昨天，我做了一件小事。
我用工作室的个体工商户身份，在招聘平台上发布了一个普通的大数据开发岗位。岗位不大，公司也不大，甚至可以说很小。不到 24 小时，后台收到了接近 200 条求职者的主动沟通。
我坐在桌前，看着手机里的消息一条条叠上来，心里有点说不出的滋味。
这不是一次严谨的市场调查。样本太小，时间太短，也没有历史数据可以对比。它不能证明杭州的大数据岗位已经供需失衡，也不能代表全国市场。但它像一张突然摊开的纸，让我看见了很多数据从业者正在往同一个窄门里挤。
更准确地说，它让我重新思考一个问题：
一个普通的大数据开发岗位，为什么会在这么短的时间里，收到这么多人主动联系？
一、先说边界：这不是行业报告，只是一个现场
我不想把这件事写成一个吓人的结论。
比如，“大数据开发完了”“数据人没出路了”“不转型就失业”。这类话很容易传播，也很容易让人点进来。可它们太粗糙。粗糙的东西看起来有力，其实常常伤人。
这次观察只是一个现场。
一个小工作室，一个个体工商户主体，一个普通岗位，一个招聘后台，二十多个小时，接近 200 条主动沟通。它不能直接推出宏大结论，但它足够让人停下来想一想。
我尤其不愿意把求职者当成“焦虑素材”。
每一条私信后面，可能都是一个刚从上一家公司离开的人，一个做了几年离线数仓的人，一个有家庭压力的人，一个不知道下一步该去数据开发、数据分析还是 AI 应用的人。手机屏幕上看起来只是头像和几行字，现实里都是一个个具体的人。
所以这篇文章不想做焦虑营销。
我想讨论的是：如果这样的现象不是偶然，那么底层到底发生了什么？
是企业需求少了吗？
是做大数据的人太多了吗？
是传统数据岗位被 AI 直接替代了吗？
还是企业还需要数据人，只是不再为过去那种数据人力付同样的钱？
这些问题，没有一个可以用一句话讲完。
二、不是没有岗位，而是岗位买的东西变了
很多人谈求职难，第一反应是：岗位变少了。
这当然有一部分是真的。企业增长放慢，预算收紧，招聘变谨慎，过去那种一口气扩十几个人的数据团队，确实不常见了。
但如果只说“岗位少了”，还不够。
更深的一层是：企业对数据岗位的购买意愿变了。
过去，很多公司愿意为“人力型数据工作”付钱。业务要数，就有人取；老板要看板，就有人做；系统要跑任务，就有人维护；临时分析来了，就有人接。那时候，企业扩张快，问题多，组织里到处缺数据。多招几个人，很多矛盾就能被暂时盖住。
现在不一样了。
不少公司已经过了从零建设期。数仓有了，调度有了，BI 有了，报表也有了一堆。业务没有以前跑得那么快，老板也会开始问：这么多报表到底谁在看？这么多取数需求，能不能自动化？这么多数据开发，能不能少一些重复劳动？
企业不是完全不需要数据人。
它是不再像过去那样，愿意为每一个重复动作都配一个人。
这就麻烦了。
因为很多数据从业者过去积累的能力，正好是围绕这些重复动作长出来的：接需求、写 SQL、跑任务、改报表、对口径、查异常。它们仍然重要，但如果只停在这里，就很容易被重新定价。
重新定价，不是说你没有价值。
而是企业会问：同样的钱，我为什么不招一个能覆盖更大范围的人？为什么不让现有团队配合工具做掉一部分？为什么不把预算投向 AI 应用、数据治理、业务自动化、质量监控这些更贴近结果的地方？
求职难的一个根，就在这里。
岗位还在，但岗位买的东西变了。
三、供需比为什么会变成这样
这两年，数据岗位的供给看起来很厚。
打开简历，大家都写得很像：Hive、Spark、Flink、数仓分层、SQL 优化、离线任务、实时链路、调度平台、报表开发。每个词都对，每个词也都不稀奇。
这不是个人的问题。
过去几年，市场用一种相对标准化的方式培养了大量数据人。培训课、公司内部岗位、项目经验、面试题库，都围绕一套相似能力展开。于是，很多人的能力栈越来越像，简历越来越像，项目表达也越来越像。
当企业扩张时，相似不是大问题。
岗位多，大家都能找到自己的位置。有人写 SQL，有人跑任务，有人做报表，有人维护链路。螺丝够多，机器转得快。
可当扩张慢下来，相似就会变成问题。
同一个岗位面前，站着很多能力描述相近的人。企业自然会继续往下挑：谁做过更复杂的业务场景？谁能独立负责一段数据链路？谁能把数据问题和业务结果连起来？谁能在 AI 时代把数据接到新的流程里？
这时候，单纯“会做”不够了。
企业要看的是，你是不是能把事情做成。
这两句话差得很远。
“会做”是技能。
“做成”是判断、沟通、取舍、验证和结果。
供需比变得难看，不只是因为供给多，也因为需求变窄了。
以前企业要一批能干活的人。现在企业更想要少数能把问题扛起来的人。
这就是所谓能力密度变高。
同样一个团队，以前可能愿意配三个初中级同学，一个负责取数，一个负责报表，一个负责任务维护。现在它可能希望一个更强的人，配合工具和平台，把这几件事一起扛住。
对企业来说，这是效率。
对求职者来说，就是压力。
四、在 1000 个人里，第一眼筛选已经开始了
还有一个更具体、更残酷的角度。
如果一个小小的个体工商户主体，发出一个普通的大数据开发岗位，不到 24 小时就能收到接近 200 条主动沟通，那么做一个很粗糙的外推：一个岗位挂一周，可能就要从上千个求职者里挑出少数几个继续聊，最后再发出一个 offer。
这个计算当然不严谨。
招聘平台的推荐机制、岗位位置、城市、薪资、发布时间、候选人活跃度，都会影响结果。但即便不把它当作统计学结论，它也足够说明一个问题：当候选人数量非常多时，招聘方的第一轮筛选会变得极其快速。
快到什么程度？
快到很多人还没来得及展示能力，就已经被几个最表层的信号筛掉了。
第一个信号，是打招呼的话术。
至少在这类招聘平台上，企业端第一眼看到的，往往不是你完整的人生经历，而是你发来的第一句话。
“您好，我对这个岗位感兴趣。”
“请问岗位还在招吗？”
“我有 8 年大数据开发经验，做过金融项目。”
这些话看起来只是开场白，其实已经在传递信息。你有没有看岗位，知不知道自己匹配哪里，有没有一句话讲清自己的强项，招聘方在很短的时间里就会形成第一印象。
这不是说话术能替代能力。
但在上千人挤进同一扇门时，话术会决定别人愿不愿意点进你的简历。
第二个信号，是在线简历里的经历。
招聘方点进去以后，会先看什么？通常不是慢慢欣赏一篇自传，而是扫几个东西：最近一份工作做什么，项目有没有关键词，技术栈是否匹配，有没有行业经验，有没有能说明结果的项目。
如果你的简历只是写“负责大数据开发、参与数仓建设、维护离线任务”，它很容易和另外几百份简历混在一起。
如果你能写清楚“负责哪条链路、处理多大规模、解决什么问题、留下什么结果”，你才有可能从相似的人群里露出一点边。
第三个信号，是学历标签。
这件事有点刺耳，但不能假装不存在。
在招聘平台的企业端，学历标签会被放得很前。像“211”这样的标签，招聘方不用点进简历，在聊天列表里就能直接看到。它像一个小小的印章，提前替候选人说了一句话：这个人经过某种筛选。
这当然不等于学历决定一切。
我也不认为非名校的人就没有机会。数据行业里有大量普通学校出身、靠项目和业务理解做得很好的人。可是，当候选人数量变得极多，企业又没有足够时间逐个细看时，学历这种低成本筛选信号，就会变得更重。
这不是我们喜欢不喜欢的问题。
这是市场在偷懒。
招聘方要在很短时间里降低判断成本，就会先看那些最容易被机器和人共同识别的标签：学历、年限、公司、行业、技术关键词、第一句话。
所以，普通数据人真正要面对的，不只是“我有没有能力”。
还包括：在一个拥挤的招聘界面里，我有没有办法让别人愿意多看我十秒。
这十秒很现实，也很不浪漫。
但求职市场很多时候就是从这十秒开始的。
五、这些人为什么没有被企业留下
这个问题不好回答，也不能回答得太冷。
每个人离开公司的原因都不同。有的人是项目结束，有的人是业务调整，有的人是公司收缩，有的人是主动跳槽，有的人是被动离开。不能把所有人都放进一个筐里。
但如果从行业结构看，确实有几件事在发生。
第一，很多公司的数据建设期结束了。
一个公司最缺数据人的时候，往往是从无到有的时候。那时要搭仓库、建模型、接数据源、做报表、补指标、救火。每天都有新坑，每个坑都需要人。
建设期过后，需求会变。
平台还要维护，任务还要跑，口径还会变，但新增建设不再那么多。企业开始从“我要更多人把东西建起来”，变成“我要更少的人把已有东西用好”。
第二，业务增长放慢了。
增长快的时候，数据团队常常是扩张工具。业务要开新线，数据要跟；渠道要投放，分析要跟；产品要试错，实验要跟。
增长慢的时候，数据团队会被问成本。
这并不公平，但很现实。数据团队如果不能把自己的价值讲清楚，就很容易被看成支持部门。支持部门在预算紧的时候，会先感到风。
第三，重复性工作被工具压缩了。
AI 工具、智能问数、低代码 BI、自动化调度、数据质量平台，不会让所有数据岗位消失，但会压缩一部分重复劳动。以前一个人花半天写的分析初稿，现在模型能先给一版；以前反复取数的需求，现在可能被产品化成自助查询；以前手动巡检的任务，现在可以自动告警。
这些工具还不完美。
但企业不一定等它完美才调整人力预期。只要它能替掉一部分重复动作，企业就会重新计算岗位价值。
第四，很多数据人的业务位置不够深。
这是最扎心的一点。
不少数据人很努力，也很辛苦，但长期站在需求后面。业务说要什么，就交什么；老板要什么，就做什么；系统坏了，就修什么。做了很多事，却很少参与“为什么做”“怎么判断”“做完有没有用”。
这样的人一旦进入求职市场，简历上就容易只剩工具和职责。
而企业现在最想看的，恰恰不是职责。
它想看你有没有在具体问题里做过判断。
六、AI 不是直接砸掉饭碗，而是改变了账本
我不认为 AI 已经把大数据开发直接替代了。
至少今天还不是。
真正的数仓、数据治理、指标口径、权限、血缘、质量监控、成本优化、业务解释，都不是一个模型问答就能自动解决的。企业数据系统不像网上的演示视频，输入一句话，出来一张漂亮图，事情就结束了。
真实系统里有历史包袱，有脏数据，有表名谜语，有字段没人敢删，有口径跨部门吵了半年，有老板一句话改掉整个指标定义。
AI 没有把这些麻烦变没。
但 AI 改变了企业的账本。
以前企业买的是人力：你能不能写 SQL，能不能开发任务，能不能做报表，能不能支持业务。
现在企业更想买的是结果：你能不能让取数少一点重复，能不能让指标可信一点，能不能让业务自己解决一部分问题，能不能把数据接进 AI 流程里，能不能让一个团队少依赖人肉搬运。
也就是说，AI 时代并不是简单地把人替掉。
它让企业重新问：哪些工作必须由人做？哪些工作可以由工具先做？哪些人能借工具放大自己？哪些人只是在重复工具将要覆盖的动作？
这才是大数据岗位变难的本质之一。
对数据开发来说，问题不只是会不会 Spark、Flink、Hive。
问题是：你能不能解释一个数据链路为什么这么设计？能不能治理一个指标为什么总被误用？能不能把日志、事实表、维表、指标、权限、质量监控这些东西，接成一个真正能被业务和 AI 系统使用的数据底座？
对数据分析来说，问题也不只是会不会 SQL、Python、BI。
问题是：你能不能定义问题？能不能判断一个指标该不该信？能不能把分析结论变成业务动作？能不能在模型给出一段顺滑回答时，知道哪里可能是错的？
AI 越强，越会抬高对人的判断要求。
这是反直觉的地方。
简单动作会变便宜，复杂判断会变贵。
七、普通数据人该怎么办
写到这里，很容易滑向焦虑。
“你必须升级，否则就完了。”
我不想这么写。
因为大多数人不是不努力。很多人已经很累了。白天工作，晚上学习；今天补 SQL，明天看 AI，后天刷面试题。焦虑没有减少，资料越囤越多。
但如果只给焦虑添柴，没有意义。
我更愿意给一个朴素的建议：先别急着追下一个风口，先把自己的工作能力重新分层。
第一层，是基础能力。
SQL、数据模型、调度、数仓分层、指标口径、基本统计、业务指标。这些东西不能丢。它们不一定让你脱颖而出，但没有它们，你站不稳。
第二层，是项目证据。
你做过什么，不重要到可以单独成立。重要的是，这件事能证明你什么。你是否解决过真实问题？是否做过判断？是否留下结果？是否经得起追问？
前几天我们连续写了两篇文章，讲的其实就是这件事：不要只说自己做过项目，要把项目整理成证据。
第三层，是业务理解。
数据人如果长期只站在取数后面，会越来越危险。你要知道数据被谁使用，用来做什么决定，错了会造成什么后果，慢了会影响什么节奏。
业务理解不是拍脑袋，也不是陪笑脸。它是知道数据在组织里怎么流动，怎么被误解，怎么被使用。
第四层，是 AI 时代的新接口。
这里不是说每个人都要变成大模型工程师。
而是你要知道，数据和 AI 会在哪里接上：数据准备、知识库、指标语义、权限控制、质量校验、评估集、业务流程自动化。这些地方，都需要懂数据的人。
如果你能把传统数据能力接到这些新问题里，就不会只停留在旧岗位的竞争里。
八、不要把求职者当成流量素材
这篇文章本来很适合写得更刺激。
标题可以更夸张一点，封面可以更焦虑一点，结尾可以更直接地引导咨询。说实话，这样可能更容易转化。
但我不想这么做。
因为当我看到那近 200 条私信时，首先想到的不是“这波流量能不能用”，而是这些人为什么都在找路。
有人可能刚从外包项目出来。
有人可能在金融、零售、制造业做了多年大数据开发。
有人可能已经做了八年，却发现市场上还是要重新证明自己。
有人可能只是想问一句：“这个岗位还在招吗？”
这不是流量。
这是很多人的日子。
如果我们要做内容，当然要让人点进来。但点进来之后，不能只给他一盆冷水，再卖一条毛巾。更好的内容应该像一盏灯，亮度有限，但至少能照清一点路。
所以，这篇文章的结论不是“大数据人完了”。
我的结论是：传统数据岗位的供需关系变了，企业正在重新计算数据人的价值。找工作难，不只是因为你不够努力，而是你所在的市场在换规则。
看清规则，不是为了认命。
是为了重新准备。
九、最后：岗位还在，但旧答案不够用了
一个个体户发出的普通岗位，短时间里收到接近 200 条求职沟通。
这件事本身不构成行业结论。
但它提醒我：我们不能再用过去那套轻松的说法安慰自己了。
“学好 SQL 就行。”
“会大数据组件就行。”
“做几年项目就行。”
“市场总会恢复。”
这些话都有一部分对，也都有一部分不够。
市场也许会恢复，但恢复后的市场未必买同一种能力。岗位也许还在，但岗位背后的要求已经变了。企业仍然需要数据人，但它更想要能把数据、业务和新工具连起来的人。
对个人来说，接下来最重要的不是恐慌，而是把自己从“同质化简历”里拎出来。
你要能说清楚：
我解决过什么问题。
我做过什么判断。
我留下过什么证据。
我能把过去的数据能力接到什么新的场景里。
如果这些问题还答不上来，那就不是再投 100 份简历能解决的事。它需要你回到自己的经历里，把那些被忽略的项目、判断、复盘重新整理出来。
求职市场很吵。
手机里的消息一条一条跳出来，像雨打在窗上。雨声很大，但真正要紧的是，屋里的人要知道自己下一步往哪里走。
后面我会继续把数据岗位的能力地图、项目证据模板、面试追问清单整理成更系统的材料。不是为了制造焦虑，而是为了让还想留在这个行业的人，能更清楚地准备下一步。
参考资料：
