1、数据规划师

在一个产品设计之前，为企业各项决策提供关键性数据支撑，实现企业数据价值的最大化，更好地实施差异化竞争，帮助企业在竞争中获得先机。

2、数据工程师

大数据基础设施的设计者、建设者和管理者，他们开发出可根据企业需要进行分析和提供数据的架构。同时，他们的架构还可确保系统能够平稳运行。

3、数据架构师

擅长处理散乱数据、各类不相干的数据，精通统计学的方法，能够通过监控系统获得原始数据，在统计学的角度上解释数据。

4、数据分析师

职责是通过分析将数据转化为企业能够使用的信息。他们通过数据找到问题，准确地找到问题产生的原因，为下一步的改进找到关键点。

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、Java

大数据的本质无非就是海量数据的计算、查询与存储，后台开发很容易接触到大数据量存取的应用场景，所以 Java 语言有着天然优势，现在大数据的组件很多都是用 Java 开发的，比如 HDFS、Yarn、HBase、MapReduce、ZooKeeper等等。

2、Python

Python 的优势在于资源丰富，拥有坚实的数值算法、图标和数据处理基础设施，建立了非常良好的生态环境。并不是所有的企业都能自己生产大量数据用于决策辅助，更多的互联网企业都是靠爬虫来抓取互联网数据进行分析，而 Python 在网络爬虫领域有着强势地位。Python 的战略定位就是做一种简单、易用但专业、严谨的通用言语组合。Python 语法简捷而清晰，对底层做了很好的封装，是一种很容易上手的高级语言。更重要的是， Python 的包装能力、可组合性、可嵌入性都很好，可以把各种复杂性包装在 Python 模块里，暴露出漂亮的接口。

3、Scala

Scala 在 JVM 上运行，基本上成功地结合了函数范式和面向对象范式。目前，它在金融界和需要处理海量数据的公司企业中取得了巨大进展。Scala 通常采用一种大规模分布式方式来处理数据，它还驱动着像 Spark 和 Kafka 这样的大数据处理平台，也被 Twitter 和 LinkedIn 这样的大型企业所使用。