如今的雇主更愿意为多达578种无需认证的技术技能支付更多的费用，或者说这些技能没有相应的认证，或者对投资这些技能的雇主来说无关紧要。
对于这些技术技能的调查统计数据令人印象深刻，在多达3,510个私营和公共部门中，78,138名美国和加拿大的技术专业人员通过其认证和非认证技能获得薪酬。自从2000年以来，调研机构每季度都会发布IT技能和认证薪酬指数(ITSCPI)的跟踪调查报告。
热门技能排名
人们可能已经注意到，与科技相关的热门工作、热门技能、热门城市以及专业人士最佳雇主的排名名单并不缺乏。而人们一定想知道这些名单是如何创建的。
有关热门技能和认证的排名的文章通常按支付给具有这些技能的员工薪酬进行排名。问题在于，薪酬是为企业员工的所有工作支付费用，而不仅仅是特定的需求技能或证书提供费用。使用这种方法，是否有可能划分开特定认证或非认证技能的薪酬是多少，以及各种职责和工作，以及为各种职责、知识和能力或必要的软技能支付多少薪酬?很少有人尝试对此进行细化。
排名靠前的热门技能列表的另一个流行来源是工作板块(例如Dice、Hired、Monster、Indeed)，该板块使用关键字搜索来统计工作职位中提及的人数，然后按数量对他们进行排名。招聘公司还采用另一种方法，对企业高管的薪酬数据进行调查或跟踪。只要足够聪明，就能够理解基于数据样本人口统计、调查方法、时间和偏差等因素的结果，但这也可能出现偏差，因此这些方法各具优缺点。
Foote Partners公司采用传统的研究方法，独立跟踪和报告20多年来的个人工作、技能和认证绩效，其简单目标是供应商独立性、高于平均可靠性的数据验证，以及最重要的是达到更高的精确性。
未经认证的技术技能必须满足两个先决条件：为他们赚取薪酬远高于IT技能和认证薪酬指数(ITSCPI)中报告的578种技能的平均水平;此外，他们在截至2020年1月1日的六个月中记录薪酬市场价值的增长。以下各项的收入低于基本工资的15%(考虑到调查报告中列出所有技能的平均水平是基本薪酬的9.5%，这一点很重要)，并按照所赚取的薪酬溢价和市场价值增加(包括联系)的降序排列。
1. 大数据分析
市值增长：11.8%(在截至2020年1月1日的六个月内)
在过去两年中，与大数据分析相关的技能和认证的市场价值每季度都在增长。总体而言，在过去12个月中，与106个与大数据相关未经认证的技能的薪酬溢价在市场价值上增长了4.6%，平均相当于基本薪酬的12.3%。
对于使用高级数据分析使企业能够理解、打包和可视化数据以提高决策能力的所有兴趣。事实上，所谓的大数据技能市场异常波动：在调研机构基准研究中跟踪的37项(或35%)大数据技能在2019年第三季度改变了市场价值。
2. 规范分析
市场价值增长：35%(到2020年1月1日的六个月内)
规范性分析是一个业务分析领域，致力于为特定情况找到最佳的行动方案，它与描述性和预测性分析都相关。描述性分析旨在提供对已发生情况的洞察力，而预测性分析则有助于对可能发生的情况进行建模和预测，而描述性分析则在给定已知参数的情况下，寻求在各种选择中确定最佳解决方案或结果。它还可以为如何利用未来机会或减轻未来风险提出决策方案，并说明每个决策方案的含义。在实践中，规范分析可以连续自动地处理新数据，以提高预测的准确性，并提供更好的决策选项。
规范分析中使用的具体技术包括优化、模拟、博弈论和决策分析方法。计算速度的提高和应用于数据集的复杂数学算法的发展，推动了对规定性分析技能的需求。
规范分析可以两种方式使用：
- 通过分析通知决策逻辑。决策逻辑需要数据作为决策的输入。数据的准确性和及时性将确保决策逻辑将按预期运行。决策逻辑是人员的逻辑还是嵌入在应用程序中都没有关系，在两种情况下，规范分析都会为流程提供输入。规定性分析可以像汇总分析有关客户上个月在产品上花费多少费用一样简单，也可以像预测向客户提供最佳报价的预测模型一样复杂。决策逻辑甚至可以包括优化模型，以确定向客户提供多少折扣。
- 发展决策逻辑。决策逻辑必须发展以改善或保持其有效性。在某些情况下，决策逻辑本身可能会随着时间的推移而出现缺陷或退化。衡量和分析企业决策的有效性或无效性，使开发人员可以改进或重做决策逻辑以使其变得更好。就像营销经理查看电子邮件转换率，并调整决策逻辑以针对其他受众一样简单。或者，它可以像在电子邮件营销活动的决策逻辑中嵌入机器学习模型一样复杂，以自动调整向目标受众发送的内容。
3. DevSecOps
市值增长：12.5%(在截至2020年1月1日的六个月中)
DevSecOps是将安全实践整合到DevOps流程中的理念，涉及通过发布工程师与安全团队之间持续，灵活的协作来创建“安全即代码”文化。这是对原有的安全模型在现代连续交付流程中产生瓶颈影响的自然而必要的回应。目标是弥合IT与安全性之间的传统鸿沟，同时确保快速安全地交付代码。在交付过程的所有阶段中，孤岛思维被越来越多的通信和安全任务的共同责任所取代。
在DevSecOps中，两个看似相反的目标——“交付速度”和“安全代码”被合并为一个简化的过程。为了与敏捷中的精益实践保持一致，安全测试在迭代中完成，而不会减慢交付周期。关键的安全问题在出现时就需要得到处理，而不是在威胁或入侵发生后才进行处理。
以下是DevSecOps方法的六个重要组成部分：
- 代码分析–将代码分成小块交付，以便快速识别漏洞。
- 变更管理–通过允许任何人提交变更来提高速度和效率，然后确定变更是好是坏。
- 合规性监控–随时准备进行审核(这意味着保持合规性处于恒定状态，其中包括收集GDPR合规性和PCI合规性等证据)。
- 威胁调查–每次代码更新时识别潜在的新兴威胁，并能够快速做出响应。
- 漏洞评估–通过代码分析识别新漏洞，然后分析响应和修补漏洞的速度。
- 安全培训–培训软件和IT工程师，为其设定例行程序提供指导。
4. 安全架构和模型
市场价值增长：5.9%(在截至2020年1月1日的六个月中)
计算机和信息安全中的两个基本概念是安全模型，它概述了如何实现安全性(换句话说是否提供了“蓝图”)和实现该蓝图的计算机系统的安全架构。安全架构是从安全角度对整个系统架构的看法。
为了满足安全性要求，对计算机系统进行了组装。它描述了逻辑硬件、操作系统和软件安全等组件，以及如何实现这些组件来设计、构建和评估计算机系统的安全性。在过去一年中，网络安全相关技能的薪酬增长了近3%，而威胁环境仍然是一个核心业务问题，调研机构预计，用于安全模型和架构的技能在未来将继续保持强劲发展势头。
数据可以在全球任何地方即时复制和传递，这是新经济的基本资源。数字创新依赖于数据、元数据和人工智能(AI)协同工作，以创建随着时间推移变得更智能的系统。但是，虽然数据被用来推动决策和洞察，但它是存储所学知识的元数据——哪些有用，什么时候使用，还有什么尚不确定，这是“更智能”的关键。去年，数字转型正推动人们对元数据设计和开发技能产生新的兴趣。
5. 智能合约
市场价值增长：13.3%(在截至2020年1月1日的六个月中)
智能合约可帮助企业以透明，无冲突的方式交换金钱、财产、股票或任何有价物品，同时避免中间人的服务。它们是运行区块链的去中心化分类账系统的产品，因此智能合约的技能与以太坊等都得到了飞跃发展，其用途几乎无限，从金融衍生品到保险费、违约合同、财产法、信贷执法、金融服务、法律程序和众筹协议。
6. 数据工程
市场价值增长：6.3%(在截至2020年1月1日的六个月中)
数据工程是数据科学的一个方面，专注于数据收集和分析的实际应用。对于数据科学家使用大量信息来分析问题等工作，都必须有收集和验证其信息的机制。为了使这项工作最终具有任何价值，还必须有某种机制以某种方式将其应用于实际操作。这些都是工程任务：将科学应用于实际的功能系统。
7. 神经网络
市场价值增长：14.3%(在截至2020年1月1日的六个月中)
神经网络是一组算法，可以根据人类的大脑进行宽松建模，旨在识别模式。他们通过一种机器感知，标记或聚集原始输入来解释感官数据。他们识别出的模式是数字的，包含在向量中，所有真实世界的数据(包括图像、声音、文本或时间序列)都必须转换为数字，并有助于聚类和分类。
企业可以将它们视为存储和管理的数据之上的聚类和分类层。它们有助于根据示例输入之间的相似性对未标记的数据进行分组，并且当它们具有要标记的数据集时，可以对数据进行分类。神经网络还可以提取提供给其他算法进行聚类和分类的功能，因此企业可以将深度神经网络视为涉及增强学习、分类和回归算法的大型机器学习应用程序的组成部分。
8. Apache Zookeeper
市场价值增长：6.7%(在截至2020年1月1日的六个月中)
Apache ZooKeeper本质上是用于分布式系统的服务。它提供了用于提供分布式配置服务的分层键值存储，同步服务以及大型分布式系统的命名注册表。作为Hadoop的子项目引入，现在它本身就是一个顶级Apache项目。ZooKeeper的架构通过冗余服务支持高可用性。因此，客户可以询问ZooKeeper管理员。ZooKeeper节点将数据存储在分层名称空间中，就像文件系统或树数据结构一样。客户端可以从节点上读取和写入节点，并以此方式获得共享的配置服务。
Apache ZooKeeper的一些主要功能如下：
- 可靠的系统：该系统非常可靠，因为即使节点发生故障，它也可以正常工作。
- 简单的架构：ZooKeeper架构非常简单，因为有一个共享的分层名称空间可以帮助协调流程。
- 快速处理：ZooKeeper在“读取为主”工作负载(即读取比写入更常见的工作负载)中特别快。
- 可扩展：可以通过添加节点来提高ZooKeeper的性能。
Amazon DynamoDB是AWS公司产品组合的一部分，是一项完全托管的专有NoSQL数据库服务，支持键值和文档数据结构。DynamoDB公开了与Dynamo相似的数据模型(并从中获得其名称)，但是具有不同的实现。它使用跨多个数据中心的同步复制来实现高耐用性和可用性，并且与AWS其他服务不同，它允许开发人员根据吞吐量而不是存储来购买服务。管理员可以请求更改吞吐量，并且DynamoDB将使用固态驱动器将数据和流量分布在许多服务器上，从而实现可预测的性能。它通过Elastic MapReduce提供与Hadoop的集成。
主数据管理(MDM)产生于企业改善其关键数据资产(如产品数据、资产数据、客户数据、位置数据等)的一致性和质量的必要性。当今，许多企业(尤其是全球性企业)具有数百个独立的应用程序和系统，跨组织部门或部门的数据很容易变得零散和重复，最常见的是过时的。发生这种情况时，很难准确回答有关企业任何类型的绩效指标或关键绩效指标(KPI)的最基本但最关键的问题。对准确及时的信息的基本需求非常迫切，并且随着数据源的增加，对其进行一致的管理并保持数据定义的最新性，因此企业的所有部门都使用相同的信息是一个永无止境的挑战。这就是将继续推动主数据管理(MDM)技能发展的原因。
数据科学是一个多学科领域，它使用科学方法、过程、算法和系统从结构化和非结构化数据中提取知识和见解。数据科学与数据挖掘和大数据是同一个概念：使用最强大的硬件、最强大的编程系统和最有效的算法来解决问题。数据科学继续发展成为技术专业人员最有前途和最有需求的职业道路之一。如今，数据专业人士明白，他们必须超越分析大量数据、数据挖掘和编程技能的传统技能。为了为组织发现有用的情报，数据科学家必须掌握数据科学生命周期的全部知识，并具有一定程度的灵活性和理解力，以便在过程的每个阶段获得最大的回报。
Scala编程语言(“可扩展”的缩写)弥补了Java中的许多缺陷，可以与Java集成，同时优化代码以并发工作。它最吸引已经投资Java并且不想在生产环境中支持任何新事物的企业。
密码学是在被称为对手的第三方的情况下进行安全通信的技术实践和研究。通常，密码学是关于构造和分析防止第三方或公众读取私人消息的协议。信息安全性的各个方面(例如数据机密性、数据完整性、身份验证和不可否认性)对于现代密码学至关重要。现代密码学存在于数学、计算机科学、电气工程、通信科学和物理学等学科的交汇处。密码学的应用包括电子商务、基于芯片的支付卡、数字货币、计算机密码和军事通信。
如今，密码学主要基于数学理论和计算机科学实践。密码算法是围绕计算硬度假设进行设计的，这使得此类算法在实践中很难被对手突破。理论上有可能破坏这样的系统，但是采用任何已知的实际手段来破坏是不可行的。因此，这些方案被称为“计算安全”;理论上的技术进步(例如整数因数分解算法的改进)以及更快的计算技术，要求这些解决方案必须不断调整。存在信息理论上安全的方案，即使具有无限的计算能力，也无法证明是可靠的方案，但是这些方案比最佳的理论上可破解但计算安全的机制在实践中更难使用。
9. TensorFlow
市场价值增长：7.1%(在截至2020年1月1日的六个月中)
TensorFlow是谷歌公司开发的一种流行的开源深度学习库，它利用机器学习的所有产品，利用其海量数据集，改进搜索引擎、翻译、图像标题和推荐。TensorFlow也用于机器学习应用，如神经网络。其灵活的体系结构允许在各种平台(CPU、GPU、TPU)上轻松部署计算，从台式机到服务器集群，再到移动设备和边缘设备。TunSoFror提供稳定的Python和C API，而不需要API向后兼容性保证C++、GO、java、JavaScript和SWIFT。第三方软件包可用于C#、Haskell、Julia、R、Scala、Rust、OCaml和Crystal。
Python一直是TensorFlow的选择，因为该语言非常易于使用，并且拥有丰富的数据科学生态系统，包括诸如Numpy，Scikit-learn和Pandas之类的工具。
美国国家标准技术研究院(NIST)是美国商务部的非监管机构，其任务是促进创新和产业竞争力。美国国家标准技术研究院(NIST)的活动分为实验室计划，其中包括纳米级科学技术、工程学、信息技术、中子研究、材料测量和物理测量。可以说，目前在IT市场上对美国国家标准技术研究院(NIST)专业知识需求最大的推动力是其网络安全框架，它提供了计算机安全指南的政策框架，以指导私营部门组织如何评估和提高其预防，检测和应对网络攻击的能力。它提供了网络安全成果的高级分类法，以及评估和管理这些成果的方法，并且被众多企业和组织用来帮助组织转变为主动进行风险管理。
Amazon Kinesis是一种AWS公司用于实时处理大数据的工具。Kinesis能够每小时从大量数据流中处理数百TB的数据，这些数据来自诸如操作日志、财务交易和社交媒体等来源。 Kinesis填补了Hadoop和其他技术的空白，这些技术可批量处理数据，但无法实现有关不断流式传输数据的实时操作决策。相应地，该功能简化了编写依赖于必须实时处理的数据的应用程序的过程。
