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(dāng)然，初入大數(shù)據(jù)領(lǐng)域，或者對(duì)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(gè)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(gè)話題應(yīng)該是更急切需要被討論一下的。

雖然我對(duì)于大數(shù)據(jù)培訓(xùn)市場(chǎng)一直不算太感冒，但是，如果說對(duì)于那些想要跨界進(jìn)入大數(shù)據(jù)領(lǐng)域的朋友來說，不可否認(rèn)，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(duì)于大部分培訓(xùn)課程體系的設(shè)計(jì)不敢茍同，這是重點(diǎn)。

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(jī)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(diǎn)套路的所謂項(xiàng)目實(shí)戰(zhàn)。

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

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

而在實(shí)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(jí)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(gè)人認(rèn)為，給初入大數(shù)據(jù)領(lǐng)域或者跨界進(jìn)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(shí)，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(gè)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(shí)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(gè)大數(shù)據(jù)領(lǐng)域鏈路中，找到最好的切入點(diǎn)。

只有解決了上面兩個(gè)問題，才能給自己最精確的定位，找準(zhǔn)方向深入下去。

一個(gè)人的精力是有限的，在短短的幾個(gè)月時(shí)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(shí)間放到該定位的地方上去。

第一個(gè)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(gè)詞，但其實(shí)這個(gè)方向已經(jīng)可以形成一個(gè)技術(shù)領(lǐng)域了，包含了方方面面的技術(shù)點(diǎn)，也提供了各種不同的技術(shù)崗位。

所以，不同的崗位，對(duì)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(jià)值整個(gè)數(shù)據(jù)業(yè)務(wù)流程來拆解，并且與此同時(shí)，來看看每個(gè)環(huán)節(jié)我們需要的技術(shù)儲(chǔ)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(chǔ) -> 再加工 -> 挖掘/統(tǒng)計(jì) -> 上層應(yīng)用輸出

總的來說，可以分以下幾個(gè)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(bào)數(shù)據(jù)

首先針對(duì)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(rèn)可，并且將會(huì)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(duì)于開放數(shù)據(jù)的獲取，爬蟲已經(jīng)可以單獨(dú)形成一個(gè)體系了，包括不同的爬蟲框架，以及近年來對(duì)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(shí)。

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(chǔ)在傳統(tǒng)的數(shù)據(jù)庫中，那么，對(duì)于傳統(tǒng)數(shù)據(jù)庫相關(guān)的技術(shù)知識(shí)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(huì)吧。

其次，我們需要對(duì)數(shù)據(jù)進(jìn)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(chǔ)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(duì)SQL相關(guān)的知識(shí)需要補(bǔ)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(duì)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(jìn)行處理、清洗，諸如mr，spark中等。

所以，對(duì)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(bào)的形式，你需要對(duì)整個(gè)數(shù)據(jù)上報(bào)的流程熟悉，怎么進(jìn)行埋點(diǎn)、怎么收集上報(bào)的數(shù)據(jù)，上報(bào)過來怎么進(jìn)行傳輸接受落地，這里就不多說，最終這種上報(bào)過來的數(shù)據(jù)反倒相對(duì)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(shí)候會(huì)涉及到呢？

諸如上面說到的數(shù)據(jù)上報(bào)，在大數(shù)據(jù)模式下，通常上報(bào)過來的數(shù)據(jù)我們都不會(huì)馬上進(jìn)行落地的，因?yàn)樯婕暗讲煌糠制湫什灰粯樱诜逯挡▌?dòng)的情況下，直接落地十有八九都會(huì)導(dǎo)致系統(tǒng)宕機(jī)。

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(huì)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(jìn)行數(shù)據(jù)傳輸，此外還有不少類似的消息隊(duì)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?yàn)樵谶^去的數(shù)據(jù)處理模式中，因?yàn)閿?shù)據(jù)量的緣故，這一層相對(duì)次要。

第三環(huán)：數(shù)據(jù)的存儲(chǔ)

Hadoop生態(tài)中最最核心的存儲(chǔ)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(qiáng)悍的橫向擴(kuò)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(chǔ)方式，諸如hive、HBase、甚至ES、Solr勉強(qiáng)都算，以及不可忽略的傳統(tǒng)類型的SQL存儲(chǔ)方式。

我們需要理解的是，不同的存儲(chǔ)方式應(yīng)對(duì)于實(shí)際的應(yīng)用場(chǎng)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(duì)于效應(yīng)效率要求并不高，但對(duì)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(duì)于查詢的復(fù)雜性支持上則相對(duì)較弱。

而我們說諸如ES、Solr都也勉強(qiáng)算是一種數(shù)據(jù)存儲(chǔ)的組織方式，其實(shí)也是有一定道理的，因?yàn)樗麄儽旧硪仓С诌@種分布式的數(shù)據(jù)存儲(chǔ)，只不過他們是為了應(yīng)對(duì)于自己框架的檢索需求而設(shè)計(jì)的數(shù)據(jù)存儲(chǔ)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(chǔ)方式之一，基于內(nèi)容，應(yīng)對(duì)于高效的數(shù)據(jù)存儲(chǔ)與讀取，在很多的實(shí)際應(yīng)用場(chǎng)景中都用的到。

第四環(huán)：數(shù)據(jù)的再加工

其實(shí)這一層主要要說就是基于Hadoop的MR框架以及Spark，當(dāng)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(duì)雜亂的數(shù)據(jù)進(jìn)行標(biāo)準(zhǔn)化、對(duì)殘缺的數(shù)據(jù)進(jìn)行補(bǔ)全、對(duì)原始的數(shù)據(jù)進(jìn)行深度加工提取高級(jí)屬性等等。

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

而針對(duì)于一些實(shí)時(shí)的場(chǎng)景，我們也不可避免的需要掌握諸如storm以及spark streaming之類的實(shí)時(shí)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(jìn)行數(shù)據(jù)處理。

通常，在這個(gè)環(huán)節(jié)中，我們需要對(duì)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?cè)诖嘶A(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(duì)于scala還是有一定要求的。

最后一環(huán)：數(shù)據(jù)應(yīng)用價(jià)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(chǔ)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(jià)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(jì)分析、數(shù)據(jù)預(yù)測(cè)，做數(shù)據(jù)化運(yùn)營、決策，提升效率、效果，這是最常見的應(yīng)用場(chǎng)景。

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

3 畫像體系，至于說畫像能做什么，只要能做的準(zhǔn)，能做的事可多了。

4 基于數(shù)據(jù)化、智能化的搜索。

5 實(shí)現(xiàn)業(yè)務(wù)的數(shù)據(jù)化、自動(dòng)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(chǎng)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(gè)人認(rèn)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(gè)方向。

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

其實(shí)不然，在大數(shù)據(jù)模式下，諸如R這種工具其實(shí)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(duì)于統(tǒng)計(jì)分析的理論，以及對(duì)于業(yè)務(wù)的理解能力很強(qiáng)，我認(rèn)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(gè)領(lǐng)域中，這種需求會(huì)更多。

所以，假設(shè)大數(shù)據(jù)培訓(xùn)機(jī)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(shí)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(duì)于統(tǒng)計(jì)原理之類的理論知識(shí)也需要進(jìn)行額外的補(bǔ)充。

最后，對(duì)于算法來說，單純的培訓(xùn)算法其實(shí)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(gè)算法是什么是次要的，更重要的是要貫穿實(shí)際的業(yè)務(wù)場(chǎng)景與算法模型的映射，以及各種分布式機(jī)器學(xué)習(xí)庫的使用，這就夠了。

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

解決第二個(gè)問題，如何做選擇。

其實(shí)如果你對(duì)第一個(gè)問題，整個(gè)流程有足夠熟悉的情況下，這事就好辦多了。

清楚每個(gè)節(jié)點(diǎn)需要哪些技術(shù)儲(chǔ)備，這個(gè)節(jié)點(diǎn)到底負(fù)責(zé)哪些事務(wù)，在整個(gè)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(chǔ)備，去衡量如果自己想要涉足某一個(gè)節(jié)點(diǎn)，需要額外補(bǔ)充多少的知識(shí)才能支撐的起工作需求。

然后，進(jìn)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(xí)spark，你要知道spark在整個(gè)數(shù)據(jù)生態(tài)中、實(shí)際的業(yè)務(wù)中，是做什么的，是不是可替代的。

所以，當(dāng)你看到招聘網(wǎng)站上各種大數(shù)據(jù)相關(guān)的JD時(shí)，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(tái)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(diǎn)，才能做更好的選擇。

當(dāng)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(duì)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(shí)際的業(yè)務(wù)來理解大數(shù)據(jù)，以及掌握快速學(xué)習(xí)的能力，這才是正道。

關(guān)于選擇方向這里，做一點(diǎn)補(bǔ)充，針對(duì)于哪些跨界想進(jìn)入數(shù)據(jù)挖掘或者算法領(lǐng)域的朋友。

個(gè)人認(rèn)為如果你想進(jìn)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(duì)較好學(xué)歷以及對(duì)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(yàn)，對(duì)業(yè)務(wù)場(chǎng)景足夠清楚，對(duì)分布式框架和工具能夠熟練使用。

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

兩者側(cè)重點(diǎn)不同，一個(gè)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(zhǔn)問題；另一個(gè)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(duì)業(yè)務(wù)足夠了解、敏感，并且能夠進(jìn)行工程化。

關(guān)于這兩者的區(qū)別，有時(shí)間再開單章說道了，這里就不過多細(xì)說。總之，對(duì)于普通跨界的來說，建議不要選擇這種門檻略高的細(xì)分方向，因?yàn)楹罄m(xù)你的找工作風(fēng)險(xiǎn)略高。

最最后，關(guān)于大數(shù)據(jù)培訓(xùn)的出路，個(gè)人建議選擇的時(shí)候盡量選擇能夠讓你獲得實(shí)習(xí)或者正式工作機(jī)會(huì)的機(jī)構(gòu)，因?yàn)榭缃绲牡谝环莨ぷ魉闶莻€(gè)跳板，很重要，也少有選擇，所以需要把握住機(jī)會(huì)，如果有機(jī)會(huì)留下來，甭管他是不是外包、實(shí)習(xí)是不是有工資拿。

這只是一個(gè)跳板而已，此后，天高任鳥飛，海闊憑魚躍，靠自己了，培訓(xùn)機(jī)構(gòu)只是讓你有入門的機(jī)會(huì)而已，所以要把握住。

所以，培訓(xùn)機(jī)構(gòu)最大的好處是讓你有機(jī)會(huì)進(jìn)入這個(gè)領(lǐng)域，真正的累積需要入門之后在實(shí)際的工作中自己把握機(jī)會(huì)多學(xué)習(xí)！

最后，發(fā)現(xiàn)個(gè)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(shí)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(yùn)用大數(shù)據(jù)的公司pv要達(dá)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(diǎn)，這兩年大數(shù)據(jù)開始與人力資源市場(chǎng)開始嘗試結(jié)合。