，一定要多多的用功学习。

  想报考数据分析师这个证书可以到CDA认证中心去了解一下，CDA认证，致力于打造全球数据人才考核行业标准，推动全球数人才发展。包括开发和整合国际数据科学领域的前沿技术及优质资源； 制定并完善数据科学行业人才标准与职业道德行为准则；编写和建立专业教材体系与题库；组织并实施命题审题、人才评定和考试服务；管理会员与提供行业咨询服务等事务。

5. 大数据分析师这个职业怎么样？

近期成为月入两万的数据分析师的广告遍地都是，可能会对一些未入行的同学造成错觉。我个人感觉数据分析师这个岗位，可能近几年会消亡。
这不意味着这份工作本身不重要，而是说这份工作本身可能会转化为产品运营的一些必备技能，而不再需要单独特设人力去做这件事。或者说，不是再需要你学习SQL或者学习python，只是为了成为一名数据分析师。作为一名数据分析师，职业自身的壁垒正在不断消减，更加主动的拥抱业务，解决真正的产品和用户需求，或将成为未来的发展趋势。
数据分析师的日常工作
我们来看下预设中的分析师的一些工作场景，看看数据分析师核心的工作价值。
取数
数据清洗
数据可视化
统计分析
数据方向建设和规划
数据报告
取数 — SQL
很多人对数据分析师的预设是SQL达人，包括现在很多数据分析师的核心工作其实就是进行SQL取数。
这项工作的痛点和难点在于，我们为了得到一个结果，通常需要join很多的数据集，然后整个SQL语句就会写的特别长，而且可能会出现一些问题：比如join的表可能会出现key是重复的情况，造成最终的SQL结果因为重复而变得不可用。所以我们需要专人去专门维护各种各样的数据集，他们知道每张表应该怎么用。
但这个其实是关系型数据库遗留下来的产物——我们完全可以不需要join那么多的表。现在的分布式计算的框架，已经完全可以支持我们只保留一张大宽表，有需要的所有字段，然后所有的操作都在这张大宽表上进行，而且可以保证查询速度。这样数据分析最大的痛点已经没有了。至于你说大宽表里面存了很多重复的数据，是不是很浪费资源(关系型数据库之所以不用大宽表就是从存储空间和性能的trade-off角度考虑的)：放心，分布式存储本身是不贵的，而计算效率则是由分布式计算框架进行专门优化的。现在的计算框架计算的响应速度，已经可以在大宽表上可以很快的得到结果了。相比之下，多次join操作反而可能会更慢一些。
同时，现在很多公司的NB框架，其实都已经支持拖拽取数了，也根本不需要写SQL了。
此外，不得不说的一点是，SQL语句本身真的不难。可能如果你自己静下心来想学，一个周末的时间肯定能搞定。而资历老的数据分析师，并不会比资历轻的数据分析师，在SQL语句的写作上有什么本质的区别。以前可能还有一些小表join大表的trick，但现在计算框架大多都已经优化过这些了。所以即使是需要写SQL的场景，本身也是没有什么难度的。
所以，通过大宽表来解放数据分析工作的生产力。即使在一定要写SQL做join操作的时候，本身也不是一件壁垒特别高的事情。取数这件事儿，对于其他岗位的同学，就已经没那么复杂了。
数据清洗 — Python
数据清洗其实是很多强调python进行数据分析课程中，python部分的主要卖点。包括但不限于，怎么处理异常值，怎么从一些原始的数据中，得到我们想要的数据。
在日常产品需求过程中，这种需求的场景其实很小。因为数据大部分都是自己产生的，很少会出现没有预设到的极端值或者异常情况。如果有的话，一般就是生产数据的同学代码写的有bug，这种发现了之后修复代码bug就行。
数据清洗在工作场景的应用在于落表——就是把原始数据变成上面提到的，可以通过SQL提取的hive表。这个工作是需要懂代码的同学去支持的，他们负责数据的产出，包括数据的准确性，数据的延时性(不能太晚产出)等等。前文提到的生成大宽表，其实也可以是他们的工作。这其中就涉及到一些代码的效率优化问题，这个就不是简单懂一点python可以搞定的了，可能涉及到一些数据压缩格式的转化，比如Json/Proto buffer到hive表的转化，还有一些计算框架层面的调优，比如spark设置什么样的参数，以及怎么样存储可以更好的提升查询速度。
所以这部分工作一般是由懂代码的同学完成的。可能数据团队会有比较少数的同学，管理支持全公司的基础表的生成。
数据可视化 — Tableau
很多之前在数据分析做实习的同学，主要的工作内容就是在一个商业化的软件(比如Tableau)上，做一些统计报表。这样可以通过这些数据报表，可以很方便的查看到所属业务的一些关键指标。这些商业软件通常都比较难用，比如可能需要先预计算一下才能输出结果；而且不太好做自定义功能的开发。稍微复杂一点的需求场景，可能就需要一个专门的同学捣鼓一阵，才能输出最终的统计报表。
现在有更先进的套路了。
首先可视化。很多公司打通了前端和后端的数据，这样就可以通过网页查询原始的数据库得到数据结果。而现在很多优秀的前端可视化插件，已经可以提供非常丰富的统计图形的支持。而且因为代码是开源的，可以根据公司的需求场景进行针对性的开发，公司可以再辅以配置一些更加用户友好的操作界面，这样一些复杂需求也有了简单拖拽实现的可能。而且这些前端js代码都是免费的！对于公司来说也能省去一笔商业公司的采买成本。
其次很多商业软件，都是针对小数据集场景设计的。在一些大数据集的场景，一般需要先预计算一些中间表。而如果自己公司定制化开发的前端展示结果，就可以根据需要自主设置计算逻辑和配置计算资源，先在后端进行预计算，前端最终只是作为一个结果展示模块，把结果展示和需要的预计算进行解耦。这样就省去了很多中间表的产出，也会更加快速的得到想要的业务指标，快速迭代。
所以可视化数据的工作量也会大大减少。而且会变成一个人人都可以操作，快速得到结果的场景。
统计分析
对于一名数据分析师而言，统计学分析可能是一块知识性的壁垒。尤其是在现在ab实验成为互联网公司迭代标配的今天。需要把实验设计的那套理论应用起来：比如ab实验进行后的显著性检验，多少样本量的数据才能让这个结论有效可信呢。
但是，你我都知道，经典的统计分析其实是一个非常套路性的工作。其实就是套公式，对应到代码层面，可能也就一两行就搞定了。这个代码的统计分析结果可以作为ab平台的指标展示在最终的ab结果上，大家看一眼就能明白。即使是对那些可能不知道显著性是什么意思的人，你可以跟他简单说，显著了才有效，不显著就别管。
这么一想是不是其实不怎么需要投入额外的人力进行分析？
其他数据相关的工作
数据层面的规划和设计。移动互联网刚刚兴起的时候，可能那时候数据分析师需要对每一个数据怎么来设计一套方案，包括原始的埋点怎么样，又要怎么统计出想要的结果。但现在大部分已经过了快速迭代的时代了，新产品的埋点添加可以参考老产品，这就意味着形成套路了。而一旦形成套路，其实就意味着可以通过程序直接完成或者辅助完成。
数据报告。那就真的是一件人人都能做的事情了，试想谁没在大学期间做过数据报告呢？以前只是因为数据都是从分析师产出的，而如果人人都能取到数据的话，数据报告是不是也不是一个真需求呢？
在我看来，数据分析师这个岗位的天花板和其他岗位相比起来是比较低的。可能工作一两年之后，从岗位本身就已经学不到什么额外的工作知识了。主要的工作内容技术含量不是特别高，技能性的更多的是一些可以简单上手的东西，而且做的时间长了，在这些技能性的事情上得到的积累并不是很多。
数据分析师更像是一个在时代变迁过程中的一个中间岗位：我们从一个基本没有数据的时代，突然进入了一个数据极大丰富的时代，在这个过程中，我们都知道重视数据。那怎么能够利用这个数据呢？可能之前的那一帮人并没有太多的经验，于是老板就招一些人专门来研究一下它，同时做一些底层数据的优化。
经过多年的迭代，现在互联网行业的每个人都知道数据的价值，也大概知道了什么样的数据是重要的，怎样可以更好的挖掘数据背后的价值。同时底层的基础设施也已经支持可以让一个之前没有经验的同学可以快速的上手得到自己想要的关键数据。这时候对于一个职业数据分析师来说，他的任务就已经完成了。就如同当人人都会讲英语的时候，翻译其实也就没有存在的价值了。
此后的数据分析工作，可能不再是一些单独的人做的工作。它会变成一个产品和运营的基础工具，而且足够简单，没有取数的门槛。只是产品运营怎么样可以更好的认识数据，通过数据本身更好的配合产品运营的工作，这已经超脱我们一般理解的数据分析师的工作了，而是一个产品运营分内的工作。
对于那些已经在从事数据分析师岗位的同学来说，建议不要把心思全部投入到数据分析的本职工作上，以完成任务为核心KPI。而是不要给自己设置边界，多从用户的角度思考问题，不要因为是产品运营的工作就不去做了。数据分析师这个职业发展到这个阶段，要么做更加底层的数据建设，要么拥抱业务，最大化的发掘数据背后背后的价值。不要再死守着数据分析的“固有技能”沾沾自喜了。
数据本身的价值是无穷的，作为数据分析师，你们已经先人一步的掌握它了，要有先发优势。你们最接近数据的人，是最可能发现用户的宝藏的人。

6. 大数据分析师的前景怎么样？

现在的生活离不开大数据，大数据分析师的发展前景一片光明。现在的时代就是大数据时代，需要大数据来发挥作用，大数据的分析应用，可以为一个公司、一个企业、一个地区的未来发展规划起到一针见血的作用。随着大数据的火热，关于数据分析师的职业领域也越来越多，在大数据分析领域占得一席之地也不难，数据分析师前景是非常乐观。对大数据分析的前景大可不必担心。大数据分析的薪资也是有很多差异的，这是因为大数据分析行业的差异有很多，决定自己在数据分析岗位上的价值大小和对公司的重要程度，对公司越重要、越有贡献，在公司的地位和待遇就会越优异而不可轻易更替。所以不要仅仅局限于眼前，要不断的积累学习，才能得到提升。一般来说，美国的大数据分析师的薪资一般都是18万美金每一年。而国内顶尖互联网公司，大数据分析师的薪酬可能要比同一个级别的其他职位高20%至30%，数据分析师且颇受企业重视。想了解更多关于数据分析师的详情，推荐咨询达内教育。该机构致力于面向IT互联网行业，培养软件开发工程师、测试工程师、UI设计师、网络营销工程师、会计等职场人才，拥有行业内完善的教研团队，强大的师资力量，200余位总监级讲师，1000余名教研人员，确保学员利益，全方位保障学员学习；更是与多家企业签订人才培养协议，全面助力学员更好就业。

7. 大数据分析师的前景怎么样啊？

现在的生活离不开大数据，大数据分析师的发展前景一片光明。现在的时代就是大数据时代，需要大数据来发挥作用，大数据的分析应用，可以为一个公司、一个企业、一个地区的未来发展规划起到一针见血的作用。随着大数据的火热，关于数据分析师的职业领域也越来越多，在大数据分析领域占得一席之地也不难，数据分析师前景是非常乐观。对大数据分析的前景大可不必担心。大数据分析的薪资也是有很多差异的，这是因为大数据分析行业的差异有很多，决定自己在数据分析岗位上的价值大小和对公司的重要程度，对公司越重要、越有贡献，在公司的地位和待遇就会越优异而不可轻易更替。所以不要仅仅局限于眼前，要不断的积累学习，才能得到提升。一般来说，美国的大数据分析师的薪资一般都是18万美金每一年。而国内顶尖互联网公司，大数据分析师的薪酬可能要比同一个级别的其他职位高20%至30%，数据分析师且颇受企业重视。想了解更多关于数据分析师的详情，推荐咨询达内教育。该机构致力于面向IT互联网行业，培养软件开发工程师、测试工程师、UI设计师、网络营销工程师、会计等职场人才，拥有行业内完善的教研团队，强大的师资力量，200余位总监级讲师，1000余名教研人员，确保学员利益，全方位保障学员学习；更是与多家企业签订人才培养协议，全面助力学员更好就业。

8. 数据分析师的薪资大约有多少？

你好，数据分析的市场平均薪资是在11637元，而北上广地区的平均薪资比这个数字还要高上两三千左右，如果在腾讯阿里等互联网大厂，这个薪资就更多了。
1、大数据分析师在腾讯等互联网大厂的职位
大数据分析师，是一个在互联网行业大厂中非常常见的职位，几乎所有希望放大数据价值的公司都一定会开始设立和存在的一个岗位。
在国内，像阿里巴巴、华为、百度、腾讯等等互联网公司，在研发产品的技术线中都会有这样的职位。

比如阿里系产品的淘宝，或者腾讯的视频，甚至高德地图的实时路况，都是需要大数据的支撑才能在产品上展现你想看到的消息。
数据分析师这技术性职位，有大量的工作机会集中在北上广深以及杭州等互联网行业发展较好的城市，期待往这个方向发展的同学还是要到这些城市去多多尝试。

当然，从另一个方面说，这些城市也都集中了大量的各行业人才，竞争压力也是有的。
说回职位，由于目前大数据人才数量较少，因此大多数公司的数据部门一般都是扁平化的层级模式，大致分为数据分析师、资深研究员、部门总监3个级别。

但要知道能用得上大数据分析的公司，都会是技术性很强的，通常都会是大厂。
像腾讯阿里这样的互联网大厂会按照应用领域的维度来划分不同团队，而在小公司则需要身兼数职。有的时候成功就是这样，方向和平台选择对了，只要付出足够的汗水，选择大于努力。
2、数据分析的薪资
说到正题，数据分析的薪资，你可以去招聘网上看看各个企业招聘给的薪资，都很高，经验工作年限越高，薪资就越高，你懂得。

初级大数据分析师，主要工作职责为：数据监控，统计和出分析报告。主要用Excel解决这些工作，薪资在8000-10000，工作难度不大，强大也不大。
中级大数据分析师，主要职责为：数据挖掘，模型开发，优化监控，出解决方案，薪资在12000-18000。
高级大数据分析师：除了中级大数据分析师日常工作之外，还需要为运营及公司发展方向提供决策意见。 薪资在20000-30000。

据某招聘网站统计的信息显示，数据分析的市场平均薪资是在11637元，而北上广地区的平均薪资比这个数字还要高上两三千左右。
你可能会说没有什么概念，那我们拿一线城市深圳的腾讯来说，配合它的职级和薪资会更加直观。

腾讯原本为6级18等（1.1-6.3 级）的职级体系设计，后来优化为 14 级 (4-17 级)。与之相对应的是，统一置换为“专业职级+职位称谓”。
员工薪资标准是12+1+1= 14薪，但通常会拿到16-20薪，再入手部门盈利情况定的一般3个月的年终奖。腾讯定级3-2以上还会有分发股票，年包总75w不算很难的事。

最后，互联网行业作为新兴的吸金行业，技术岗占了员工60%以上，薪资也是非技术岗近2倍。技术岗并非只是写代码做码农，虽说编程是 IT行业的核心，但是除此之外，还有测试、UI、运维、产品、运营等岗位，数学差、逻辑差，不适合编程，依然可以选择其他岗位，可以根据这份资料了解有哪些适合自己的岗位。
希望我的回答对你有所帮助！