应用统计专业硕士的就业前景如何？
希望大家说的比较详细，哪类公司行业，做什么职位，平时做什么工作，谢谢
关注者
3,162
被浏览
2,557,434
65 个回答
应用统计出身，互联网公司数据分析师现身说法。因为工作中带了不少实习生，基本都是各大高校应统专硕出身，所以针对对应统的就业情况简单谈一些自己的了解。
先说结论： 应统专硕的就业面还是非常广泛的 ，包括但不限于：互联网、金融、咨询、传统企业、公务员、教育等行业。由于性格和个人能力不同，选择的就业方向差距还是很大的，接下来具体的介绍不同行业对应的岗位大致有哪些（某些行业可能了解不多，如有遗漏还望广大知友可以提示）：
1.互联网
先说自己比较熟悉的互联网行业，统计相关专业在互联网可以从事的岗位还是挺多的，我了解的有：数据运营、数据产品经理、本人所从事的数据分析师、策略产品经理，更偏向技术的有数据挖掘工程师、算法工程师等，近几年随着大数据的兴起，还有个叫数据科学家的岗位也比较多。
1.1 数据运营/策略运营
以华为数据运营岗位为例：
技能要求：一般要求熟悉掌握Excel、PPT，有的岗位可能要求会SQL，涉及一些简单的取数之类的工作。
数据/策略运营通常就是我们所称的“表哥”、“表姐”，一般就是结合实际业务进行一报表制作之类数据分析，为业务调整和优化提供数据支持。
1.2 数据分析师/策略产品经理/商业分析师
技能要求：熟悉SQL，Excel，熟悉python/R等统计分析工具，熟悉Tableau等BI工具也是必要的。
除了技能之外，数据分析师一般还要求熟悉AB测试、还有常用的机器学习算法。
这类型工作内容就像上面所写的：
- 通过数据挖掘和探索分析用户行为，获取有价值结论并形成有效决策依据，⽤数据分析和建模等手段驱动⽤用户增⻓，通过数据分析为用户增⻓决策、运营策略、产品方向提供数据支持;
- 搭建业务的基础数据指标体系，开发并维护相应的数据报表；
- 监测业务的⽇常数据，关注数据波动并能够分析和解读数据异常；
- 深⼊理理解AB测试实验，设计AB测试实验⽅案以验证问题和分析结果。
1.3 数据挖掘工程师/算法工程师
技能要求：这两种岗位要求，有扎实的数据结构和算法功底，熟悉机器学习、自然语言处理、数据挖掘中一项或多项，代码能力要好，对技术要求比较高。
算法工程师近几年可谓卷到极致，一般都要求有TOP学术会议及期刊发表经历，建议大家慎重考虑。
1.4 数据科学家
技能要求：熟练使用SQL等相关数据提取工具和R、Python等相关分析工具；
数据科学家更像是数据分析师的进阶版，对理论知识以及实践技能要求更高，一般都是硕士起步，会研究一些比较前沿的领域比如因果分析之类的。
2. 金融
金融行业自己了解不是很多，有个高赞的老哥总结的不错，结合自己身边朋友的就业情况简单谈一下。
2.1 信用卡中心
信用卡中心也有很多岗位适合应统专硕的同学，以招商银行信用卡中心为例，有风险量化评估、策略运营、大数据等多个方向，具体岗位详情和要求如下：
2.2 各大银行省分行、支行
现在各大银行都有叫个“金融科技”的岗位特别适合应统专硕的同学。同样以招行杭州分行为例：
2.3 互联网金融
像陆金所之类的互联网金融公司对统计相关专业的需求也比较多，主要岗位数据分析师，风险管理之类的岗位。
2.4 其他
除了以上列举的之外，还有一些岗位比如投行，行业研究以及量化投资类型的岗位，可能更适合本科有金融背景的同学去从事，我有个同学之前就对量化投资很感兴趣。
3. 运营商企业
像移动、联通、电信这种运营商企业每年也会招聘大量的应统应届毕业生。主要从事的方向也是类似于互联网数据分析和银行金融科技之类的岗位，以中国移动数据分析岗位为例，基本在各省的分公司都有这样的岗位，所以不想在一线城市从事互联网行业的同学可以关注一下这些公司。
4. 传统企业
随着互联网技术的发展，企业拥有庞大的用户以及其他类型数据，必须主动或者被动的向数字化转型。传统行业比如中医药、保险、房地产、车企等等都需要数字化人才，这些都是应统专硕可以选择的就业方向。
5. 其他
除了以上列举的之外，还有很多人会选择考公务员、事业编之类的，有的人也会选择去教育机构当老师。这些与专业相关不大，所以就不详细介绍了。
6. 总结一下
现在企业的发展基本离不开互联网技术和数据分析，统计是最相关的专业，所以大多数同学都会选择数据分析、商业分析相关岗位。
对于目前仍在校或者已经考上研究生还没有开学的应统专硕的同学，建议多上招聘网站了解一下自己喜欢的岗位的技能要求，早做准备。
另外尽可能的在不耽误学业的情况下，抽时间去实习，最好是互联网公司，一方面锻炼自己的能力，另一方面可以提前了解自己是否适合在互联网工作，以及能否接受互联网公司的生活节奏。
7.关于数据分析
因为本人从事数据分析岗位多年，很多同学也想从事这个岗位，所以简单谈一些自己对于数据科学以及数据分析的看法，希望能够为之后想要从事数据分析师的同学提供一些帮助。
- 深谙数据中的科学，必先把玩数据，所以想迈入这个大门，首先需要熟练一些 数据处理 软件，EXCEL和SQL语言必须精通，再选修一门适合数据处理的编程语言将保证你职业道路更宽，例如Pyhon或者R；
- 自由把玩数据是第一步，接下来我们需要 分析数据 ，这时一些 统计学 的知识不可或缺，实际工作中， A\B测试相关理论 和 贝叶斯思想 是必备项；
- 分析是对数据呈现的表象进行总结，我们不能止步于此，我们必须深入探索数据背后存在的规律，这时需要一些 机器学习 方法保障前行；
- 在实际工作中，即使对数据解析的再透彻，不与业务相结合都是纸上谈兵，培养完善的 业务思维 ，才能将数据的作用发挥到极限。
整理不易，大家不要只收藏不点赞鸭，点个赞支持一下！
哎， 了一直咳睡不着，再来更新下吧。
11月换了新工作，虽然还是数据pm，但这次更偏数据应用向的pm，不像之前做底层策略；更大的挑战是换了新行业，完全不是之前自己擅长的领域。舒适区待的时间长了，跳出来学新的东西真的很折磨，折磨点不在于没有动力学新知识，而是身体精力有些跟不上了，白天各种开会听天书，晚上周末加班恶补业务知识，一个多月感觉还是懵懵懂懂，嗐，换工作换方向想得太天真，成本可真是大，预期未来三个月可能都很少有晚上的休息时间，希望能早点适应～新工作也用到了很多统计学，越来越觉得学统计除了数分干数据pm也很适合，最大的点在于想法能自己落地
之前有同学私信我商业化pm应该读哪些书入门，想了解广告系统，推荐这本书吧，个人觉得1-6章可以重点读，尤其广告架构那张图，可以大致了解app中的广告展现到你眼前经历了哪些流程。如果有问题欢迎随时问～后面有时间再更新下策略具体怎么应用在线上产品。
======================================
再浅答一下，最近在找工作，回顾了一下工作经历。简单分享一下，7年经验：两年数分，两年数据产品，三年策略产品。先说下数分转产品的原因，毕业后进的公司做的数分并不是数据科学那种，而是偏业务的数分，业务数分有一个尴尬的点是，通过分析得出来的结论，很难真正的落地，没成就感，所以当时跳到一个中厂转数据产品，重新开始。但我本身其实是个性格不算外向的人，大多数更愿意与数字打交道，而产品经理嘛，需要与各方沟通，推进项目，这当中的转变着实费了一番功夫。克服这个点，加上熟悉了产品的工作模式，借助数分的经验和思路，后面的工作就游刃有余了。
这里插一句我对数据产品的认识：按照对于数据应用的深浅可以分为下面三类：
数据质量型产品：负责sdk、数据埋点、上报等等
数据工具型产品：数据报表平台、BI平台
数据应用型产品：标签、策略产品（推荐、广告引擎系统等）
我转产品这五年的数据+策略，主要是数据应用型产品，这类pm在提需求设计策略或者指标时，前期要做大量的数据分析，验证策略或指标设计的合理性、可用性以及后续如何评估效果等，比如去重策略按什么去重、精排阶段排序关键字新增时，如何跟其他因素做平衡，最大值gap怎么设计、阈值为何这么设计，每一个策略需求都需要大量的数据支撑，否则在和研发进行评审时会被挑战死。这对产品经理本身的数据思维、数据技能都有要求，在项目排期比较紧时，没有数分同学支持，那数据产品技能上硬实力就显得很重要，尤其之前有数分经验，优势就体现出来了。
其实如果不是数据科学向的数分，个人感觉天花板数据产品相比业务数分更高，找工作的内卷程度也低一些。最近组里招数分实习生，统计/应统/数学的简历收到爆炸，学历一个比一个好，感叹自己早生了几年，如果我现在找工作，估计会失业，哈哈 。
最后，谈一下换工作的痛苦，产品这个赛道一旦选定了方向，再想换成本会很高。我做的是商业化的数据+策略，对于广告这块，随着制造业遇冷波及的互联网寒冬，未来收入不减就算好了。想换个新赛道，但面试一直不顺，也怪自己，舒适圈待太久了，很难跳出来。未来自己要增加对行业的敏感度，每年都要出去面面试，见见其他厂在做啥，个人在市场的竞争力如何，及时调整。
以上算个人一点点复盘反思吧
==========================================
18年四月更新：（地铁上码字，格式见谅）
从数据分析转行到数据产品经理半年多了，感触挺深的。目前主要做的偏DMP方向的PM，主要参与DMP标签的全流程，包括标签前期调研（业务端和竞品）、标签开发策略（与RD一起）、开发所需数据源的字段调研、标签开发后的准召测试、标签每天的监控数据（覆盖度和活跃）、标签线上ABtest、实际投放效果分析等。
原先的回答有些天真了，无论会哪种语言会什么软件，对于pm或者数据分析师，他们都是工具。每天更重要的还是思考数据背后的东西，举个简单的例子，某天某个标签反馈投不出量，需要排查bug。作为PM首先思考的并不是深入到细节具体算那些数，而是考虑从标签生成到投放这一流程里，哪一个环节出了问题，要做到MECE原则，相互独立，完全穷尽。比如我将所有环节都列出来后，由于这一流程设计的team较多，包括标签生成团队、标签数据服务团队、引擎端、投放端等等，当时从标签生成库开始排查，标签库中的标签生成是否正常，线上数据库的标签是否能被引擎读取到，针对指定标签人群引擎是否可以召回目标广告等等，最后找到bug。后期复盘这个case时，对于流程复杂的case，是否可以采用二分法来排查bug，当时这个case排查了三个小时，如果采用二分法，先从各模块耦合的地方开始查，也许能提高效率。
我想说的是对于数据分析或者PM来说，懂业务懂需求，锻炼自己的逻辑思考能力可能更重要，当然如果会一门语言确实能提高效率，比如上面排查bug所说的每一模块是否正常都是需要用数据来验证。但不要舍本逐末，做项目时要时时刻刻牢记分析的目标或者需求的痛点，工作中很容易发散出去。
写得很粗，简单分享下感受，有空再更新些实际的case，大神们轻喷。
推荐一本书 《金字塔原理》，里面的思考方式和逻辑，工作中用的最多，受益匪浅。
===============我是分割线==============
本科，211，统计学；硕士，华五，应用统计硕士。
硕士方向：金融时间序列，期间学习了R语言。后来研二在互联网公司实习，自学Python、SQL，之后实习生转正。
我们那届毕业生去向最多的是银行（江浙沪包邮地区各种银行）、其次是券商、互联网（Ebay、百度、京东等）。
金融不了解，主要说下互联网这块的就业。
1、营销市场、运营数据分析
要求技能：excel精通、PPT精通、SQL会一些即可。
这块工作主要是一些报表性的数据分析，关键需要懂业务，结合业务挖掘出具有商业价值的insight。
2、策略产品经理/数据分析师
要求技能：SQL/excel精通、Python/R掌握、PPT会一些即可。
这部分工作强调商业逻辑，需要结合已有数据（产品数据、用户行为数据、外部社交数据等）进行分析，因为数据源和维度增多，相应所处理的量级也成倍增长，需要自己写SQL提取数据，并且用Python/R处理清洗数据，有能力的可以进行一些模型的拟合预测等等。由这些数据的分析和解读，撰写产品等分析报告，或者策略优化等等。
PS：用R做可视化真是利器，代码简单，参数自定义，图形漂亮，客户面前的装B神器。
3、数据挖掘工程师
要求技能：Python、SQL、机器学习算法精通
这部分现在超出我的能力范围，先占个坑，以后答。
如果题主未来想进互联网，学校期间学好多元统计分析和机器学习的课程，再辅助学一门语言R/Python（Python第一个包建议学Pandas，数据分析的利器，强烈推荐！！！）都可以。推荐这本书算是我的编程启蒙之书