学技术最怕「只学工具不明白用在哪」。大数据这行有个特点：不同行业的数据结构完全不同，懂场景的人更吃香。
1. 电商与零售：用户画像和库存预测
这是最常见的落地场景。
平台每天有浏览、加购、下单、退换货、优惠券核销等数据，工程师要做的是：
用户行为埋点采集
商品关联分析
用户分群
库存动态预测
活动效果复盘
比如「千人千面推荐」背后，不是算法岗一个人搞定，而是数据工程师先把用户表、商品表、行为表打通，再做特征层。
2. 金融风控：实时规则和反欺诈
金融场景对数据时效要求很高。
信用卡交易、登录设备、IP 地域、历史预期，都要在毫秒级参与判断。
常见动作包括：
实时流计算（Flink）
黑灰名单维表关联
特征快照
异常交易告警
风控指标追溯
这里最怕「数据口径对不上」：昨天坏账率和今天风控策略对不上，往往不是模型问题，是底层数据链路没统一。
3. 智能制造：设备数据和工艺优化
工厂里的传感器、PLC、MES 系统每天都在出数据。
工程师会做设备振动分析、产线节拍监控、良品率归因。
价值不在「画图」，而在于：
提前预测设备异常
减少停机
定位某道工序为什么波动
把工艺参数沉淀成标准模型
这类岗位通常要求懂一点工业协议和业务字段含义，纯互联网数仓经验要补场景。
4. 医疗与公共健康：专病库和数据治理
医疗数据复杂在字段杂、来源多、合规严。
医院侧常做：
HIS/EMR 数据整合
检查检验标准化
专病队列建设
科研报表
脱敏与权限隔离
这块对数据质量要求极高，一个诊断编码错位，分析结果就偏了。
5. 交通与城运：实时流量和调度
红绿灯、卡口、地铁客流、公交调度、路况事件，都属于典型大数据场景。
工程师会处理：
实时车流
轨迹数据
拥堵因子
信号联动
应急事件回溯
这类系统强调稳定和高并发，不像离线报表可以「明天再跑」。
EEC工信教考中心，高级大数据工程师，聚鑫汇
丁老师13522094648
马老师13391509126
为什么「场景经验」比组件名单更重要
同样会 Hive：
电商人关心埋点和复购
金融人关心实时特征和回溯
工厂人关心设备时序
医疗人关心主数据和脱敏
所以转行或晋升时，别只说「我会 Spark」，要说「我做过哪种业务的数据链路」。
数据工程师的竞争力 = 技术栈 × 行业场景 × 兜底治理能力
系统学的时候，建议按「一个行业场景＋一条完整数据链路」来做项目，比零散敲命令有用得多。
