来源|小飞象&木木自由
前言
随着5G以及大数据时代背景下，数据分析领域相关岗位也是呈现多元化的发展趋势，如数据运营、经营分析师、商业分析师、数据科学家、数据工程师、数据架构师、算法工程师、数据产品经理、数据分析师……
无论从哪个视角来看，数据分析是不会脱离业务存在。也很大程度会决定我们所需要掌握的能力栈，如金融行业的风控模型、电商行业的转化漏斗模型等等。2023年生成式AI、各种大厂的数据大模型的火爆出世，ChatGPT都已经开始能自动化实现数据分析了，那么，我们应该是把数据分析作为一个行业，还是一种技能来看待呢？
将从数据分析领域的岗位详解以及数据分析在其他领域的应用进行简单的梳理分享，其目的主要让大家清晰地了解“数据分析”后，结合自己的自身经验和认知情况，是把数据分析作为行业，还是当做一项技能？仅供参考！
01偏业务方向的数据分析岗位
偏业务方向的数据分析，一般属于运营部门。有数据运营、数据分析师、商业分析、数据产品经理等，其岗位的职位描述一般是：
-
负责和支撑各部门相关的报表；
-
建立和优化指标体系；
-
监控数据的波动和异常，找出问题；
-
优化和驱动业务，推动数据化运营；
-
找出可增长的市场或产品优化空间；
-
输出专题分析报告；
下面我们介绍几个常见的岗位详解：
数据运营
主要负责运营相关数据的分析，协助运营人员制定数据分析策略，为日常运营提供数据支持，协调落地，形成推动闭环等，以活跃指标的下跌举例：
-
活跃指标下跌了多少？是属于合理的数据波动，还是突发式？
-
什么时候开始的下跌？
-
是整体的活跃用户下跌，还是部分用户？
-
为什么下跌？是产品版本，还是运营失误？
-
怎么解决下跌的问题
-
·····
在工具方面，主要以Excel+SQL+PPT+运营思维为主。总之，往往更关心某个指标为什么下跌或者上升。产品的用户是什么样的？怎么能更好的完成业务的KPI。
数据分析师
主要将业务数据体系化，建立一套指标框架，其次数据提取、清洗、多维度分析、预测；生成策略推动执行。如活跃下跌的问题，本质上也是指标问题。什么时候开始下跌，哪部分下跌，都能转化成对应指标，如日活跃用户数，新老用户活跃数，地区活跃数。指标体系如果工程化自动化，也就是BI，所以数据分析师可以算半个BI分析师，这里不包括BI报表开发。
在工具方面，主要以Excel+SQL+Python/R/SPSS/SAS+PPT。Excel+SQL是必备技能，Python/R/SPSS/SAS任选其一即可。一个优秀的数据分析师，应该业务、管理、分析、工具、设计都不落下。
总之，对于新人，比较普适的发展路线是先成为一位数据分析师。积累相关的经验，在一两年后，决定往后的发展，是数据挖掘和商业分析师，还是专精数据分析成为管理岗。数据分析的管理岗，比较常见的有数据运营经理/总监，数据分析经理等，相对应的能力是能建立指标体系，并且解决日常的各类「为什么」问题。
商业分析师
是另外一个方向，更多见于传统行业，一般更加宏观，偏行业研究，主要向高层汇报，基于商业问题和场景，通过数据洞察商业问题，为企业战略和决策提供数据支持，咨询/投行对该岗位的需求会比较多，会更多地关注国内外政策，对统计和业务能力要求更高。若在商业分析师做数据报告时，需要能站在整个行业的宏观角度，去看待本公司、所有竞对公司以及上下游的各种关系与优劣势等。
比如要开一家快递驿站，我们就需要考虑哪里开，这就要考虑居民密度，居民消费能力，竞争对手，网上的消费能力等因素。这些数据是宏观的大指标，往往靠搜索和调研完成，这是和互联网数据分析师最大的差异。
总之，商业分析师是需要有一定的MBA或商科背景，在能力上，需要对行业市场、上下游、商业敏感度有强烈的洞察力，能够体系化系统化的进行资料收集、市场研究、竞对研究和用户研究。
数据产品经理
这个岗位比较新兴，适合对数据特别感兴趣的产品经理。它有两种理解，一种是具备强数据分析能力的PM，一种是公司数据产品的规划者。
前者，以数据导向优化和改进产品。在产品强势的公司，数据分析也会划归到产品部门，甚至运营也属于产品部。这类产品经理有更多的机会接触业务，属于顺便把分析师的活也干了，一专多能的典型。最典型的场景就是AB测试。大到页面布局、路径规划、小到按钮的颜色和样式，均可以通过数据指标评估。俗话说，再优秀的产品经理也跑不过一半AB测试。此类数据产品经理，更多是注重数据分析能力，擅长用分析进行决策。数据是能力的一部分。
后者，是真正意义上的数据产品经理。随着数据量的与日俱增，此时会有不少数据相关的产品项目：包括大数据平台、埋点采集系统、BI、推荐系统、广告平台等。这些当然也是产品，自然需要提炼需求、设计、规划、项目排期，乃至落地。
总之，数据产品经理普遍要求如下：
-
负责大数据产品的设计，输出需求文档、产品原型；
-
负责推荐算法的产品策略，完成相关推荐及个性化推荐产品的需求分析；
-
负责分析和挖掘用户消费内容的行为数据，为改进算法策略提供依据；
-
负责客户端数据需求的对接，制定相关埋点规范及口径，相关业务指标验证；
-
报表展示工具的落地和应用；
-
·······
还有，数据产品经理必须了解公司或者业务线在不同的阶段，需要哪些数据产品，并能够制作出来，这是此职位的核心要求。其次，数据产品经理必须有足够的数据分析能力，如果有了数据分析的思维，再跟公司业务结合就会比较容易。最后，数据产品经理是产品经理的一种，所以要同时具备产品经理的能力：了解用户，需求调研，方案设计，协调技术、测试、设计等。从职业发展上看，数据分析师做数据产品经理更合适。普通的产品经理，对前端、后端的技术栈尚未熟悉，何况日新月异的数据栈。
02偏技术方向的数据分析岗位
偏技术方向的数据分析岗位，如数据挖掘/算法专家等岗位有的归在研发部门，有的则单独成立数据部门。与业务方向的数据分析师相比较来说，要求更高的统计学能力、数理能力以及编程技巧。有数据挖掘工程师、数据算法工程师、数据仓库工程师、数据科学家等岗位。
下面我们介绍几个常见的岗位详解：
数据挖掘
从概念上说，数据挖掘Data mining是一种方式，即可以通过机器学习，而能借助其他算法。比如协同过滤、关联规则、PageRank等，它们是数据挖掘的经典算法，但不属于机器学习，所以在机器学习的书籍上，你是看不到的。
实际的应用场景中，如共享单车，如何寻找单车使用效率最大化的最优投放，就是数据挖掘的工作范畴。数据挖掘工程师，除了掌握算法，同样需要编程能力去实现，不论R、Python、Scala/Java，至少掌握一种。模型的实施，往往也要求Hadoop/Spark的工程实践经验，精通SQL/Hive是必须的。
常见数据挖掘项目的闭环如下：
-
定义问题
-
数据抽取
-
数据清洗
-
特征选取/特征工程
-
数据模型
-
数据验证
-
迭代优化
总之，单看环节，数据挖掘对分析能力没有业务型那么高。这不代表业务不重要，尤其在特征选取方面，对业务的理解很大程度会影响特征怎么选取，进而影响模型质量。用户流失是一个经典的考题，如何选取合适的特征，预测用户会否流失，能够考察对业务是否深刻洞察。
还有，数据挖掘的业务领域一样可以细分。金融行业的信用模型和风控模型/反欺诈模型、广告模型的点击预估模型、电商行业的推荐系统和用户画像系统。从需求提出到落地，数据挖掘工程师除了全程跟进也要熟悉业务。
算法专家
数据挖掘往后发展，称为算法专家。后者对理论要求更严苛，几乎都要阅读国外的前沿论文。方向不局限于简单的分类或者回归，还包括图像识别、自然语言处理、智能量化投顾这种复合领域。这里开始会对从业者的学校和学历提出要求，名校+硕士无疑是一个大优势，也有很多人直接做数据挖掘。
深度学习则更前沿，它由神经网络发展而来，是机器学习的一个子集。因为各类框架开枝散叶，诸多模型百花齐放，也可以算一个全新的分支。除了要求熟悉TensorFlow, Caffe, MXNet等深度学习框架，对模型的应用和调参也是必备的，后者往往是划分普通人和大牛的天堑。
总之，算法专家和深度学习专家，薪资level会更高一级，一般对应于业务型的数据运营/分析总监。
数据工程师
更偏数据底层，其核心是做好数据仓库建设及ETL数据处理。这个岗位基本不涉及数据分析的能力，而对大数据处理能力要求较高，需要较强的编程及架构设计能力。分析历史、预测未来、优化选择，这是大数据工程师在“玩数据”时最重要的三大任务。通过这三个工作方向，他们帮助企业做出更好的商业决策。要求具备一定的统计学、数学理论知识，有实际开发能力和大规模的数据处理能力，对行业有认知。
在很多中小型的公司，一方面数据是无序的、缺失的、原始的，另外一方面各种业务报表又嗷嗷待哺。没办法，分析师只能自己撸起袖子，一个人当三个人用。兼做数据清洗+ETL+BI。
部分归属到技术部的数据分析师，虽然Title叫数据分析（其实应该叫数据分析开发工程师），其工作职责为建设数据仓库、数据库表开发、数据采集、清洗、存储、建模、数据应用、数据平台的建设优化等职责，这就是标准的数据工程路线。部分公司会将机器学习模型的部署和实现交给数据工程团队，这要求数据工程师熟悉sparkMLlib、Mahout此类框架。
除此之外，还有算法工程师（核心是机器学习等算法能力）、数据架构师（核心是平台建设及数据仓库建设能力）等等，这些岗位要么跟数据分析能力关系不大，要么能力模型已经包含在前面几个岗位中了，就不一一罗列了。
总之，数据科学家是上述岗位的最终形态之一。其要求的能力更加全面，基本综合了前面岗位的核心能力，并且对AI能力及编程能力要求更高，这个岗位也会成为未来数据方向的重点发展趋势。
，梳理和分享一些数据分析领域的岗位详解，让大家清晰地了解一些“数据分析”岗位中偏业务和偏技术的职责的不同之处以及发展方向。在5G以及大数据的时代发展下，互联网将作为底层的基础建筑，各行各业逐步完成数字化转型，开始更多地开始扎根，且在未来的一段时间内，根据相关数据统计：数据方面的人才需求还会保持每年40%的持续增长，甚至预计在2022年数据人才缺口达到300万人左右。但无论在“数据分析”的哪一方向上想要做出成绩，都需要自身具备过硬的技术实力与业务理解能力。
但是，从目前的阶段来看，“数据分析”技能也不再只是数据分析相关岗位的专属了，几乎所有泛商科的岗位，“数据分析”技能都是不可或缺的必备技能。如销售、市场、运营、策划、产品、技术等需要通过数据分析实现业务持续增长；财务、法务、人力等行政类岗位也是需要通过数据分析来提升工作效率，提高人效等指标。
即便不从事数据分析相关岗位工作，若掌握一定的数据分析思维以及处理能力也将成为你未来职场中绝对的加分项。那么，本文将梳理一些数据分析在其他领域的应用，其目的主要让大家清晰地了解“数据分析”不同领域的应用，结合自己的自身经验和认知情况，是把数据分析作为行业，还是当做一项技能？仅供参考！
我们就简单列举几个互联网以及行政类常见的应用以及数据分析的作用，其他领域这里就不一一列举了。
01运营领域应用
运营工作涉及到的数据分析，主要是有以下3个目的：
①描述现状
从日报，周报，月报等数据及时了解当下的运营情况以及变化趋势情况，更加趋向于短期的数据分析，如某考勤软件APP渠道投放360搜索，根据已经跑了两周的数据，对其投放效果进行分析，寻找现状的问题并产出对该投放的优化解决方案。可以通过对渠道落地页等数据的分析，优化用户路径，提高各环节的转化率。还可以获客质量、获客量级、获客成本，ROI等数据分析，筛选成优质渠道，为业务线增效降本。
②原因分析
通过数据分析来发现业务线中存在的问题，为业务增长优化以及优化业务流程等提供数据支撑。比如，某个APP渠道投放中，可通过新增用户注册量、活跃度、留存率等数据，可以看出用户在哪个环节流失比较多，出现问题比较多，那么后期在这个环节中，就可以多次进行试验，提升转化率。
③进行预测
通过数据分析找到数据中的某种趋势或者共性，从而更好地指导业务线中的运营动作。比如在新媒体运营中，通过以往对以往内容的关键词进行分析，找出打开率高、阅读量高、转发量高的内容，从而了解受众，更好地进行后面的选题和内容规划。
运营领域最常见的渠道运营中的广告投放，通过前期调研，针对目标用户人群进行分析，分析出该人群的用户画像，基于已有的用户数据，可以预测该渠道投放后的转化率，通过这些信息作为精准化投放，实现更多的预期管理。
总之，运营工作涉及到的数据分析，主要是预测和复盘。更好的优化运营策略，规划业务重心以及运营抓手。主要的数据分析方法有漏斗分析、趋势分析、对比分析、描述统计分析、归因分析、细分分析等。(后面将逐一梳理这些分析方法)
02产品领域应用
产品工作涉及到的数据分析主要是通过可量化数据指标来评估产品的改进方向是否成功。
▊产品初始期，通过对市场及竞品的数据分析，可以更好的为自身产品开发提供理论依据，从而避免产品没有市场需求或者避免产品踩到竞品踩过的坑。
▊产品发展期，通过数据分析可以优化产品功能，提升用户体验，使产品更好的符合用户需求，赢得市场。
▊产品成熟期，通过数据分析可以获取对产品新的想法，扩展产品功能，使产品二次创新，为产品未来发展布局，避免进入产品衰亡期。
数据分析是伴随产品全部生命周期的重要分析行为之一，在产品发展的不同阶段，数据分析的侧重点也有所不同。
总之，作为一名产品经理必须养成数据思维习惯，掌握数据分析方法论。在产品迭代发展的过程中，通过数据驱动以保证产品按照更好的方向发展。主要的数据分析方法有A/B测试、竞对分析、5W2H分析法、波士顿矩阵分析、RFM用户分层分析等。(后面将逐一梳理这些分析方法)
03财务管理领域应用
在财务管理领域主要通过数据分析的作用有：
①掌握企业生产经营的规律。企业的生产经营活动，随着生产的发展、业务量的大小等遵循一定的规律性。不同的行业，对资金的占用、需求遵循不同的规律。
②了解企业的经营管理现状和存在的问题。企业生产经营的规律性，具体反映在财务分析指标的各项数值中。通过数值的比较，可以发现经营管理问题，找出差距，为企业的经营决策服务。
③弄清企业的优势和弱点，做到知己知彼，为企业在市场上开展竞争和制定发展战略服务。企业的优势和弱点，反映在企业偿债能力、收益能力、发展潜力等各项指标数值上。
其主要侧重在以下几个方面的分析。
①偿债能力。通过财务报表反映的资产、负债、盈利和现金等指标来分析企业额短期偿债能力和长期偿债能力。企业的偿债能力反映了企业经营风险性，同时也体现了企业是否善于利用负债为企业获取更大的利益。包括现金比率、资产负债率、负债权益比率、现金流量负债比率等。
②盈利能力。通过报表反映的企业的利润构成情况并分析盈利能力的大小。通过盈利能力分析，可以发现各项业务对企业利润或企业价值的贡献大小，便于管理者采取措施改进业务结构或业务模式。包括销售毛利率、销售净利率、总资产报酬率、盈利现金比率等。
③资产运营能力。通过组成运营能力分析，发现并改进企业经营过程中对各项资产的利用状况，从而为提高企业盈利能力和核心竞争力打下良好基础。主要包括资产周转率、现金周转率、应收账款周转率、流动资产周转率等。
④现金能力。现金流量表信息在反映企业偿债能力、支付能力、财务灵活性、持续经营能力等方面有着修正作用。因此，从现金流量着手来分析企业的现金能力是至关重要的。
总之，通过分析有关财务指标，了解企业的财务清空，有效地制定经营管理策略和发展策略。同时，通过比较、分析这些指标，还可弄清竞争对手的优势和弱点，以便采取有效的竞争策略。主要的数据分析方法有PEST分析法、结构化分析法等。
04人力管理领域应用
在人力管理领域主要通过数据分析的作用有：如果从经营角度看人力资源，就是看人力资源配置是否合理、产出是否恰当，人员更迭是成本增加还是减少，人员的供给是否满足业务成长要求，人员的增加是否带来正向的经营结果改善等等。
在此领域的分析可以分为横向和纵向分析，横向分析一般指和同业优秀公司对标，看差距和位置。纵向分析是对企业历史数据进行对比，看是改善了还是恶化了。但数据的选择和分析维度很重要，不是简单的汇总，而是通过分析发现问题，从而按图索骥找到解决问题的方法。
比如，如果要分析人力投入产出比，可以用人均产能，但是人均产能不能衡量质量好坏，更直接的是用人工投产比，就是每1块钱人工的投入产出多少产值，这个相对更科学一点。
其主要侧重在以下几个方面的分析。
①产能分析：人工投产比；
②创新分析：人工创新比=创新总值/人工总值（这里创新总值一般由公司定义范围和权重，人工总值可以用全部人工或从事创新工作的 人工，全部人工适合学习型组织，创新人工适合职能型组织）；
③薪酬水平分析：对比外部同业分析薪酬水平状况，依据薪酬战略确定薪酬调整方案，起到留住员工、激励员工的作用；
④团队成长分析：依据不同职位、等级系数对比分析团队成长情况；
⑤团队成长可靠性分析：依据团队成长对比产值成长看团队成长是否合理，是否带来业务健康增长，如果结合外部数据对比就更有效，可以剔除大环境带来业绩变化的因素。
以上只是简单地梳理了几个维度，还可以有离职率等维度，需要具体情况具体分析，结合企业经营才真正能发挥作用。总之，人力资源数据分析是战略人力资源或业务人力资源落地的基础，要做到人力资源数据分析的有效性，需要对业务充分了解，找出分析维度，真正诊断问题的关键点，从而促进企业经营和战略目标实现。主要的数据分析方法有结构化分析法、对比分析法、描述分析法等。
总结
2024年，数据分析的前景将必然随着时代必然是在变化的。“数据分析”技能已经渗透到各个领域了，除以上列举的常见领域应用外，还有制造业中，通过数据分析来提升产品质量和缺陷跟踪、供应计划 、制造过程缺陷跟踪、产量预测、提高能源效率等，在政府流程中，使用和采用大数据分析可提高成本，生产力和创新效率。在新媒体内容管理中还可以预测观众的需求、告定位投放、内容偏好等等。
总的来说，数据分析完全可以说当做一个技能，用它来服务自己的本职工作是非常有价值的，对数据敏感，能够通过数据分析来发现业务提升的机会，是很多企业对未来职场人的基本要求。当其他人还在用经验或者教条主义指导业务的时，你却能通过洞察数据，观察规律，进而做出可落地执行的业务决策，驱动业务线高效的增长，为企业降本增效，这也就是“数据分析”之所以成为企业“新动力”的根本原因。
当然，对于职业的选择来讲，比能力、经验、天赋甚至所谓的职业前景重要的多得多。因此，是把数据分析当做一个技能去支撑行业发展业务岗位上，还是术业有专攻的去从事专业的数据分析相关岗位上，就需要我们必须结合自己的自身经验和认知情况和大环境以及所处公司等诸多因素来思考，是把数据分析作为行业，还是当做一项技能？