您当前的位置:首页 > 互联网百科 > 大数据

写给想从事或已经入坑的数据分析师:超详细岗位方向说明与介绍

时间:2021-04-07 14:15:23  来源:今日头条  作者:数据炼金术师

数据分析师的真实现状

 

写给想从事或已经入坑的数据分析师:超详细岗位方向说明与介绍

 

近几年很多人想转行数据分析,不少人坚信可以在数据分析师这条职业之路上跑的远,跳的更高。

可惜,现实中在企业公司中张嘴闭嘴提到的“数据分析师”,远远不是你理想的那种高大上的职业

只要你有过几年切身体会过的工作经验,便会发现“数据分析师”这个职位里隐藏着太多猫腻。

现实是无论是很多人、很多HR或是老板都根本没有搞清楚数据分析到底是啥,且数据分析岗位设置更是毫无规划。

给人的感觉就是,只要是和数据扯上边儿的人,都叫“数据分析师”。更可怕的是,有时还会根据组织结构和部门职能,换着花样的叫,比如"业务分析师、用户分析师、运营分析师、策略/战略分析师"等等。

总之,听起来貌似都是和数据分析有关,而实际工作情况千差万别。尤其是在找工作时或者入职前,很多人没有搞清楚具体真实的工作内容,直接掉坑里!。

本来对数据充满激情,结果干着完全不搭边的事儿,心中发出惊呼“ 这啥玩意呀?和想象的差的太多啦!”

这种情况,真的怪不上别人,只能怪自己没有好好了解这个行业或者岗位情况,举几个例子来看一下:

场景 A:

  • 当企业规模不大时,往往需要身兼数职的“工具人”,公司领导自己就简单的认为:“不就是提取数据嘛,一个人干不完?干嘛要俩人?”,然后HR小妹更是稀里糊涂的写上要求:“需要熟悉Python,R,SPSS,Excel工具“

 

在这种工作场景中,招聘要求上写:“需要熟悉Python,R,SPSS,EXCEL工具”的公司,你往往会发现面试的时候,基本上EXCEL就够用了,而招聘要求中提到”有SPSS、Python的“,如果用人部门没有特别要求的话,那基本都是HR妹子从各大招聘网站搜索来的用人要求。

如此这般的操作,自然很容易把各种岗位要求混为一谈,最后的结果便是尴尬:招来的人不是想要的、面试的公司不是想进的企业。

场景 B:

  • 很多运营/市场/推广部门,对IT工作效率慢很不满意,而自己的人又没有数据解读处理能力,就想自己找个人去取数做做Excel表,还能做做统计分析多好。
  • 而对应的IT部门呢,人力投入不足。又没有内部管理,项目排期混乱,总是被人催着要数,逼急眼了就想着招个人取数,总是认为与数据相关的,来个人就都做了,性价比多高。

 

在这种实际场景中,尤其在中小企业中的很多同学,都是挂着所谓“数据分析师”头衔,实际上就是干打杂的“工具人”。每天工作特别琐碎、重复性的取数跑Sql、做Excel日报、各种莫名其妙的会议微信群,甚至各种设备和网路问题也得帮助处理。

不干会被喷被质疑,可真干了,那才叫个闹心,晚上睡觉都能被惊醒的那种闹心,真正能够踏下心来做业务分析的时间和机会太少了。

场景 C:

  • 业务部门普遍的共识都是觉得“数据是个好东西”,也特想招个懂“数据”的人帮着解决业务问题,而且普遍认为“IT部门根本不会用数据”,而IT部门呢又根本不搭理业务部门的需求想法,往往只去看老板的喜欢,看到“这段时间,老板特别中意数据中台”,那么它们要做个数据中台,才不管它能干什么、能怎么变现,是个饭折就行。

 

在这种实际工作场景中,往往就是求职者们一个个信心满满的去面试,稀里糊涂的面试通过后进了公司也搞不清楚自己到底应该干什么,考核标准和产出物交付也不明确,业务方领导总是埋怨你“没有价值产出”,IT技术方又总是让你“训练模型,鼓捣中台,治理数据”,结果到底整了个啥玩意,能不能挣钱谁也说不清楚。

这种项目工作一般都是不了了之,最后不是自己觉得没意思干不去了,就是第二年被优化掉了另谋出路。很可怕的是,不是我们不能干不会做,更多原因是公司管理者他们自己都没有想清楚要做什么,没有统一的战略规划。

 

区别数据分析的职业方向

想要搞清职业方向,我们必须放弃幻想,从三个基本现实出发来审视一下:

现实一:数据本来就是混乱的

数据的天然属性就是混乱多变,不仅本身如此,数据获取来源更是多种多样,错综交叉在一起。

真实数据的获取,有些企业可以自己产生、有些需要寻找外部数据、甚至需要人工手动收集。

不同的数据获取来源,数据特征各有不同,也造就了在数据处理和实际使用上也存在巨大的区别,

正所谓有需求才有供应,从而产生了不同的数据工作种类,即不同的数据分析岗位。

如果不加区分,都叫”数据分析师“,难免存在很多模糊和歧义,听起来感觉很抽象,不具体。

下面我们从数据来源这个现实情况出发来详细介绍一下,数据岗位的产生和发展历程。

写给想从事或已经入坑的数据分析师:超详细岗位方向说明与介绍

 

一般来说按常见的数据获取来源,目前主要的职业方向有4个,可以从五个维度来说明:

写给想从事或已经入坑的数据分析师:超详细岗位方向说明与介绍

 

  • 行业战略研究数据:一般来自第三方研究机构或者组织,主要包括宏观趋势数据,行业市场数据等等。
  • 行业战略研究方向:行业调查→行业分析→行业研究→行业策略→行业战略
  • 主要涉及行业领域:如资本投资、银行、基金证券等领域设专门岗位做行业研究,此类领域对行业政策都异常敏感
  • 职业核心关键能力:可以说完全不需要研发技术,就看你对某个行业理解,看你到底懂多少了,即行业洞察力。
  • 职业领域进入难度:理论上门槛低,而实际上特定领域企业的招募条件普遍不低,比如学历和资格证书这两项硬指标
  • 用户市场调研数据:一般来自调研问卷,包括客户/用户/产品/门店/经销商/地区等等情况
  • 用户市场调研方向:用户问卷→上门访谈→市场调查→市场策略→市场营销
  • 主要涉及行业领域:如零售、商超、快消、连锁店、耐用品等传统企业中常见的职业设定,
  • 职业核心关键能力:也是几乎不需要开发技能,重点看你的调研计划、问卷设计、访谈技巧、调研总结等相关经验
  • 职业领域进入难度:一般互联网大型企业,有专门用户调研岗位,小公司没有这个岗位,基本上都是由自己运营人员或者产品经理随手做了。
  • 外部平台统计数据:一般来自于企业经营活动高度相关的平台,比如电商领域中京东、淘宝天猫等平台数据
  • 运营平台分析方向:平台使用→数据提取→指标搭建→报表搭建→运营建议
  • 主要涉及行业领域:如京东、淘宝等电商系,公众号头条、微博等自媒体内容流量平台
  • 职业核心关键能力:不在于看得懂看不懂这个excel,完全看业务能力,跟技术操作没啥关系。
  • 职业领域进入难度:入门难度不大,基本上就是“大表哥/姐”的职业定位,比如每天从某个平台下载csv文件,然后收拾出所谓的Excel报表+PPT报告,再高级一点的就是“销售业绩、电商促销、转化漏斗、财务经营”等等分析套路。
  • 内部系统采集数据:企业自身交易系统、供应链ERP系统 、CRM、网站、App记录数据
  • 数据开发工程方向:数据处理→数据仓储→数据模型/数据中台→数据产品(BI),目前市场上真正追捧的职业路线。
  • 主要涉及行业领域:如互联网头部公司、或者有场景能生产数据的企业,而小公司一般也就玩到数据仓储阶段就OK。
  • .职业核心关键能力:考验综合技术能力,比如取数、仓储、建模、BI可视化、数据产品等等,相关研究越深入,交叉领域越多,要学的技术知识越多,因此单一的技能适应能力会非常局限、单一技能或者单一个人无法通吃。
  • 职业领域进入难度:考验个人与团队能力,专业的人、专业的团队,来干专业的事儿。比如数据库一般都是专业的人来做,而且具备规模的公司一般会组建专业团队来做,而非常可怕的是很多企业总是把这些技术岗位搞混淆,一概都叫“数据工程师啊、数据分析师啊、算法工程师啊、数据管理员啊...”,刚来的新人很容易被搞得头晕糊涂,不分东西。

通过上面的内容我们不难发现,定位数据岗位范畴,归根到底主要来自两大方面:技术差异和业务差异!而企业最理想的状况就是:根据不同的数据来源,从具体技术类型上的差异、以及业务类型上的差异这两个角度出发,公司企业就应该能够明确清晰的区分差异,从而衍生出四个不同方向的具体的操作岗位出来,绝不是说“都是分析师”,来一言以蔽之。

值得注意的是,现实中很多企业并没有意识到数据来源的重要性,以及它们在技术和业务上的差异性,最终导致岗位设置边界模糊、岗位范畴重复混淆,结果是运营部门招个分析师去做产品设计,财务部门招个分析师去做战略规划等等奇葩现象。

现实二:岗位认知是混乱的

无论是现在的网络课程、还是各种培训机构平台,都太喜欢数据分析、机器学习、人工智能这几个词了

同时公司岗位名称也随时代不断进步,由原来的数据专员、专管员、主管、电脑专管员等等发展成为一系列“高大上”称谓

比如:“商业分析师、数据分析师、大数据工程师、人工智能工程师等等”,叫着顺嘴,听着牛气。

写给想从事或已经入坑的数据分析师:超详细岗位方向说明与介绍

 

短短几个词非常迎合当前人才市场的招聘需求,也蕴含着巨大的职业教育商机和赚钱机会。

当然也就出现了各种花样包装、宣传手段、职业资格考试等等,来吸引小白们自掏腰包加入到数据科学这个领域中来

特别是培训机构自己搞的所谓的“职业资格证书”,它们和公司实际岗位工作存在很大误导性,举几个例子比如:

  • “商业分析师”,课程内容基本上都是 Excel + Sql + PowerBI + Tableau,找个模拟商业数据,画个仪表盘
  • “数据分析师”,课程培训体系一般是 Excel + Sql + Python,随便选几个典型分析案例,刷一遍代码
  • “大数据工程师”,大部分都是 Spark + Hadoop,搭个虚拟机搞分布式环境,再组个Spark、Flume、Kafka什么的。
  • “人工智能工程师”,更多是Sklearn + Tensorflow + Pytorch,用泰坦尼克、鸢尾花或者猫狗图片,训练个模型,调个参。

上面这些操作,通过简化或模拟真实工作场景,再弄几个数据集案例来训练报名学员,确实是降低学员操作难度,提高课程培训效率的好手段。

可实际上业务高于一切,公司企业的业务模式和工作内容千差万别,你学的那个AARRR五棍流或者电信流失预测,也许在实际工作中一点用处没有,你找的工作岗位也许跟你所期待的数据分析、人工智能相差甚远;你每天面对的更多的是业务理解上的问题,而不是写什么代码、用什么模型。

正所谓急功近利,容易走火入魔。模拟案例简化操作的办法虽好,但也仅适用于从事初级入门工作的茶树菇/表哥表姐们,来取个数、做个表格画个图表等简单操作,可要想深入的研究下去,就得好好掂量掂量自己的能力和份量了,而且案例训练这种方式,也极容易让学员产生幻想和误解:从来没做真正做过的项目,以为照着课程案例撸了遍代码,自己就都学会了,就有这个能力了,就敢在简历上写项目经验!尤其是近两年,遇到这样有水分的求职简历越来越多。

  • 还有就是我们常常听说的“高级XXX”,这类分析岗位比较特殊

具体来说,就是很多公司都会在业务发展、市场营销、战略策略等等部门安排“高级策略分析师、高级战略分析师、高级数据分析师、高级运营分析师、高级财务分析师等等”之类的职位,这类职业一般直接给部门领导或者老板汇报工作,不仅级别和工资高、而且不需要带团队带人,也就是公司中的“传说牛人”,“世外高人”这种感觉。

其实本质上,这类岗位对业务能力要求极高,一般都是见过大世面、能总览大局的,如果没有涉猎过战略规划,没有干过集团公司级项目,没有足够实战运营经验的话,根本不可能胜任,单纯靠溜须拍马上位的,没有真才实干,一旦对面是真正的大佬,也会很容易原形毕露,被直接秒杀。

值得注意的是:以上介绍的五类岗位称谓都是与数据高度相关的工作,加之企业管理者或者HR对岗位理解不到位、或者受到市场宣传吹捧的产生理解上的偏差,最终更多的操作是:把这些岗位都统称为“商业分析师,或者数据分析师”来发布招人信息和介绍职位,结果引来用工方和应聘者之间发生各种“货不对板”,这也是事实情况。

现实三:企业现状是混乱的

 

既然根据数据来源,结合技术差异与业务差异,最终可以完成岗位归属管理和细分设置。

那么企业理论上比较理想的状态,具有三大特点:

  • 市场调研、行业研究实行统一管理,统一归属市场部或战略发展部,外部平台,统一归业务管理
  • 数据开发条线完整(仓储、治理、建模、分析、产品),统一归属IT或者产品管理
  • 最终人人都会做业务分析,不再需要独立设置岗位!

看起来这样清晰简洁的职能分工,让我们的工作、汇报、晋升路线都很明确,个人发挥空间也很大。

可惜,理论很美好,现实很骨感,事实很残酷。

要实现这种理论上的组织架构和岗位设定,其实对企业有很多苛刻的要求:

  • 战略管理顶层够刚,给予绝对的授权支持
  • 管理者必须统一数据价值观,对发展目标有清晰认知
  • 管理者有足够的数据意识,各司其职,团结配合
  • 管理者对产生数据、使用数据、影响数据(理解业务三板斧)有充足的理解和认知
  • 企业有足够大的经营规模和资金支持
  • 企业组织结构与职责分工必须明确,相互不打架
  • 给予IT部门足够的资金投入和执行权力
  • 给予业务部门足够的人才投入,保证解读业务数据
  • 要求人力HR深度理解产生数据、使用数据、影响数据的业务环节

但凡在企业里工作过程,你就会明白,同时满足以上要求的企业基本上不存在。实际上,企业中有太多复杂问题会影响我们做出清晰的职能分工,我们不可能像数学公式解法那样来处理。

摸清面试公司的“这个数据分析师岗位到底是干嘛的?”

为了避免你不清楚公司岗位的具体内容而发生入职后踩坑后悔的情况发生,你可以通过询问以下关键问题,来快速理解该公司这个数据分析师岗位的基本情况:

写给想从事或已经入坑的数据分析师:超详细岗位方向说明与介绍

 

第一步、首先问清楚:你所在的是什么部门?它到底是隶属于业务部门、还是IT研发部门?

这个业务部门包括业务、市场、推广、战略等等,而研发部门偏向数据开发和产品,千万选择自己期待或者擅长的方向,大方向不能选错了。

第二步、如果你准备入职的是业务部门,我们可以直接问清楚:

  • 第1问:分析的是什么数据(行业研究、市场调研、内部系统采集、外部第三方统计)
  • 第2问:谁是你汇报的直属上级(是某个业务线领导还是专职数据部门领导)
  • 第3问:是否需要自己提取清洗数据,还是有BI平台或IT部门支持
  • 第4问:专题深度分析,具体涉及什么业务场景(可以自己举例子,看看对方是否感兴趣)

第三步、如果你准备入职的是IT研发部门,我们可以直接问清楚:

  • 第1问:公司是否有独立运营的数据部门,还是依附在其他部门或者根本没有?
  • 第2问:公司的数据仓储、数据加工ETL、BI平台有没有专职人员负责?
  • 第3问:公司研发部门是否有明确的数据产品或已投产的项目?
  • 第4问:公司的用户画像/模型/中台,是否有明确可变现的应用场景?

以上问题基本上能帮助你搞清楚,你面对的是家什么企业,它在招聘什么样的人。

剩下的就看你和企业双方的抉择了,相互共赢是最好的结果。

写在最后,收益与风险共存

求职者们都渴望自己能入职一家有好老板、目标可期、组织完善、分工明确的公司大企业

所以必须会在了解招聘岗位的时候,提前做一些调查和准备,但这并不能完全消除岗位模糊的问题

毕竟不是谁都能清楚各种职业问题,也不是谁都有人脉关系能够摸清楚企业内部真实情况。

那是不是意味着当我们搞不清楚这个岗位情况下,就完全没机会做出自己的事业呢?

当然不是!更多机会都是在不确定性中诞生中,都是用能力和实干拼出来的

如果组织架构不明确,反倒是自己打出一片天地的好机会,赶上公司目标迷茫,那就自己想办法做好业务干出成绩呗,要是部门领导很赏识,那就更该证明自己来升值加薪,遇到的岗位很基础自己不喜欢,那就优先选择大平台镀金,然后选择小平台锻炼能力;实在不甘心受不了了,人挪活,树挪死,那就直接换家公司或者转行寻找新机会。

机会总是留给有准备的人。面对企业岗位的不确定性风险,既不能粗心冒进更不能畏首畏尾,秉承在战略上要藐视敌人,又在战术上要重视敌人的核心思想,从技术上、业务上、心理上,全面锻炼能力准备自己,还要根据不同的实际情况来选择有效的方法,让自己的职业生涯越走越远。



Tags:数据分析师   点击:()  评论:()
声明:本站部分内容及图片来自互联网,转载是出于传递更多信息之目的,内容观点仅代表作者本人,如有任何标注错误或版权侵犯请与我们联系(Email:2595517585@qq.com),我们将及时更正、删除,谢谢。
▌相关推荐
1 内容总概不管是数据分析还是数据运营,少不了做分析报告,通常一份简洁的分析报告总是令人眼前一亮,但是,大部分同学拿到一组数据时,不能很好的应用,没有思路、想法和头绪,这里作者...【详细内容】
2021-09-14  Tags: 数据分析师  点击:(46)  评论:(0)  加入收藏
随着数据分析岗位招聘越来越内卷,问“你用过/建过什么模型”的也越来越多。这个问题很容易给人“面试造航母,工作拧螺丝”的感觉。实际工作中,真的要搞那么多模型???搞得很多同学...【详细内容】
2021-07-13  Tags: 数据分析师  点击:(70)  评论:(0)  加入收藏
明确目的带着问题出发,明确我们的目的是探索不同岗位、城市、公司数据人薪资是怎样的,所以是一个探索性分析。数据处理1、查看并理解字段拿到数据,大概看一下,总共有184条记录,量...【详细内容】
2021-07-06  Tags: 数据分析师  点击:(89)  评论:(0)  加入收藏
数据分析师的真实现状 近几年很多人想转行数据分析,不少人坚信可以在数据分析师这条职业之路上跑的远,跳的更高。可惜,现实中在企业公司中张嘴闭嘴提到的“数据分析师”,远远不...【详细内容】
2021-04-07  Tags: 数据分析师  点击:(175)  评论:(0)  加入收藏
一、漏斗模型1898 年,一个美国人提出了漏斗模型的概念,后来被总结为AIDA模型,从吸引客户的注意,到引起客户的兴趣,再到产生拥有的欲望,最后形成购买的行动,每个环节都会有客户流失,...【详细内容】
2021-03-16  Tags: 数据分析师  点击:(144)  评论:(0)  加入收藏
这几年越来越多的小伙伴涌入数据分析行业,呈现出井喷现象。每每有读者和学员问我如何转行、行业发展前景和个人发展路径,我都会提醒大家大家透过现象看本质,不要只是被表面光环...【详细内容】
2020-09-17  Tags: 数据分析师  点击:(139)  评论:(0)  加入收藏
引言很多年后,回想起今天努力学习新技能的自己,我会对自己说,“当初就是从一份免费课程开始,让我抓住了这个时代的机会”。 基础准备数据分析培训基础免费学。本章导览在互动模...【详细内容】
2020-07-17  Tags: 数据分析师  点击:(93)  评论:(0)  加入收藏
我今年30岁了,已经工作了快8年,上有老下有小,但是我看不到自己工作的未来,想辞职又不敢,这种情况下可以转行吗?一般情况下,我不告诉当事人晚或者不晚这个非黑即白的答案。因为懂的...【详细内容】
2020-03-11  Tags: 数据分析师  点击:(103)  评论:(0)  加入收藏
昨天有位刚入行数据分析的朋友跟我吐槽,自己入门到现在只会用excel做做分析图表,但是感觉越做越没有价值,数据分析似乎就是业务数据的分析员,不知道该如何提升自己。这是因为他...【详细内容】
2019-10-18  Tags: 数据分析师  点击:(140)  评论:(0)  加入收藏
▌简易百科推荐
张欣安科瑞电气股份有限公司 上海嘉定 201801 摘要:随着电力行业各系统接入,海量数据涌现,如何利用电网信息化中大量数据,对客户需求进行判断分析,服务于营销链条,提升企业市场竞...【详细内容】
2021-12-14  安科瑞张欣    Tags:大数据   点击:(9)  评论:(0)  加入收藏
1、什么是数据分析结合分析工具,运用数据分析思维,分析庞杂数据信息,为业务赋能。 2、数据分析师工作的核心流程:(1)界定问题:明确具体问题是什么;●what 发生了什么(是什么)●why 为...【详细内容】
2021-12-01  逆风北极光    Tags:大数据   点击:(25)  评论:(0)  加入收藏
在实际工作中,我们经常需要整理各个业务部门发来的数据。不仅分散,而且数据量大、格式多。单是从不同地方汇总整理这些原始数据就花了大量的时间,更不用说还要把有效的数据收集...【详细内容】
2021-11-30  百数    Tags:数据   点击:(21)  评论:(0)  加入收藏
数据作为新的生产要素,其蕴含的价值日益凸显,而安全问题却愈发突出。密码技术,是实现数据安全最经济、最有效、最可靠的手段,对数据进行加密,并结合有效的密钥保护手段,可在开放环...【详细内容】
2021-11-26  炼石网络    Tags:数据存储   点击:(17)  评论:(0)  加入收藏
导读:网易大数据平台的底层数据查询引擎,选用了Impala作为OLAP查询引擎,不但支撑了网易大数据的交互式查询与自助分析,还为外部客户提供了商业化的产品与服务。今天将为大家分享...【详细内容】
2021-11-26  DataFunTalk    Tags:大数据   点击:(15)  评论:(0)  加入收藏
导读:数据挖掘是一种发现知识的手段。数据挖掘要求数据分析师通过合理的方法,从数据中获取与挖掘项目相关的知识。作者:赵仁乾 田建中 叶本华 常国珍来源:华章科技数据挖掘是一...【详细内容】
2021-11-23  华章科技  今日头条  Tags:数据挖掘   点击:(20)  评论:(0)  加入收藏
今天再给大家分享一个不错的可视化大屏分析平台模板DataColour。 data-colour 可视化分析平台采用前后端分离模式,后端架构设计采用微服务架构模式。 前端技术:Angularjs、Jq...【详细内容】
2021-11-04  web前端进阶    Tags:DashboardClient   点击:(39)  评论:(0)  加入收藏
在Kubernetes已经成了事实上的容器编排标准之下,微服务的部署变得非常容易。但随着微服务规模的扩大,服务治理带来的挑战也会越来越大。在这样的背景下出现了服务可观测性(obs...【详细内容】
2021-11-02  大数据推荐杂谈    Tags:Prometheus   点击:(40)  评论:(0)  加入收藏
同一产品对老客户的要价竟然比新客户要高?这是当下“大数据杀熟”的直接结果。近年来,随着平台经济的蓬勃发展,大数据在为用户服务之外,也引发了多种不合理现象。为了有效遏制“...【详细内容】
2021-10-29    海外网   Tags:大数据   点击:(31)  评论:(0)  加入收藏
本人03年开始从事贸易行业,多年来一直致力于外贸获客和跨境电商选品等领域,最近有些小伙伴反馈海关数据演示的都挺好为啥用起来不是那么回事?大家看到数据时关注的有产品、采购...【详细内容】
2021-10-28  QD云龙    Tags:数据   点击:(33)  评论:(0)  加入收藏
最新更新
栏目热门
栏目头条