如何在toB数据服务公司做数据算法工程师

1. 背景

随着中国政府数字化政策的大力推行，中国互联网技术的高速发展与大数据/Ai技术的大力发展，各行各业都展开了轰天裂地的数字化改造，也诞生了一批面向传统企业（保险/金融/运营商）的数字化服务公司（toB），新的职业：数据算法工程师，也应运而生。

2. 理解ToB

ToB: ToB面对的是企业级客户，就是客户是企业。企业所涉及的业务系统往往是复杂的，比如ERP系统、OA系统、CRM系统，因此ToB行业往往会面对较复杂的业务场景。这类系统的特点是：业务场景多且复杂、业务流程长、各个企业之间差别较大。例如华为的运营商业务。

ToC：ToC面对的则是最终用户个人，ToC企业提供的服务可以参照手机里的APP，如电商、团购、外卖、运动等软件。这类APP有一个明显的特点，都是针对某个具体的场景，因此业务场景简单、业务流程短，并且最终用户使用这个APP的方式差别也不大。例如阿里的电商业务。

 

总而言之，TOB行业与TOC行业有很大的不同，很多TOC创业公司，例如拼多多，滴滴在崛起的时候都是走的都是烧钱，圈流量，培养用户习惯然后收割韭菜的路线，例如滴滴就是靠前期海量的补贴倒贴钱让用户养成习惯，然后慢慢地提价和提高抽成，收割用户和车主。对于TOC行业老说，就是流量为王，谁收割了流量，谁就会垄断，这个时候往往会形成大厂大口吃肉，小厂小口喝汤的局面。但是对于TOB公司来说，在做好产品，收割流量的同时，也要做好服务，好的产品能卖出产品，好的服务能一直赚钱~~~~

以笔者的经验为例，笔者之前与某运营商一直有深度合作，合作了多年，大家不仅仅是好的合作伙伴，还是好的朋友，知根知底，一般也不会轻易更换，除非遇到大的政策或人员变动（尼玛，笔者就遇到过）。所以可以看到很多小的数据服务公司，规模不是很大也能活的很好，一来是大厂看不上这些市场，二来深耕多年，客户不会轻易变换。

3. toB数据算法工程师的基本技能：

算法工程师也分很多种类型，包括数据算法，NLP算法，计算机视觉算法，自动驾驶算法，AIOPS算法，安全算法等等。。

以数据算法工程师为例，需要掌握以下几个技能：

1. 数据分析：例如sql, spark,excel,python。

2. 计算机基础：常见的二叉树，线性表，链表，动态规划，软件工程，计算机网络等等，毕竟计算机是基本功。

3. 文献阅读：包括学术顶会，工业论坛等等。

4. 比赛：比如kaggle。

5. 创新思维：场景迁移/举一反三能力，例如看到广nlp中的上下文语义分析，应该能马上切换到安全中的访问序列上下文。参考：

zibuyu9：好的研究想法从哪里来1064 赞同 · 29 评论文章正在上传…重新上传取消

MIT人工智能实验室：如何做AI科研？_Francis_Ye的博客-CSDN博客​blog.csdn.net/weixin_36302584/article/details/118054306?utm_source=app&app_version=5.3.0&code=app_1562916241&uLinkId=usr1mkqgl919blen正在上传…重新上传取消

6.快速学习能力：参考：

明航：学会如何学习0 赞同 · 0 评论文章

7 对业务的理解：不同行业有着天然的代沟，作为算法工程师，一定要理解数据。这一关其实很难，因为很多业务专家对行业的理解都是多年积累的，所以一般算法工程师都会配备一个业务专家，以笔者为例，之前就有一个业务部门支撑笔者（笔者笑开了花），但是一般的小公司并没有很多的业务专家支撑，所以自己也要去实操业务，跟相关产品/业务经理交流，深入一线与客户交流，深入一线去研究数据。所以很多算法工程师干着干着变成了业务专家（尼玛，又转行了）。

8. 汇聚同行：由于算法工程师经常会分到一些很有挑战性，创新性的工作，这些工作有时候不是单单凭借一个人能完成的，需要集思广益，集小流成大河，有时候同行的一句话就能快速打开局面，所以汇聚同行显得十分重要，以笔者为例，笔者这段时间一直在研究异常检测相关的课题，发现某些大佬组织了相关技术社区，便加入其中。同时笔者也将自己以前的经历整理到github/博客，希望以此吸引到同行，组建技术社区，不仅有利于个人/公司发展，也有助于推动社区进步。这里给自己的github做个广告：https://github.com/LiaoWenzhe：

9. 沟通交流：

其实在工业届大部门情况下还是拿经典算法落地，因为工业落地要考虑到算法性能，占用资源的情况，没不是唯准确度看齐的，并没有特别多的技术创新可以做，而且由于算法有时候涉及到一些复杂的数学公式，并不是所有人都看得懂这些，这时候要画一手好图/ppt，把1分的东西说成10分，把复杂的东西用3句话讲明白以满足产品/客户的需求。

4. 如何从其他职业转行到数据算法工程师

算法工程师作为一个新兴职业，由于一瞬间的需求量暴增，所以肯定涉及到大量的非算法岗转岗到算法岗的人员，笔者就是一个例子，笔者刚毕业做的大数据运维开发的工作，也是误打误撞转到了大数据算法岗，笔者总结了下转岗经验，主要分几种情况：

1. 公司内部转岗：参加公司内部的比赛（笔者就是这样转到算法岗的），拿笔者自己作为例子，我刚毕业一直从事运营商一线的大数据处理，运维，突然有一天，公司说要组织个机器学习比赛，诶呀尼玛，笔者一看这东西玩的好玄乎，于是就跟几个小伙伴参加了下，一不小心拿了个一等奖（第一届嘛，而且笔者比较滑头，所以这么水也拿了一等奖），那时候公司内部这样的人还比较少，所以笔者干着干着慢慢的干到了算法岗。还有就一种方式也比较方便，比如与算法部门搞好关系，给他们干干活，干着干着就干到算法岗了。

公司内部转岗其实比较看重公司的平台大小，因为算法这种岗位一般公司只有到了一定规模后才会有，所以第二种方式是换工作：

2. 自学算法，转到算法岗：其实现在网上的资料很多，下面推荐些好用的学习资料：

实战类：

1. coursera: 吴恩达《机器学习》

2.《机器学习实战》

3. kaggle竞赛。

4. 天池比赛。

5. leetcode

实战是学习计算机技术最快的方式，建议直接上手实战，不懂的东西马上调研资料学习。

知乎上总结的很好：

蓦然：机器学习算法学习资料39 赞同 · 5 评论文章

3. 读个相关研究生，走校招途径。

5. 企业中的算法岗的需求与实际工作：

企业中的算法岗分几种情况：

1. 大厂中的科研创新部门：比如达摩院。这种岗位需要的门槛较高，一般硕士起，需要发顶会论文，专利，还要与业务部门对接需求干活赚钱，这里就涉及部门结算/公司变现的问题，因为很多业务部门不愿意开放数据给你（功劳算你的了）。
2. 大厂中的业务部门/小厂：这种岗位偏应用研究与落地，基本要求是对产品赋能，提升产品边界，满足部门/公司宣传/创新需要。这种场景需要涉及一定的工程能力，比如笔者，尼玛运维，开发，数据库运维，数据库开发，spark开发，平台开发，算法探索啥都干过，好处是啥都可以接触一遍，坏处是容易不精，所以后期一定要注意利用好八二原则（在某个领域专精，其他领域了解）。

其实随着大数据行业的大浪淘沙，去泡沫化，算法岗的需求已经没这么多了，甚至可以说远远小于工程岗，甚至待遇/门槛也没有太大差别，所以笔者还是觉得对于大部分人来说，做好工程带来的受益会远远大于算法。

6. toB算法的优缺点：

优点：可以面向各个行业的数据积累建模经验，这个是比在甲方做算法最大的优点。

缺点：经常需要出差，反馈闭环没有甲方快。举个例子，淘宝的算法工程师都是在自己的数据之上去做算法，但是乙方没有自己的数据，所以经常要去到甲方去客户那驻场做算法，如果客户好说话倒好，如果不好说话，就麻烦了。