实际上，虽然在大数据时代背景下，统计学的知识体系产生了一定程度的调整，但是统计学本身的理念与大数据还是具有一定区别的，统计学注重的是方式方法，而大数据则更关注于整个数据价值化的过程，大数据不仅需要统计学知识，还需要具备数学知识和计算机知识。从另一个角度来说，统计学为大数据进行数据价值化奠定了一定的基础。

从技术体系结构来看，统计学知识主要应用在大数据分析领域，统计学方式是大数据分析的两种主要方式之一，另一种数据分析方式是机器学习。所以，对于主攻大数据分析方向的研发人员来说，掌握统计学知识还是很有必要的，统计学在数据分析方面已经形成了一个较为系统的知识体系，而且很多技术已经经过了实践的检验。其实对于很多职场人来说，平时大部分的数据分析任务都是基于统计学理论进行的，包括采用的数据分析工具也都属于统计学领域的范畴。

从未来的发展趋势来看，一方面统计学会进一步向大数据倾斜，包括目前不少统计学专业的研究生课题，都逐渐开始向大数据方向拓展，另一方面大数据会在发展的初期大量采用统计学相关理论和技术，这也能够提升大数据相关技术的落地应用能力。

1、编程语言的学习

对于零基础的同学，一开始入门可能不会太简单。因为需要掌握一门计算机的编程语言，大家都知道计算机编程语言有很多，比如：R，C++，JAVA等等。建议从Java入手，容易学而且很好用，Java只需理解一些基本的概念，就可以用它编写出适合于各种情况的应用程序。现在一般也都是从JAVA开始学起，这相当于也是一个基础。

2、大数据相关技术的学习

学完了编程语言之后，一般就可以进行大数据部分的学习了。一般来说，学习大数据部分的时间比学习Java的时间要更长，JAVA算作学习大数据要学习的一部分，除此之外学习大数据还需要学习其他相关类型的数据知识。大数据部分，包括Hadoop 、Spark、Storm开发、Hive 数据库、Linux 操作系统等知识，还要熟悉大数据处理和分析技术。如果要完整的学习大数据的话，这些都是必不可少的。

3、项目实战阶段

学习任何一门技术，除了理论知识，项目的实战训练也是非常重要的，进行一些实际项目的操作练手，可以帮助我们更好的理解所学的内容，同时对于相关知识也能加强记忆，在今后的运用中，也可以更快的上手，对于相关知识该怎么用也有了经验。在项目实战中，遇到问题最好积极动手记录下来，这样才能更好的去解决你遇到的问题。

1、大数据开发工程师

开发，建设，测试和维护架构;负责公司大数据平台的开发和维护，负责大数据平台持续集成相关工具平台的架构设计与产品开发等。

2、数据分析师

收集，处理和执行统计数据分析;运用工具，提取、分析、呈现数据，实现数据的商业意义，需要业务理解和工具应用能力。

3、数据挖掘工程师

数据建模、机器学习和算法实现;商业智能，用户体验分析，预测流失用户等;需要过硬的数学和统计学功底以外，对算法的代码实现也有很高的要求。

4、数据架构师

需求分析，平台选择，技术架构设计，应用设计和开发，测试和部署;高级算法设计与优化;数据相关系统设计与优化，需要平台级开发和架构设计能力。

5、数据库开发

设计，开发和实施基于客户需求的数据库系统，通过理想接口连接数据库和数据库工具，优化数据库系统的性能效率等。

6、数据库管理

数据库设计、数据迁移、数据库性能管理、数据安全管理，故障检修问题、数据备份、数据恢复等。

7、数据科学家

数据挖掘架构、模型标准、数据报告、数据分析方法;利用算法和模型提高数据处理效率、挖掘数据价值、实现从数据到知识的转换。

8、数据产品经理

把数据和业务结合起来做成数据产品;平台线提供基础平台和通用的数据工具，业务线提供更加贴近业务的分析框架和数据应用。