数据研究员招聘

软件有很多种，每个人使用的习惯不一样，有的人觉得这个号，有的人觉得那个好，选中一个自家的，用惯了，就觉得很好用了上海财会的数据不准确，而且没及时性，万得数据全、功能全，但是垄断、报价高，业内评价不好，世华财讯没用过，恒生的数据少。

明确几个问题1.十万年薪想招的是什么样的人？2.工作环境怎么样？3.职业发展前景如何？4.是国企,还是事业编？你能够给员工提供些什么？员工需要满足什么样的要求！权利与义务是一体的！明确这几个问题，差不多也就回答了为什么招不到人了！

1）研究行业动态：在VC在找项目之前，日常会做大量的信息阅读、分析来发掘有潜力的方向，所谓的O2O、大数据等等模式都不是拍脑袋决定的。在确定好方向或者商业模式的思路之后，deal sourcing也会更加精确有效。这也是为什么很多互联网分析师会在微博上发布大量的内容，因为这也是他们保持行业敏感度、了解新进展的一个重要渠道。只不过区别在于外行是看热闹（团购的各种混战八卦），内行得从里面分析出门道。除此之外，互联网分析师也会关注国外的创投动向，以他山之石攻玉。也会参加各类会议，并且非常频繁地与行业内人士沟通，了解信息。这方面是一个分析师每天要投入大量时间与精力去做的事情。2）VC分析师做得最多的事情就是寻找优质项目，也就是所谓的Deal Sourcing。Deal可能来自于主动去寻找到的好公司（这就要参考研究出来的结论了）、创业者来主动联系、朋友推荐、天使或其他VC的推荐、行业会议等等。创业者往往担心找不到投资人，而VC其实每天也很急找不到合适的项目。“合适”可能是市场有前景、商业模式有潜力、团队够给力、产品够靠谱，并且公司发展阶段也要正正合适（不同机构有不同的投资偏好，太早太晚、deal size太大太小也都不行）。仔细按照各种标准筛一遍，其实合适的deal非常非常地少的。也建议创业者们自己努力做好产品、抓好市场、找准方向，只要靠谱，会有很多VC主动联系你的。3）与投资目标沟通谈判：这个没什么好说的，主要是要深入地沟通，了解公司现状、共同计划未来，理清产品、找明方向。每周都会安排至少好几场的会议，并且与合适的投资目标还会反复地开好多场会议。当然还会讨论关于投资金额、股份等等细节的terms。谈得不错的项目会给Partners去评判，然后还不错的会最终到投资委员会去决定。4）完成投资：当然也要做Due Diligence，但是相对来说并不频繁，因为近两年VC投资的deals真的不算多，能够走到DD阶段的没有多少。投资的财务法务方面的事情都有专业人士负责了，在投资之后，VC分析师也会频繁与portfolio公司保持沟通，了解情况，帮助公司尽快发展。

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。

你可以记下那个公司的名字然后在网上查查有没有营业执照啊什么的至于那个人事方面的东西 外人就不得而知了况且这页是因公司而异嘛

考试。先考个证券分析师然后一步一步来

其实现在像你这样的情况很多，一般有医药学背景，然后修个经济学双学位或者读个金融学，在金融领域尤其是研究员领域找工作是有一定优势。简单从两个方面回答一下你的问题：需要哪些准备；职业路径问题。以下均是个人观点：1）准备。做二级市场的话，也就是说股票研究员，主要需要如下能力：对行业知识的了解，这方面你具有专业优势，无论是行业还是公司研究上手都会很快，不需要特别准备；必备的金融学只是，这块主要是能够看懂财务报表，知道如何基本的估值方法，利用财务报表数据进行基本的财务分析，如果能通过报表阅读发现是否存在报表舞弊等就更厉害了，这方面可以考个CPA，过了财管和会计两门科目就行了（关于CFA，看个人情况，本人不建议考，主要是性价比较差，考试周期长，考完之后的是拿到一个证，对实际能力提升比较有限）；进入金融行业必备的职业资格证，需要考证券从业资格证，原来是5门过基础+另外一门，现在改革了，因为我考的早对于新的变化没有关注，你可以另行百度一下，这个从业资格证是行业准入要求，不得不考，相对也比较简单；其他，数据分析很重要，熟练应用EXCEL是最重要的，有时间可以锻炼一下此方面的技巧，至于编程之类的其实用到的比较少，一般在EXCEL范围之内就可以解决了；此外，现在研究员行业竞争越来越激烈了，如果你还处于找工作阶段建议多去券商、基金实习，增加【高质量】的实习经历将有利于你进入该行业，同时也尽早适应研究员的工作状态，如果实习经历不多的话，还是考点证（你知道跟金融相关的证都考，没实习就多读点书……）吧，不然简历很难过的。2）职业路径。主要说说第一份工作是不是做私募，其实私募可能是金融行业（研究员、投行）职业后期主要退出路径。私募与券商、资管、基金相比主要差别在于“私人”化，之所以很多人不建议第一份工作不选私募因为一方面私募对个人能力要求比较高，没有一定行业经验很难做的好；另一方面私募公司本身资源有限，是私募从业人员个人积累的资源，也就是说可能不会有很好的培训以及对行业整体的理解。但是其实私募与券商、基金做的事情本质是一样的，都是对行业的理解与投资价值的判断（这块不展开……）。在券商、基金能获得基础的训练，给人的感觉是对行业有深入把握后才去私募，听起来比较顺，对于刚入职的人来说确实也较好一点。另外，券商、基金更接近金融，私募更接近产业，这个也需要你来权衡。但是对于找工作来说，首先要有一个offer，然后再去选择吧……PS.职业发展开始阶段最好进大一点的公司，资源多一点……希望能回答你的问题来自：求助得到的回答

如果你投过他们的简历 那还是值得去应聘一下的如果莫名的就接到的电话 建议到官网公司查询电话确认一下 市场研究还是一个不错的工作岗位，虽然可能会有些辛苦，但是它会让你学到非常多有价值的东西，同时对你解决问题的能力有很大的提升，正如下面网友提到的，市场研究的主要目的是为企业客户解决各种企业发展和营销过程中遇到的问题，比如企业新产品上市的产品定位、市场细分等都需要市场研究来解决，所以说如果你能够有幸到尼尔森这么个国际大市场研究公司去就职这样的岗位一定要抓住，它会让你以后在什么岗位上都变得游刃有余的。 这个岗位培养的就是你解决问题的能力 我也是从事专业市场研究工作的，很想能够到麦肯锡、尼尔森这样的国际市场研究公司再去经历一下，但是我英语已经快丢没了，而且我讨厌再把英语给提起来，身为中国人为什么非得在中国地盘上学说英语，所以我是没什么机会了

肯定是从基层做起，你认为一个新人刚开始就会是管理人员吗？（关系型的除外）