“数据科学与大数据技术”专业是近两年才设立的新专业。“数据科学与大数据技术”专业有着很好的就业前景并且就业的宽度广，就业薪资待遇水平高，缺点可能在于专业设立较新，教学课程设置上可能无法跟上大数据人才培养的技能需求。

“数据科学与大数据技术”专业的人才培养方向：

分析类岗位

分析类工程师。使用统计模型、数据挖掘、机器学习及其他方法，进行数据清洗、数据分析、构建行业数据分析模型，为客户提供有价值的信息，满足客户需求。

算法工程师。大数据方向，和专业工程师一起从系统应用的角度,利用数据挖掘/统计学习的理论和方法解决实际问题;人工智能方向，根据人工智能产品需求完成技术方案设计及算法设计和核心模块开发，组织解决项目开发过程中的重大技术问题。

研发类岗位

架构工程师。负责Hadoop集群架构设计开发、搭建、管理、运维、调优，从数据采集到数据加工，从数据清洗到数据抽取，从数据统计到数据分析，实现大数据全产业线上的应用分析设计。

开发工程师。基于hadoop、spark等构建数据分析平台，进行设计、开发分布式计算业务，负责机器学习、深度学习领域的开发工作。

运维工程师。负责大数据基础平台的运维,保障平台的稳定可用，参与设计大数据自动化运维、监控、故障处理工具。

首先，大数据分析师是大数据时代背景下产生的一种新型技术岗位，与传统数据分析师的区别主要体现在三个方面，其一是技术体系结构不同;其二是岗位任务目的存在一定的区别;其三是工作场景具有一定的区别。

​对于大数据分析师来说，要具备更加全面的知识结构，涉及到大数据平台知识、算法设计知识、程序设计知识和具体的行业知识等，所以相对于传统的数据分析师来说，大数据分析师的从业门槛有了一定程度的提升。从目前行业领域的人才招聘情况来看，大数据分析岗位往往需要具有较高的学历要求，研究生往往更愿意从事相关岗位。

大数据分析的目的与传统的数据分析目的也存在一定的区别，主要体现在两个方面，其一是大数据分析比较注重数据的价值化，简单的说，大数据分析的结果会提升数据的价值，而传统数据分析的目的往往是以应用为导向的。另一个区别在于，大数据分析的结果往往是为了提供给智能体使用，比如人工智能领域的算法训练、验证等过程都需要大数据分析的参与。

在工作场景上，大数据分析与传统的数据分析也存在一定的区别，大数据分析往往需要借助于大数据平台进行，比如Hadoop、Spark，以及各种商用的大数据平台等，但是传统的数据分析往往会基于Excel或者是传统数据库进行。相对于传统数据分析工具来说，大数据分析的工具往往更加丰富，复杂程度也有明显的提升。

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。