前言：随着大数据需求的增多，许多中小公司和团队也新增或扩展了大数据工作岗位；但是却对大数据要做什么和能做什么，没有深入的认识；往往是招了大数据岗位，搭建起基础能力后，就一直处于重复开发和任务运维的状态；后续大数据人员也做了其他很多工作，仿佛什么都在做，就是不知道集中精力该往哪个方向努力。本文从基础大数据开发岗开始分析，思考大数据工作细分有哪些岗位，分别需要什么能力，以此来提供大数据能力发展方向参考。

一、大数据工作岗位需求分析

1.1 大数据开发工程师

      相信很多公司和团队招聘的第一个大数据岗位就是大数据开发，然后围绕业务或项目需求，搭建大数据能力基础生态。

       从零开始的大数据开发，不光要做数据处理，还要兼职实现数据采集，处理，存储，数仓构建，任务调度，监控告警，基础运维这些工作；才能满足大数据开发工程师的生产发布环境。 基础的大数据开发工程师，就是业务和项目需求的实现；理解开源产品应用能力，知道如何基于开源软件的功能实现业务需求就行。

       从功能上划分，需要有大数据组件运维工程师，数据集成工程师，大数据开发工程师这几类，很多时候就是一两个人就都做了；

       从需求上划分，可分为离线数据开发工程师和实时开发工程师；需要掌握的技术栈有一些区别：

• 离线大数据开发工程师的核心能力是离线数仓理论的掌握，技术栈要理解HIVE、yarn、HDFS、Spark等组件的使用规则和原理；
• 实时大数据开发工程师需要掌握实时数仓的构建生态，处理实时数仓理论，还需要保障任务的处理性能，技术栈需要理解Kafka、Spark-Streaming、Storm、Flink、ES、CK、Doris、StarRocks等,因为面对的场景更复杂，需要掌握数据定制化处理的能力，还需要对各种组件底层架构有了解。

1.2 大数据研发工程师

       有些时候，大数据开发工程师会对类似的场景反复开发，相似需求增多后，这类工作就变成了繁琐的重复；这个时候就有一个期盼，希望类似的工作可以更简单的完成，大数据研发工程师的需求就诞生了。

       包装一些通用功能，前端页面只需要配置些参数，点击执行就可以，将之前相似场景的需求开发抽象出来，配置化实现。比如：公司使用ES作为存储系统，使用ES做历史数据处理的需求时非常不方便，时常用logstash将数据导出到kafka再做处理；大数据研发，可以基于功能包装配置化功能，把logstash的能力包装到集成页面，配置源端、目标端和选择数据时间范围，填充logstash的任务配置，驱动执行就能实现数据从ES到Kafka这样的能力；或者使用计算框架，比如Flink,将功能包装成SDK或jar包，实现功能性定制化引擎，将任务参数配置暴露出来，然后通过配置化调度，实现功能的需求开发。

1.3 大数据平台开发工程师

       将大数据开发和研发的通用能力集成到一起，就是平台工程师要做的事；平台工程师技术栈能力偏向后端，但是因为集成的是大数据场景的需求功能，所以需要到对大数据技术栈有一定的了解。

       对大数据平台定位，一些公司叫数据平台，一些叫数据中台。这是有区别的，数据平台是将大数据的应用能力集成到一起，拥有数据处理的能力，侧重于大数据应用技术能力的包装；数据中台更侧重于提供业务数据服务能力，在平台上不一定需要集成各种数据处理的功能，但是需要保障对外提供数据服务的灵活。

       大数据平台能力模块细分下来有：多源集成，处理（离线，实时），存储（结构化，半结构化，对象数据），分析，仪表盘看板（UI），数据应用，推送，数据API，数据安全，调度，任务监控，基础资源监控，租户管理，告警管理等。平台能力可以围绕这些包装或建设，一些业务中特殊高频应用的功能，可以让大数据研发工程师做定制化处理，将需求抽象出来做配置化管理。

1.4 大数据分析工程师

       这个岗位偏向于沟通和理解，技术要求不高，对人的软实力比较看重；职能通常归属运营和产品经理，但是只能基于认知，做简单的大数据分析，最终需求出来后，对数据分析的应用深度不够；一个资深的大数据分析工程师，能将数据还原成行为，并能指导大数据开发工程师去实现深层次的数据分析；比如基础的数据分析，可能提出的需求就是PV、UV这种维度统计的指标；但是数据分析工程师，能从数据模型里提取出用户之间的关联关系，或者两种行为之间的因果性可能；其主要是研究数据的，对于大数据开发与算法能提供很好的开发思路指导，以及真正价值指标的挖掘。

1.5 数据挖掘工程师

        这个岗位的技术要求和业务理解要求会更高，需要对业务理解之外，还需要有数据处理和算法挖掘的技术知识储备；能力结构偏向于分析工程师和算法能力结合的大数据工程师，其可以基于大数据平台，构建特征工程，然后基于特征工程分析潜在的关系或异常；大数据本身对数据处理是擅长的，所以一些这样的工作是建立在大数据开发工程师的特征处理之上，算法工程师再基于特征跑算法模型，大数据工程师理解算法执行原理也可以调用算法模型分析预测；这些结果可能是特征划分、异常检测、分类、聚类、智能决策等；可直接应用在面向市场业务的搜索、推荐、广告系统，或者智能运维的异常检测告警等。

1.6 大数据架构师

       随着大数据生态的不断发展，各种应用场景的产品方案鳞次栉比，使用不同的技术方案实现同样业务需求，在易用性、可用性、容错性、稳定性、资源消耗、安全性、各种性能等存在较大的差异；对于各种组件的熟悉，大数据新产品的预研，应用需求的整合与复用，这些都需要有人评估和把关，这就是大数据架构师的工作。

       大数据架构师，要对应用各个环节的的设计和实施有经验和深刻理解，比如数据采集、处理、存储、安全、分析、调度，告警等；对各种应用需求场景都熟悉，并对各种技术的应用能力和技术实现架构都有深刻的认识，能指导每种技术方案应用落地，并对各种技术方案的优势和劣势有清晰的认识，能给技术方案劣势兜底；在对应的技术架构上，现阶段市场上各种大数据产品正在快速发展阶段，要解耦应用能力，预留应用整改的口径。

二、各种大数据工作岗位技能要求

将以上大数据岗位能力需求取一个交集，大致可以分为以下几类：

2.1 技术能力

基础技术能力：

        对大数据组件的熟悉程度：如Hive、Hbase、Yarn、Spark、Flink、Redis、Kafka、Minio、ElasticSearch、ClickHouse、Doris/StarRocks、Iceberg/Hudi、dolphinscheduler等OLAP和MPP存储系统和计算引擎有生成应用和深入理解； 数据开发，研发能力；

数据管理能力：

        熟悉数仓领域知识和管理技能，包括：元数据管理、数据质量、性能调优等；对于不同的存储系统，数据建模的差异也要明白和理解；数据治理能力；大数据工程师基本能力；

功能管理能力：

       按照数据集成，数据处理，数据管理，数据开发，数据分析，任务调度，监控告警，数据安全，数据推送，租户管理等能力，集成管理功能； 数据开发、平台工程师的能力；

数据处理和应用：

       数据的ETL、开发、建模、分析，以及特征工程的数据处理，核心算法的实现，满足个性化推荐、趋势预测、异常检测、智能运维等数据应用；算法、资深数据研发的核心能力；

编程语言能力：

掌握一门或多门编程语言，如Java、Scala、Pyhron、SQL、Shell等；

数据开发工程师，数据研发工程师，平台开发工程师，数据挖掘工程师，大数据架构师是以上能力集合，掌握深度的递进；

2.2 软实力

经历相关：

       学历，本科研究生或工作年限，英语读写、交流等要求限制；

行业相关要求：

       互联网、物联网、人工智能、金融、体育、医疗、在线教育、工业、安全、交通、物流、电商等，每个具体的行业还会细分业务领域；这些相关性考量的是入职和团队的融入速度。另外，大户据开发应该比产品更懂业务，大方向上产品和领导愿景一致，但在细节上，开发要有从数据抽象业务的能力，这个能力可以让技术和应用解耦，能在不同的行业按照应用需求落地技术能力；

性格要求：

       开创性岗位侧重激情和学习热度；业务功能岗位需要稳重；和外部门沟通多的需要沟通能力；或者领导能力，抗压能力，团队精神、钻研热情等。

三、结语

       技术岗位以硬实力为主，能以大数据技术实现生产需求，并能高效和稳定的运行任务，持续产生价值，是大数据岗位的生命线；这些年大数据技术的发展是很快的，能力成长，实践和学习相辅相成，不能沉浸在业务开发里，也不能只学不落地；关注市场开源产品发展的同时，结合具体的业务，从公司需求和业务实际的情况推广应用，确保真正能解决大数据岗位需求面临的痛点问题。

       持续成长，持续进步；从技术深度上，让大数据工作更高效和合理；从应用广度上，甚至可以跨界熟悉产品、后端，算法，运维这些原理和工作，这些都会辅助大数据更好的去支撑，优化这些岗位的工作，让大数据应用能力得到更多拓展。

     最后，祝愿大家大数据技术更上一层楼，能利用大数据技术解决更多实际中的应用需求。