如今的雇主更愿意為多達578種無需認證的技術技能支付更多的費用，或者說這些技能沒有相應的認證，或者對投資這些技能的雇主來說無關緊要。

對于這些技術技能的調查統計數據令人印象深刻，在多達3,510個私營和公共部門中，78,138名美國和加拿大的技術專業人員通過其認證和非認證技能獲得薪酬。自從2000年以來，調研機構每季度都會發布IT技能和認證薪酬指數(ITSCPI)的跟蹤調查報告。

[[317969]]

熱門技能排名

人們可能已經注意到，與科技相關的熱門工作、熱門技能、熱門城市以及專業人士最佳雇主的排名名單并不缺乏。而人們一定想知道這些名單是如何創建的。

有關熱門技能和認證的排名的文章通常按支付給具有這些技能的員工薪酬進行排名。問題在于，薪酬是為企業員工的所有工作支付費用，而不僅僅是特定的需求技能或證書提供費用。使用這種方法，是否有可能劃分開特定認證或非認證技能的薪酬是多少，以及各種職責和工作，以及為各種職責、知識和能力或必要的軟技能支付多少薪酬?很少有人嘗試對此進行細化。

排名靠前的熱門技能列表的另一個流行來源是工作板塊(例如Dice、Hired、Monster、Indeed)，該板塊使用關鍵字搜索來統計工作職位中提及的人數，然后按數量對他們進行排名。招聘公司還采用另一種方法，對企業高管的薪酬數據進行調查或跟蹤。只要足夠聰明，就能夠理解基于數據樣本人口統計、調查方法、時間和偏差等因素的結果，但這也可能出現偏差，因此這些方法各具優缺點。

Foote Partners公司采用傳統的研究方法，獨立跟蹤和報告20多年來的個人工作、技能和認證績效，其簡單目標是供應商獨立性、高于平均可靠性的數據驗證，以及最重要的是達到更高的精確性。

未經認證的技術技能必須滿足兩個先決條件：為他們賺取薪酬遠高于IT技能和認證薪酬指數(ITSCPI)中報告的578種技能的平均水平;此外，他們在截至2020年1月1日的六個月中記錄薪酬市場價值的增長。以下各項的收入低于基本工資的15%(考慮到調查報告中列出所有技能的平均水平是基本薪酬的9.5%，這一點很重要)，并按照所賺取的薪酬溢價和市場價值增加(包括聯系)的降序排列。

1. 大數據分析

市值增長：11.8%(在截至2020年1月1日的六個月內)

在過去兩年中，與大數據分析相關的技能和認證的市場價值每季度都在增長。總體而言，在過去12個月中，與106個與大數據相關未經認證的技能的薪酬溢價在市場價值上增長了4.6%，平均相當于基本薪酬的12.3%。

對于使用高級數據分析使企業能夠理解、打包和可視化數據以提高決策能力的所有興趣。事實上，所謂的大數據技能市場異常波動：在調研機構基準研究中跟蹤的37項(或35%)大數據技能在2019年第三季度改變了市場價值。

2. 規范分析

市場價值增長：35%(到2020年1月1日的六個月內)

規范性分析是一個業務分析領域，致力于為特定情況找到最佳的行動方案，它與描述性和預測性分析都相關。描述性分析旨在提供對已發生情況的洞察力，而預測性分析則有助于對可能發生的情況進行建模和預測，而描述性分析則在給定已知參數的情況下，尋求在各種選擇中確定最佳解決方案或結果。它還可以為如何利用未來機會或減輕未來風險提出決策方案，并說明每個決策方案的含義。在實踐中，規范分析可以連續自動地處理新數據，以提高預測的準確性，并提供更好的決策選項。

規范分析中使用的具體技術包括優化、模擬、博弈論和決策分析方法。計算速度的提高和應用于數據集的復雜數學算法的發展，推動了對規定性分析技能的需求。

規范分析可以兩種方式使用：

• 通過分析通知決策邏輯。決策邏輯需要數據作為決策的輸入。數據的準確性和及時性將確保決策邏輯將按預期運行。決策邏輯是人員的邏輯還是嵌入在應用程序中都沒有關系，在兩種情況下，規范分析都會為流程提供輸入。規定性分析可以像匯總分析有關客戶上個月在產品上花費多少費用一樣簡單，也可以像預測向客戶提供最佳報價的預測模型一樣復雜。決策邏輯甚至可以包括優化模型，以確定向客戶提供多少折扣。
• 發展決策邏輯。決策邏輯必須發展以改善或保持其有效性。在某些情況下，決策邏輯本身可能會隨著時間的推移而出現缺陷或退化。衡量和分析企業決策的有效性或無效性，使開發人員可以改進或重做決策邏輯以使其變得更好。就像營銷經理查看電子郵件轉換率，并調整決策邏輯以針對其他受眾一樣簡單。或者，它可以像在電子郵件營銷活動的決策邏輯中嵌入機器學習模型一樣復雜，以自動調整向目標受眾發送的內容。

3. DevSecOps

市值增長：12.5%(在截至2020年1月1日的六個月中)

DevSecOps是將安全實踐整合到DevOps流程中的理念，涉及通過發布工程師與安全團隊之間持續，靈活的協作來創建“安全即代碼”文化。這是對原有的安全模型在現代連續交付流程中產生瓶頸影響的自然而必要的回應。目標是彌合IT與安全性之間的傳統鴻溝，同時確保快速安全地交付代碼。在交付過程的所有階段中，孤島思維被越來越多的通信和安全任務的共同責任所取代。

在DevSecOps中，兩個看似相反的目標——“交付速度”和“安全代碼”被合并為一個簡化的過程。為了與敏捷中的精益實踐保持一致，安全測試在迭代中完成，而不會減慢交付周期。關鍵的安全問題在出現時就需要得到處理，而不是在威脅或入侵發生后才進行處理。

以下是DevSecOps方法的六個重要組成部分：

• 代碼分析–將代碼分成小塊交付，以便快速識別漏洞。
• 變更管理–通過允許任何人提交變更來提高速度和效率，然后確定變更是好是壞。
• 合規性監控–隨時準備進行審核(這意味著保持合規性處于恒定狀態，其中包括收集GDPR合規性和PCI合規性等證據)。
• 威脅調查–每次代碼更新時識別潛在的新興威脅，并能夠快速做出響應。
• 漏洞評估–通過代碼分析識別新漏洞，然后分析響應和修補漏洞的速度。
• 安全培訓–培訓軟件和IT工程師，為其設定例行程序提供指導。

4. 安全架構和模型

市場價值增長：5.9%(在截至2020年1月1日的六個月中)

計算機和信息安全中的兩個基本概念是安全模型，它概述了如何實現安全性(換句話說是否提供了“藍圖”)和實現該藍圖的計算機系統的安全架構。安全架構是從安全角度對整個系統架構的看法。

為了滿足安全性要求，對計算機系統進行了組裝。它描述了邏輯硬件、操作系統和軟件安全等組件，以及如何實現這些組件來設計、構建和評估計算機系統的安全性。在過去一年中，網絡安全相關技能的薪酬增長了近3%，而威脅環境仍然是一個核心業務問題，調研機構預計，用于安全模型和架構的技能在未來將繼續保持強勁發展勢頭。

數據可以在全球任何地方即時復制和傳遞，這是新經濟的基本資源。數字創新依賴于數據、元數據和人工智能(AI)協同工作，以創建隨著時間推移變得更智能的系統。但是，雖然數據被用來推動決策和洞察，但它是存儲所學知識的元數據——哪些有用，什么時候使用，還有什么尚不確定，這是“更智能”的關鍵。去年，數字轉型正推動人們對元數據設計和開發技能產生新的興趣。

5. 智能合約

市場價值增長：13.3%(在截至2020年1月1日的六個月中)

智能合約可幫助企業以透明，無沖突的方式交換金錢、財產、股票或任何有價物品，同時避免中間人的服務。它們是運行區塊鏈的去中心化分類賬系統的產品，因此智能合約的技能與以太坊等都得到了飛躍發展，其用途幾乎無限，從金融衍生品到保險費、違約合同、財產法、信貸執法、金融服務、法律程序和眾籌協議。

6. 數據工程

市場價值增長：6.3%(在截至2020年1月1日的六個月中)

數據工程是數據科學的一個方面，專注于數據收集和分析的實際應用。對于數據科學家使用大量信息來分析問題等工作，都必須有收集和驗證其信息的機制。為了使這項工作最終具有任何價值，還必須有某種機制以某種方式將其應用于實際操作。這些都是工程任務：將科學應用于實際的功能系統。

7. 神經網絡

市場價值增長：14.3%(在截至2020年1月1日的六個月中)

神經網絡是一組算法，可以根據人類的大腦進行寬松建模，旨在識別模式。他們通過一種機器感知，標記或聚集原始輸入來解釋感官數據。他們識別出的模式是數字的，包含在向量中，所有真實世界的數據(包括圖像、聲音、文本或時間序列)都必須轉換為數字，并有助于聚類和分類。

企業可以將它們視為存儲和管理的數據之上的聚類和分類層。它們有助于根據示例輸入之間的相似性對未標記的數據進行分組，并且當它們具有要標記的數據集時，可以對數據進行分類。神經網絡還可以提取提供給其他算法進行聚類和分類的功能，因此企業可以將深度神經網絡視為涉及增強學習、分類和回歸算法的大型機器學習應用程序的組成部分。

8. Apache Zookeeper

市場價值增長：6.7%(在截至2020年1月1日的六個月中)

Apache ZooKeeper本質上是用于分布式系統的服務。它提供了用于提供分布式配置服務的分層鍵值存儲，同步服務以及大型分布式系統的命名注冊表。作為Hadoop的子項目引入，現在它本身就是一個頂級Apache項目。ZooKeeper的架構通過冗余服務支持高可用性。因此，客戶可以詢問ZooKeeper管理員。ZooKeeper節點將數據存儲在分層名稱空間中，就像文件系統或樹數據結構一樣。客戶端可以從節點上讀取和寫入節點，并以此方式獲得共享的配置服務。

Apache ZooKeeper的一些主要功能如下：

• 可靠的系統：該系統非常可靠，因為即使節點發生故障，它也可以正常工作。
• 簡單的架構：ZooKeeper架構非常簡單，因為有一個共享的分層名稱空間可以幫助協調流程。
• 快速處理：ZooKeeper在“讀取為主”工作負載(即讀取比寫入更常見的工作負載)中特別快。
• 可擴展：可以通過添加節點來提高ZooKeeper的性能。

Amazon DynamoDB是AWS公司產品組合的一部分，是一項完全托管的專有NoSQL數據庫服務，支持鍵值和文檔數據結構。DynamoDB公開了與Dynamo相似的數據模型(并從中獲得其名稱)，但是具有不同的實現。它使用跨多個數據中心的同步復制來實現高耐用性和可用性，并且與AWS其他服務不同，它允許開發人員根據吞吐量而不是存儲來購買服務。管理員可以請求更改吞吐量，并且DynamoDB將使用固態驅動器將數據和流量分布在許多服務器上，從而實現可預測的性能。它通過Elastic MapReduce提供與Hadoop的集成。

主數據管理(MDM)產生于企業改善其關鍵數據資產(如產品數據、資產數據、客戶數據、位置數據等)的一致性和質量的必要性。當今，許多企業(尤其是全球性企業)具有數百個獨立的應用程序和系統，跨組織部門或部門的數據很容易變得零散和重復，最常見的是過時的。發生這種情況時，很難準確回答有關企業任何類型的績效指標或關鍵績效指標(KPI)的最基本但最關鍵的問題。對準確及時的信息的基本需求非常迫切，并且隨著數據源的增加，對其進行一致的管理并保持數據定義的最新性，因此企業的所有部門都使用相同的信息是一個永無止境的挑戰。這就是將繼續推動主數據管理(MDM)技能發展的原因。

數據科學是一個多學科領域，它使用科學方法、過程、算法和系統從結構化和非結構化數據中提取知識和見解。數據科學與數據挖掘和大數據是同一個概念：使用最強大的硬件、最強大的編程系統和最有效的算法來解決問題。數據科學繼續發展成為技術專業人員最有前途和最有需求的職業道路之一。如今，數據專業人士明白，他們必須超越分析大量數據、數據挖掘和編程技能的傳統技能。為了為組織發現有用的情報，數據科學家必須掌握數據科學生命周期的全部知識，并具有一定程度的靈活性和理解力，以便在過程的每個階段獲得最大的回報。

Scala編程語言(“可擴展”的縮寫)彌補了Java中的許多缺陷，可以與Java集成，同時優化代碼以并發工作。它最吸引已經投資Java并且不想在生產環境中支持任何新事物的企業。

密碼學是在被稱為對手的第三方的情況下進行安全通信的技術實踐和研究。通常，密碼學是關于構造和分析防止第三方或公眾讀取私人消息的協議。信息安全性的各個方面(例如數據機密性、數據完整性、身份驗證和不可否認性)對于現代密碼學至關重要。現代密碼學存在于數學、計算機科學、電氣工程、通信科學和物理學等學科的交匯處。密碼學的應用包括電子商務、基于芯片的支付卡、數字貨幣、計算機密碼和軍事通信。

如今，密碼學主要基于數學理論和計算機科學實踐。密碼算法是圍繞計算硬度假設進行設計的，這使得此類算法在實踐中很難被對手突破。理論上有可能破壞這樣的系統，但是采用任何已知的實際手段來破壞是不可行的。因此，這些方案被稱為“計算安全”;理論上的技術進步(例如整數因數分解算法的改進)以及更快的計算技術，要求這些解決方案必須不斷調整。存在信息理論上安全的方案，即使具有無限的計算能力，也無法證明是可靠的方案，但是這些方案比最佳的理論上可破解但計算安全的機制在實踐中更難使用。

9. TensorFlow

市場價值增長：7.1%(在截至2020年1月1日的六個月中)

TensorFlow是谷歌公司開發的一種流行的開源深度學習庫，它利用機器學習的所有產品，利用其海量數據集，改進搜索引擎、翻譯、圖像標題和推薦。TensorFlow也用于機器學習應用，如神經網絡。其靈活的體系結構允許在各種平臺(CPU、GPU、TPU)上輕松部署計算，從臺式機到服務器集群，再到移動設備和邊緣設備。TunSoFror提供穩定的Python和C API，而不需要API向后兼容性保證C++、GO、java、JavaScript和SWIFT。第三方軟件包可用于C#、Haskell、Julia、R、Scala、Rust、OCaml和Crystal。

Python一直是TensorFlow的選擇，因為該語言非常易于使用，并且擁有豐富的數據科學生態系統，包括諸如Numpy，Scikit-learn和Pandas之類的工具。

美國國家標準技術研究院(NIST)是美國商務部的非監管機構，其任務是促進創新和產業競爭力。美國國家標準技術研究院(NIST)的活動分為實驗室計劃，其中包括納米級科學技術、工程學、信息技術、中子研究、材料測量和物理測量。可以說，目前在IT市場上對美國國家標準技術研究院(NIST)專業知識需求最大的推動力是其網絡安全框架，它提供了計算機安全指南的政策框架，以指導私營部門組織如何評估和提高其預防，檢測和應對網絡攻擊的能力。它提供了網絡安全成果的高級分類法，以及評估和管理這些成果的方法，并且被眾多企業和組織用來幫助組織轉變為主動進行風險管理。

Amazon Kinesis是一種AWS公司用于實時處理大數據的工具。Kinesis能夠每小時從大量數據流中​​處理數百TB的數據，這些數據來自諸如操作日志、財務交易和社交媒體等來源。 Kinesis填補了Hadoop和其他技術的空白，這些技術可批量處理數據，但無法實現有關不斷流式傳輸數據的實時操作決策。相應地，該功能簡化了編寫依賴于必須實時處理的數據的應用程序的過程。