大數(shù)據(jù)跨界,從這里開始

首先，如題，這篇是寫給那些從其他領(lǐng)域跨界到大數(shù)據(jù)領(lǐng)域的朋友的，當然，初入大數(shù)據(jù)領(lǐng)域，或者對大數(shù)據(jù)領(lǐng)域有所興趣的朋友，也可一觀。

想起要寫這個話題，已經(jīng)很久了，直到最近私密群建立起來，才發(fā)現(xiàn)這個話題應(yīng)該是更急切需要被討論一下的。

雖然我對于大數(shù)據(jù)培訓(xùn)市場一直不算太感冒，但是，如果說對于那些想要跨界進入大數(shù)據(jù)領(lǐng)域的朋友來說，不可否認，全面的培訓(xùn)是最快的方式，最少比自學(xué)來的快、更系統(tǒng)。

但我一直對于大部分培訓(xùn)課程體系的設(shè)計不敢茍同，這是重點。

這兩年來，鑒于種種原因，也幫不少初入門或者說初入大數(shù)據(jù)培訓(xùn)機構(gòu)的跨界朋友參考過培訓(xùn)課程。

基本上課程套路都一樣一樣的：

首先基本的語言基礎(chǔ)來一套，接著是hadoop、mapreduce、hive、hbase、spark、flume、kafka、mahout給來一套，再接著上一系列的算法課程，最后來點套路的所謂項目實戰(zhàn)。

三四個月的課程，好幾萬的投入，然后就上崗開干了，細微的區(qū)別的在于可能不同課程的課時設(shè)置不同，但基本上都得來一個如上全家桶套餐。

先不說其他的，三四個月，得把這個整個“全家桶”給咽下去，還得消化了，簡直了。。。

而在實際的工作中，你能用上其中一到兩種算是正常的，能用上三四種的算是少見的，能碰過過半的說明你可以升級為數(shù)據(jù)架構(gòu)師了。

那么，這樣子培訓(xùn)的意義在哪呢？不求精而求廣？

關(guān)鍵是很多人培訓(xùn)完了，依然一臉懵逼，感覺自己不知道能干啥，不知道要干啥，又或者說不知道企業(yè)到底需要什么人，而自己到底適不適合。

好了，吐槽完畢，正文來了。

我個人認為，給初入大數(shù)據(jù)領(lǐng)域或者跨界進入大數(shù)據(jù)領(lǐng)域的朋友灌輸大數(shù)據(jù)相關(guān)的知識，第一件事不是說各種組件框架生態(tài)相關(guān)的東西，也不是各種編程語言基礎(chǔ)。

而是，了解清除以下幾個問題：

1 大數(shù)據(jù)領(lǐng)域到底包含了哪些東西，解決了哪些問題？

2 自己的實際基礎(chǔ)是什么，如何結(jié)合自己的基礎(chǔ)以及興趣愛好，在整個大數(shù)據(jù)領(lǐng)域鏈路中，找到最好的切入點。

只有解決了上面兩個問題，才能給自己最精確的定位，找準方向深入下去。

一個人的精力是有限的，在短短的幾個月時間內(nèi)，你不可能把所有的東西都學(xué)的精通，哪怕連熟練都難做到，僅僅是皮毛而已。

所以，有的放矢，把有限的時間放到該定位的地方上去。

第一個問題，大數(shù)據(jù)領(lǐng)域的范圍。

現(xiàn)在一說起大數(shù)據(jù)，簡單起來就是一個詞，但其實這個方向已經(jīng)可以形成一個技術(shù)領(lǐng)域了，包含了方方面面的技術(shù)點，也提供了各種不同的技術(shù)崗位。

所以，不同的崗位，對應(yīng)的需求，工作內(nèi)容都是不同的。

我們可以根據(jù)數(shù)據(jù)從下到上，從無到有，到產(chǎn)生價值整個數(shù)據(jù)業(yè)務(wù)流程來拆解，并且與此同時，來看看每個環(huán)節(jié)我們需要的技術(shù)儲備以及能做的事有哪些。

數(shù)據(jù)的幾大基本業(yè)務(wù)流程：

收集 -> 傳輸 -> 轉(zhuǎn)換/清洗 ->存儲 -> 再加工 -> 挖掘/統(tǒng)計 -> 上層應(yīng)用輸出

總的來說，可以分以下幾個大塊。

第一環(huán)：數(shù)據(jù)的收集

在收集階段，我們來看看數(shù)據(jù)主要有哪幾種存在方式：

1 第三方開放數(shù)據(jù)集

2 業(yè)務(wù)數(shù)據(jù)

3 服務(wù)日志

4 行為上報數(shù)據(jù)

首先針對于第三方開放數(shù)據(jù)，目前爬取第三方開放數(shù)據(jù)的形式已經(jīng)逐漸被認可，并且將會越來越多的人以及企業(yè)從互聯(lián)網(wǎng)開放數(shù)據(jù)集中獲取原始數(shù)據(jù)。

所以，針對于開放數(shù)據(jù)的獲取，爬蟲已經(jīng)可以單獨形成一個體系了，包括不同的爬蟲框架，以及近年來對于分布式爬蟲的技術(shù)需求等，在語言方面主要還是python以及java為主，輔助其他相關(guān)腳本知識。

如果數(shù)據(jù)是業(yè)務(wù)數(shù)據(jù)，那么通常在傳統(tǒng)的路子中，業(yè)務(wù)數(shù)據(jù)一般存儲在傳統(tǒng)的數(shù)據(jù)庫中，那么，對于傳統(tǒng)數(shù)據(jù)庫相關(guān)的技術(shù)知識不可避免的需要有所了解，最起碼簡單的數(shù)據(jù)庫操作得會吧。

其次，我們需要對數(shù)據(jù)進行統(tǒng)一化處理，又不可避免的涉及到數(shù)據(jù)的遷移，即從傳統(tǒng)數(shù)據(jù)存儲介質(zhì)中遷移到諸如hadoop生態(tài)中，那么涉及的遷移框架諸如sqoop之類的，又是不能不懂一些。

在語言以及基礎(chǔ)要求上，對SQL相關(guān)的知識需要補充，以及l(fā)inux操作，簡單的java需要掌握。

如果數(shù)據(jù)是記錄在服務(wù)日志中，那么，我們需要對linux很熟悉，各種腳本的使用，日志文件的各種操作，熟悉各種sed、awk工具等，如果體量大，我們還需要把這些日志文件丟到分布式框架中進行處理、清洗，諸如mr，spark中等。

所以，對于這種數(shù)據(jù)的處理，我們需要掌握的一方面是linux的熟悉操作、另一方面是一些諸如離線數(shù)據(jù)處理框架的使用，語言方面還是以java、腳本類語言為主。

最后，如果是數(shù)據(jù)上報的形式，你需要對整個數(shù)據(jù)上報的流程熟悉，怎么進行埋點、怎么收集上報的數(shù)據(jù)，上報過來怎么進行傳輸接受落地，這里就不多說，最終這種上報過來的數(shù)據(jù)反倒相對規(guī)整。

再來看第二環(huán)：數(shù)據(jù)的傳輸

數(shù)據(jù)的傳輸?shù)降自谑裁磿r候會涉及到呢？

諸如上面說到的數(shù)據(jù)上報，在大數(shù)據(jù)模式下，通常上報過來的數(shù)據(jù)我們都不會馬上進行落地的，因為涉及到不同部分其效率不一樣，在峰值波動的情況下，直接落地十有八九都會導(dǎo)致系統(tǒng)宕機。

所以，數(shù)據(jù)的傳輸在大數(shù)據(jù)領(lǐng)域中有著不可替代的左右，會出現(xiàn)在各種系統(tǒng)耦合之間，一方面用作數(shù)據(jù)的傳輸，另一方面用作數(shù)據(jù)的緩沖、系統(tǒng)解耦。

在hadoop生態(tài)中，最有名的莫過于kafka與flume的組合搭配了，收集數(shù)據(jù)，并進行數(shù)據(jù)傳輸，此外還有不少類似的消息隊列存在，諸如ActiveMQ、阿里的RocketMQ等等。

在這里，我們需要理解的就是，為什么要引入這么一層組件，因為在過去的數(shù)據(jù)處理模式中，因為數(shù)據(jù)量的緣故，這一層相對次要。

第三環(huán)：數(shù)據(jù)的存儲

Hadoop生態(tài)中最最核心的存儲組件莫過于HDFS了，這是支撐hadoop能夠做大批量數(shù)據(jù)處理的基礎(chǔ)支撐，便捷而強悍的橫向擴展能力。

除此之外，還有各種基于此之上不同形式的數(shù)據(jù)存儲方式，諸如hive、HBase、甚至ES、Solr勉強都算，以及不可忽略的傳統(tǒng)類型的SQL存儲方式。

我們需要理解的是，不同的存儲方式應(yīng)對于實際的應(yīng)用場景是不同的，HDFS作為最基礎(chǔ)的分布式文件系統(tǒng)，我們就不多說。

諸如，Hive其更作用更多用于類傳統(tǒng)式的SQL查詢操作，其對于效應(yīng)效率要求并不高，但對于數(shù)據(jù)規(guī)模的支撐性良好；而HBase則更偏向于即席查詢，要求有更高的響應(yīng)效率，但對于查詢的復(fù)雜性支持上則相對較弱。

而我們說諸如ES、Solr都也勉強算是一種數(shù)據(jù)存儲的組織方式，其實也是有一定道理的，因為他們本身也支持這種分布式的數(shù)據(jù)存儲，只不過他們是為了應(yīng)對于自己框架的檢索需求而設(shè)計的數(shù)據(jù)存儲組織。

此外，還有例如Redis，也算是目前大數(shù)據(jù)生態(tài)中不可缺少的數(shù)據(jù)存儲方式之一，基于內(nèi)容，應(yīng)對于高效的數(shù)據(jù)存儲與讀取，在很多的實際應(yīng)用場景中都用的到。

第四環(huán)：數(shù)據(jù)的再加工

其實這一層主要要說就是基于Hadoop的MR框架以及Spark，當然，也有其他的一些分布式數(shù)據(jù)處理框架。

大規(guī)模的數(shù)據(jù)清洗轉(zhuǎn)換、再加工，都離不開分布式處理框架的支持。

我們需要對雜亂的數(shù)據(jù)進行標準化、對殘缺的數(shù)據(jù)進行補全、對原始的數(shù)據(jù)進行深度加工提取高級屬性等等。

簡單的，我們可以通過一些處理腳本來做，但針對于大規(guī)模的數(shù)據(jù)量級，我們依然需要依賴MR或者spark這種框架來處理。

而針對于一些實時的場景，我們也不可避免的需要掌握諸如storm以及spark streaming之類的實時框架。

所以，在這一環(huán)，我們不止需要了解不同的大數(shù)據(jù)處理框架，我們還需要在基于框架的基礎(chǔ)上，做數(shù)據(jù)應(yīng)用開發(fā)，進行數(shù)據(jù)處理。

通常，在這個環(huán)節(jié)中，我們需要對于Linux比較熟練，最起碼能夠熟練的操作服務(wù)器，操作不同的框架系統(tǒng)，其次，我們在此基礎(chǔ)上做應(yīng)用開發(fā)，腳本以及java語言是必須精通的，如果使用spark等框架，對于scala還是有一定要求的。

最后一環(huán)：數(shù)據(jù)應(yīng)用價值輸出

前面我們做了很多事，包括數(shù)據(jù)的收集、傳輸、處理、存儲等等，但這些都是手段，都不是我們的目的。

我們的目的是讓數(shù)據(jù)產(chǎn)生價值，這也是企業(yè)做大數(shù)據(jù)的核心目的。

我們可以用數(shù)據(jù)來做什么：

1 基于統(tǒng)計分析、數(shù)據(jù)預(yù)測，做數(shù)據(jù)化運營、決策，提升效率、效果，這是最常見的應(yīng)用場景。

2 做推薦，在主體之外產(chǎn)生衍生價值，提升單位價值轉(zhuǎn)換。

3 畫像體系，至于說畫像能做什么，只要能做的準，能做的事可多了。

4 基于數(shù)據(jù)化、智能化的搜索。

5 實現(xiàn)業(yè)務(wù)的數(shù)據(jù)化、自動化、智能化。

6 ...

在這一環(huán)中，包括的東西太多太多，包括大數(shù)據(jù)培訓(xùn)市場中主流方向：數(shù)據(jù)分析師，基本屬于偏業(yè)務(wù)分析的路子。

還有那些培訓(xùn)的算法之類的，也是為這一環(huán)服務(wù)的(但是，單純了解算法是什么，個人認為是沒啥卵用的)。

我們先來分析一下關(guān)于大數(shù)據(jù)分析這個方向。

我一直不認同很多大數(shù)據(jù)培訓(xùn)機構(gòu)一直玩命給跨界的朋友培訓(xùn)python、R，認為那就是數(shù)據(jù)分析師的最最核心的技能了。

其實不然，在大數(shù)據(jù)模式下，諸如R這種工具其實本身的局限性已經(jīng)很大了，我們需要更多能夠容納全量數(shù)據(jù)分析挖掘的工具，而不是抽樣。

哪怕是你把Hive用的很溜，對于統(tǒng)計分析的理論，以及對于業(yè)務(wù)的理解能力很強，我認為可以完爆那些傳統(tǒng)分析工具用的溜的人，最起碼在這個領(lǐng)域中，這種需求會更多。

所以，假設(shè)大數(shù)據(jù)培訓(xùn)機構(gòu)想要培訓(xùn)數(shù)據(jù)分析師，盡量還是往大數(shù)據(jù)模式下的數(shù)據(jù)分析路子去走，及時培訓(xùn)R之類的工具，可以結(jié)合Hadoop-R、Spark-R之類的來做培訓(xùn)，而Hive這種工具更是不可缺少的，此外，對于統(tǒng)計原理之類的理論知識也需要進行額外的補充。

最后，對于算法來說，單純的培訓(xùn)算法其實沒啥卵用，一方面本身算法這東西基礎(chǔ)要求略高，單純的從培訓(xùn)的角度來說，了解一個算法是什么是次要的，更重要的是要貫穿實際的業(yè)務(wù)場景與算法模型的映射，以及各種分布式機器學(xué)習庫的使用，這就夠了。

單純的去研究算法，別扯了，太不切實際，學(xué)完了妥妥的還是一臉懵逼，如果不把實際業(yè)務(wù)場景結(jié)合起來。

解決第二個問題，如何做選擇。

其實如果你對第一個問題，整個流程有足夠熟悉的情況下，這事就好辦多了。

清楚每個節(jié)點需要哪些技術(shù)儲備，這個節(jié)點到底負責哪些事務(wù)，在整個數(shù)據(jù)生態(tài)中起到什么樣的地位。

結(jié)合自己已有的基礎(chǔ)儲備，去衡量如果自己想要涉足某一個節(jié)點，需要額外補充多少的知識才能支撐的起工作需求。

然后，進行選擇，然后有所偏重的去理順自己的技術(shù)結(jié)構(gòu)，額外去深入掌握相關(guān)的技術(shù)。

最起碼你要知道，你在學(xué)習spark，你要知道spark在整個數(shù)據(jù)生態(tài)中、實際的業(yè)務(wù)中，是做什么的，是不是可替代的。

所以，當你看到招聘網(wǎng)站上各種大數(shù)據(jù)相關(guān)的JD時，諸如：大數(shù)據(jù)開發(fā)工程師、大數(shù)據(jù)工程師、hadoop工程師、數(shù)據(jù)開發(fā)工程師、數(shù)據(jù)分析師、大數(shù)據(jù)分析師、數(shù)據(jù)挖掘工程師、算法工程師、ETL工程師等等。

你需要能夠做出分辨，這些崗位到底是屬于什么定位，是偏平臺搭建、是偏數(shù)據(jù)架構(gòu)、是偏數(shù)據(jù)處理、是偏業(yè)務(wù)分析、是偏數(shù)據(jù)業(yè)務(wù)挖掘、是偏算法研究等等，結(jié)合自己掌握的技術(shù)點，才能做更好的選擇。

當然，其中的門門道道很多，一篇也說不清楚，但這篇文章的主要目的是說，我們需要對于大局有所了解，知道是什么，想要獲得什么，知道將要干什么。

而不是悶頭把“Hadoop全家桶”來一套，要知道，技術(shù)框架這東西是很容易被替代的，尤其是大數(shù)據(jù)領(lǐng)域，相關(guān)技術(shù)迭代太快，所以我們還是需要結(jié)合實際的業(yè)務(wù)來理解大數(shù)據(jù)，以及掌握快速學(xué)習的能力，這才是正道。

關(guān)于選擇方向這里，做一點補充，針對于哪些跨界想進入數(shù)據(jù)挖掘或者算法領(lǐng)域的朋友。

個人認為如果你想進入大數(shù)據(jù)領(lǐng)域從事數(shù)據(jù)挖掘相關(guān)的工作，最好建議有以下兩種基礎(chǔ)最好，有其一即可：

1 有良好的算法理論基礎(chǔ)，通常是需要相對較好學(xué)歷以及對口的在校研究方向。

2 在大數(shù)據(jù)處理領(lǐng)域有足夠的數(shù)據(jù)處理經(jīng)驗，對業(yè)務(wù)場景足夠清楚，對分布式框架和工具能夠熟練使用。

對于前者，工程化能力可能相對較弱，但可以專注于算法研究；對于后者，則可以偏重業(yè)務(wù)，注重如何將實際的業(yè)務(wù)問題轉(zhuǎn)換為算法模型問題。

兩者側(cè)重點不同，一個明確模型，研究是模型更加契合業(yè)務(wù)的問題，研究的是如何提升已知問題的精準問題；另一個是如何將未知業(yè)務(wù)映射成已知的算法數(shù)學(xué)模型，需要對業(yè)務(wù)足夠了解、敏感，并且能夠進行工程化。

關(guān)于這兩者的區(qū)別，有時間再開單章說道了，這里就不過多細說?？傊?，對于普通跨界的來說，建議不要選擇這種門檻略高的細分方向，因為后續(xù)你的找工作風險略高。

最最后，關(guān)于大數(shù)據(jù)培訓(xùn)的出路，個人建議選擇的時候盡量選擇能夠讓你獲得實習或者正式工作機會的機構(gòu)，因為跨界的第一份工作算是個跳板，很重要，也少有選擇，所以需要把握住機會，如果有機會留下來，甭管他是不是外包、實習是不是有工資拿。

這只是一個跳板而已，此后，天高任鳥飛，海闊憑魚躍，靠自己了，培訓(xùn)機構(gòu)只是讓你有入門的機會而已，所以要把握住。

所以，培訓(xùn)機構(gòu)最大的好處是讓你有機會進入這個領(lǐng)域，真正的累積需要入門之后在實際的工作中自己把握機會多學(xué)習！

最后，發(fā)現(xiàn)個人私密群除了能省事(省自己的事，省群友的事)，還能衍生不少值得探討的話題，都是與群友一起討論聊天時衍生出來的，比如：

1關(guān)于小公司要不要涉及大數(shù)據(jù)的話題

話題原文：我經(jīng)常聽一些產(chǎn)品這樣說，運用大數(shù)據(jù)的公司pv要達到100萬。

2 關(guān)于大數(shù)據(jù)與人力資源的結(jié)合的話題

話題原文：目前大數(shù)據(jù)在廣告、電商，甚至是金融方面都已經(jīng)有不少的落地點，這兩年大數(shù)據(jù)開始與人力資源市場開始嘗試結(jié)合。