大数据能工作多少年

⑴ 这几年大数据专业就业前景怎样，能找到工作吗

从就业的角度出发，掌握一门IT技术，就等同于进入了高薪行业，毕竟IT行业的整体薪资待遇是十分可观的，而现在我们正处于大数据时代的背景之下，大数据就业前景怎么会差呢?
大数据工程师因为掌握着前沿的大数据相关技术，深受企业重视，所以找工作容易，收入也非常高。以一线城市为例子，高级大数据工程师的月薪，起步价就是20K起，随着能力的提升，薪资待遇的上升速度也比较快，有能力做到技术总监这类职位的话，薪资不可估量。所以女生如果拥有过硬的大数据技术就业前景更是无可限量的!
在选学校和专业，以及查询分数线时，建议使用蝶变志愿。它基于专业和职业兴趣来分析，根据各高校历年的招生录取数据，理性分析录取概率，更有防撞车及志愿评估的双重保险，增加录取概率，降低落档风险，用同样的分上更好的大学。
听说贵州新华有这样的专业可以去实地考察一下

⑵ 大数据开发可以干到多少岁

这个不仅是说大数据开发，对于很多行业工作者来说都是这样
“你能跟得上节奏，你就能做多久”
对于年龄变大，就把程序员淘汰这一说法还不是来自于“年纪大了，学习知识的能力就变弱了”这一想法。
但是，事实上真的是这样吗？
当然不是，都说35岁是程序员的一道分水岭，超过35岁就差不多在这行要干不下去了。但我见过不少超过35岁却还依然在工作的程序员，且知识储备比很多年轻人要高得多，问题解决能力也很强。
所以，这些都是看你是否有能力跟上时代的潮流，是否有能力及时更新自己的知识储备，能够满足计算机这一行业的更新换代的速度，只要你能跟上，你年龄再大都没问题，反而专业能力会越来越高！

⑶ 大数据培训出来多长时间能找工作

自己是在魔据大数据训练的，5个月左右就能找工作了，一般差不多都是训练5个月就能找工作了。

⑷ 大数据的就业方向都有哪些职业寿命如何

三大方向，十大职位。 大数据主要的三大就业方向：大数据系统研发类人才、大数据应用开发类人才和大数据分析类人才。 十大职位：
一、ETL研发；
二、Hadoop开发；

三、可视化（前端展现）工具开发；
四、信息架构开发；

五、数据仓库研究；

六、OLAP开发；

七、数据科学研究；

八、数据预测（数据挖掘）分析；

九、企业数据管理；
十、数据安全研究。

技术好的时间回长久一些，技术不好基本上在35左右。

⑸ 大数据学多久可以找到工作

找工作要和你掌握的技术有关，在黑马程序员培训学习过，你要是技术掌握的到位，在结合老师讲的面试技巧，没面试两家你就能找到满意的工作。您的采纳是对我成长的鞭策

⑹ 大数据需要学习几年呀

您好，对于你的遇到的问题，我很高兴能为你提供帮助，我之前也遇到过哟，以下是我的个人看法，希望能帮助到你，若有错误，还望见谅！。如果你本科毕业参加大数据培训，0基础需要7个月左右时间。
内容主要有：
①JavaSE核心技术；
②Hadoop平台核心技术、Hive开发、HBase开发；
③Spark相关技术、Scala基本编程；
④掌握Python基本使用、核心库的使用、Python爬虫、简单数据分析；理解Python机器学习；
⑤大数据项目开发实战，大数据系统管理优化等。
你可以考察对比一下南京课工场、北大青鸟、中博软件学院等开设有大数据专业的学校。祝你学有所成，望采纳。
北大青鸟中博软件学院大数据专业实拍非常感谢您的耐心观看，如有帮助请采纳，祝生活愉快！谢谢！

⑺ 大数据还能火多久

大数据的意义是由人类日益普及的网络行为所伴生的，受到相关部门、企业采集的，蕴含数据生产者真实意图、喜好的，非传统结构和意义的数据 。

2013年5月10日，阿里巴巴集团董事局主席马云在淘宝十周年晚会上，将卸任阿里集团CEO的职位，并在晚会上做卸任前的演讲，马云说，大家还没搞清PC时代的时候，移动互联网来了，还没搞清移动互联网的时候，大数据时代来了。

⑻ 在大数据行业工作两年是怎样一种体验

在大数据行业工作两年是怎样一种体验
写在前面
今年广州的初夏在经历了大雨的洗礼之后，一切都变得更加明朗起来，新的工作，新的人和事。懒惰让我变得更焦虑，焦虑促使我进步，程序员的焦虑大家应该都有共同的感觉，时代的步伐太快了，在这个环境下的软件开发一定会淘汰掉那些不懂得学习、懒惰的人。希望跟大家共勉。
在本文中，我主要回顾这两年来，在大数据行业公司从事大数据类的前端开发的工作。最近刚刚换了一份工作，这里把我的经验稍作总结分享给大家。
本文主要从大数据开发的角度出发，到大数据治理的必要性，再到图形化建模的畅想，最后在数据质量的把关，然后到大数据可视化的应用，总结两年的见闻和我的学习成果，也不知理解有无偏差，希望大家能给出建议。
大数据开发
大数据开发，有几个阶段：
1.数据采集（原始数据)
2.数据汇聚（经过清洗合并的可用数据)
3.数据转换和映射（经过分类、提取的专项主题数据)
4.数据应用（提供api 智能系统 、应用系统等)

数据采集
数据采集有线上和线下两种方式，线上一般通过爬虫，通过抓取或者通过已有应用系统的采集。
在这个阶段，我们可以做一个大数据采集平台，依托自动爬虫（使用Python或者Node.js制作爬虫软件），ETL工具、或者自定义的抽取转换引擎，从文件中、数据库中、网页中专项爬取数据。如果这一步通过自动化系统来做的话，可以很方便的管理所有的原始数据，并且从数据的开始对数据进行标签采集，可以规范开发人员的工作，同时目标数据源可以更方便的管理。
数据采集的难点在于多数据源，例如mysql、postgresql、sqlserver 、 mongodb 、sqllite。还有本地文件、excel统计文档、甚至是doc文件。如何将它们规整、有方案地整理进我们的大数据流程中也是必不可缺的一环。
数据汇聚
数据的汇聚是大数据流程最关键的一步，你可以在这里加上数据标准化，你也可以在这里做数据清洗，数据合并，还可以在这一步将数据存档，将确认可用的数据经过可监控的流程进行整理归类，这里产出的所有数据就是整个公司的数据资产，到了一定的量就是一笔固定资产。
数据汇聚的难点在于如何标准化数据，例如表名标准化，表的标签分类，表的用途，数据的量，是否有数据增量？数据是否可用？
这些需要在业务上下很大的功夫，必要时还要引入智能化处理，例如根据内容训练结果自动打标签，自动分配推荐表名、表字段名等，还有如何从原始数据中导入数据等。
数据转换和映射
经过数据汇聚的数据资产如何提供给具体的使用方使用？在这一步，主要就是考虑数据如何应用，如何将两、三个数据表转换成一张能够提供服务的数据。然后定期更新增量。
经过前面的那几步，在这一步难点并不太多了，如何转换数据与如何清洗数据、标准数据无二，将两个字段的值转换成一个字段，或者根据多个可用表统计出一张图表数据等等。
数据应用
数据的应用方式很多，有对外的、有对内的，如果拥有了前期的大量数据资产，是通过restful API提供给用户？还是提供流式引擎 KAFKA 给应用消费? 或者直接组成专题数据，供自己的应用查询？这里对数据资产的要求比较高，所以前期的工作做好了，这里的自由度很高。
大数据开发的难点
大数据开发的难点主要是监控，怎么样规划开发人员的工作。开发人员随随便便采集了一堆垃圾数据，并且直连数据库。 短期来看，这些问题比较小，可以矫正。 但是在资产的量不断增加的时候，这就是一颗定时炸弹，随时会引爆，然后引发一系列对数据资产的影响，例如数据混乱带来的就是数据资产的价值下降，客户信任度变低。
如何监控开发人员的开发流程？
答案只能是自动化平台，只有自动化平台能够做到让开发人员感到舒心的同时，接受新的事务，抛弃手动时代。
这就是前端开发工程师在大数据行业中所占有的优势点，如何制作交互良好的可视化操作界面？如何将现有的工作流程、工作需求变成一个个的可视化操作界面？ 可不可以使用智能化取代一些无脑的操作？
从一定意义上来说，大数据开发中，我个人认为前端开发工程师占据着更重要的位置，仅次于大数据开发工程师。至于后台开发，系统开发是第三位的。
好的交互至关重要，如何转换数据，如何抽取数据，一定程度上，都是有先人踩过的坑，例如kettle，再例如kafka，pipeline ，解决方案众多。关键是如何交互？ 怎么样变现为可视化界面？ 这是一个重要的课题。
现有的各位朋友的侧重点不同，认为前端的角色都是可有可无，我觉得是错误的，后台的确很重要，但是后台的解决方案多。 前端实际的地位更重要，但是基本无开源的解决方案，如果不够重视前端开发， 面临的问题就是交互很烂，界面烂，体验差，导致开发人员的排斥，而可视化这块的知识点众多，对开发人员的素质要求更高。
大数据治理
大数据治理应该贯穿整个大数据开发流程，它有扮演着重要的角色，浅略的介绍几点：
· 数据血缘
· 数据质量审查
· 全平台监控

数据血缘
从数据血缘说起，数据血缘应该是大数据治理的入口，通过一张表，能够清晰看见它的来龙去脉，字段的拆分，清洗过程，表的流转，数据的量的变化，都应该从数据血缘出发，我个人认为，大数据治理整个的目标就是这个数据血缘，从数据血缘能够有监控全局的能力。
数据血缘是依托于大数据开发过程的，它包围着整个大数据开发过程，每一步开发的历史，数据导入的历史，都应该有相应的记录，数据血缘在数据资产有一定规模时，基本必不可少。
数据质量审查
数据开发中，每一个模型(表)创建的结束，都应该有一个数据质量审查的过程，在体系大的环境中，还应该在关键步骤添加审批。例如在数据转换和映射这一步，涉及到客户的数据提供，应该建立一个完善的数据质量审查制度，帮助企业第一时间发现数据存在的问题，在数据发生问题时也能第一时间看到问题的所在，并从根源解决问题，而不是盲目的通过连接数据库一遍一遍的查询SQL。
全平台监控
监控其实包含了很多的点，例如应用监控，数据监控，预警系统，工单系统等，对我们接管的每个数据源、数据表都需要做到实时监控，一旦发生殆机，或者发生停电，能够第一时间电话或者短信通知到具体负责人，这里可以借鉴一些自动化运维平台的经验的，监控约等于运维，好的监控提供的数据资产的保护也是很重要的。
大数据可视化
大数据可视化不仅仅是图表的展现，大数据可视化不仅仅是图表的展现，大数据可视化不仅仅是图表的展现。
重要的事说三遍，大数据可视化归类的数据开发中，有一部分属于应用类，有一部分属于开发类。
在开发中，大数据可视化扮演的是可视化操作的角色， 如何通过可视化的模式建立模型？ 如何通过拖拉拽，或者立体操作来实现数据质量的可操作性？ 画两个表格加几个按钮实现复杂的操作流程是不现实的。
在可视化应用中，更多的也有如何转换数据，如何展示数据，图表是其中的一部分，平时更多的工作还是对数据的分析，怎么样更直观的表达数据？这需要对数据有深刻的理解，对业务有深刻的理解，才能做出合适的可视化应用。
智能的可视化平台
可视化是可以被再可视化的，例如superset，通过操作SQL实现图表，有一些产品甚至能做到根据数据的内容智能分类，推荐图表类型，实时的进行可视化开发，这样的功能才是可视化现有的发展方向，我们需要大量的可视化内容来对公司发生产出，例如服装行业，销售部门：进货出货，颜色搭配对用户的影响，季节对选择的影响 生产部门：布料价格走势？ 产能和效率的数据统计？ 等等，每一个部门都可以有一个数据大屏，可以通过平台任意规划自己的大屏，所有人每天能够关注到自己的领域动向，这才是大数据可视化应用的具体意义。

结语
洋洋洒洒写了很多，对我近两年的所见所闻所学所想进行了一些总结。
有些童鞋会问，不是技术么？为什么没有代码？我要说，代码是要学的，要写的，但是与工作无关，代码是我个人的技能，个人傍身，实现个人想法的重要技能。 但是代码与业务的关系不大，在工作中，懂业务的人代码写的更好，因为他知道公司想要什么。 如果你业务很差，那也没关系，你代码好就行了呀，根据别人的交代干活，也是很不错的。技术和业务是相辅相成的，稍后博主总结代码的精进。
写完了，我的焦虑一丝未少，我的代码规范性不够，目前技术栈JS、Java、Node.js、Python 。
主业JS熟练度80%，正在研究阮一峰的es6（看的差不多）和vuejs的源码（有点搁浅），vuejs算是中等，css和布局方面可以说还可以，另外d3.js，go.js都是处于会用，能干活。 Node.js呢，express和koa无问题，看过一些express的源代码，还写过两个中间件。
Java、Python都处于能做项目的程度，目前也不想抽很多精力去深入它们，就想要保持在想用能用的地步。
未来的几年，我打算多学学人工智能、大数据开发的知识，未来这块应该还有一些热度的。
最后和大家共勉，三人行，必有我师焉。

⑼ 大数据需要学习多久才可以去工作

一般学大数据的时间是6个月左右，具体的时间要看个人掌握的情况，大数据的前景是很好的，希望你可以早日学有所成！

⑽ 从事大数据工作，工资一般收入多少

大数据技术人员是指从事大数据采集、清洗、分析、治理、挖掘等技术研究，并加以利用、管理、维护和服务的工程技术人员，主要工作包括大数据采集、大数据清洗、大数据建模与大数据分析;管理、分析展现及应用等技术;设计、开发、集成、测试大数据软硬件系统等。

当然，这也和你所在的城市市场需求有很大关系，根据加米谷这些年的教学来看，通过我们大数据培训出去的童鞋薪资平均也是1W+，一二线城市大数据发展起步早，行业的应用也更多更深，大数据人才的需求量就比较大，加上目前国内的大数据人才比较缺乏，薪资待遇在IT行业是很高的也正常。如果是小城市需求量很小，就业情况也可想而知。