数据分析职业规划：确定领域和路线

以前从事的领域属于地理信息行业，主要应用于车、船、飞机等载体，通过传感器等产品确定载体的位置、速度、姿态以及绝对时间等信息。公司是一家私企，主要业务是系统集成类项目，我在公司主要负责项目的策划及部分执行工作，由于团队人员较少，因此在项目中的工作比较繁杂，也因工作内容宽泛，不能很好地体现个人的能力，发挥个人的主观能动性，因此，在工作之余，结合自己的兴趣爱好、能力，学习了数据分析的相关技能。

其实，任何行业随着你深入发展，都分为3个阶段：初级，中级，高级。这根打游戏闯关一样，一级一级网上爬。所以，从总体上我给数据分析这个行业也对应规划为这3个阶段，你按下面各个阶段要求来对号入座。

1、初级数据分析师这类数据分析师分为2类：

1）Excel数据分析师工作内容：要求熟练使用Excel即可，常说的"表哥"就是这个职位。主要是给没有数据部门的产品经理打个下手。针对产品经理提出的需求来做分析。然后用PPT写一些分析报告即可。比如说，之前社群会员面试的一家互联网教育机构，他们的要求就是用Excel整理学生买课的信息，看看哪一门课程最受大家喜欢之类的。需要掌握的核心技能：Excel，统计概率。月薪：这种职位的大概薪资在一线城市的话大概税前有5000-7000块（以下说的薪资范围也都是针对一线城市的）

2）业务部门的数据分析师工作内容：这类数据分析师在业务部门。不需要会编程，但会的话有加分。比如用python写一些报表自动化。常见的职位名称有：数据分析师，数据运营，商业分析，战略分析，经营分析，市场行业分析需要掌握的核心技能：Excel，统计概率，简单的SQL查询。常见的职位名称有：数据分析师，数据运营，月薪：薪水大概是6000-10000。对于初级数据分析师的职业发展，如果喜欢业务方向，可以往管理端发展，常见的有数据运营经理，数据管理经理，数据产品经理。如果喜专研技术，可以往下面聊的中级数据分析师方向发展。

2、中级数据分析师：工作内容：这类数据分析师一般是IT部门的数据分析师。不仅要会技术还要懂业务，通过发现问题，分析问题，得出结论，为公司的决策做支持。主要干的工作是数据提取、报表开发、撰写分析报告。IT部门的数据分析师基本是涵盖了业务部门数据分析师的技能，还要会编程，就这么简单。薪资水平也是两个级别。需要的核心技能：统计概率，精通SQL，编程语言Python或者是R月薪：薪水大概是7000-10000+

3、高级数据分析师通过建立模型，预测，偏重于工程，主要技能是编程和算法。常见的职位名称有：数据开发工程师，数据挖掘工程师，数据仓库工程师，机器学习工程师需要的核心技能：统计概率，数学，精通SQL，编程语言Python或者是R，机器学习月薪：薪水在15000+数据科学家是这个行业的最终奋斗目标之一。你如果理论能力非常强，可以写paper，那么可以担任研究院的一把手。你如果工程技术能力突出，那么可以担任公司数据科学部门的老大。

入门和职业规划应该从两个角度考虑：领域和路线。

领域是不少新人常忽略的要素，其实数据分析不会脱离业务存在。你进入哪个行业，很大程度会决定你初期的技能树和技能点。譬如金融领域的风控模型、营销领域的生命周期、广告领域的点击率预估等，各有各的特色。如果是一位应届生，不妨多了解自己感兴趣的领域，多积累相关的经验，为面试做准备。如果已经有一定行业履历，只是想要转岗数据分析师，那么跨岗不跨行，尽量避免跳到一个陌生的领域。领域经验我给不了太多的指点，主要也就三点：1.自己感兴趣的，2.自己擅长的，3.有钱途的。成为某领域的数据专家，会是一个更好的筹码。

而路线大致可以划分成四大方向：数据分析，数据挖掘，数据产品，数据工程。

数据分析/数据运营/商业分析,这是业务方向的数据分析师。

数据分析师是一个基础岗位，如果专精于业务，更适合往管理端发展，单纯的工具和技巧很难拉开差距。Title比较常见的有数据运营经理/总监，数据分析经理等。

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，还是专精数据分析成为管理岗。

都叫数据分析师，其实天差地别。这里更多指代互联网行业，偏业务的数据分析师，一般属于运营部门。不少公司也称数据运营或者商业分析。

这类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；

实际的岗位中，不少业务端的数据分析师，主要工作都是第一点。别管它用汇总、分析、数据支持什么修饰词，基本是跑SQL，做报表。硬生生活成了业务端的表哥。这是很常见的情况，也是入门新人的第一个坑。因为从头到尾，这类分析师，都没有解决问题。业务部门往往更关心，某个指标为什么下跌或者上升。产品的用户是什么样的？怎么能更好的完成自己的KPI。

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这是一套标准的解决思维。分别对应what、when、who、why、how，每一部分都不是三言两语可以解释清楚。不要看它很简单，例如你通过多维分析，发现某个地区的活跃下跌了，不要急着把它作为分析的结论，这是不合格的数据分析。某地区的活跃下跌，只是现象，不是原因，把它作为结论提交，肯定会被骂的。你要解决的是，为什么这个地区的活跃下跌了。是该地渠道，是该地竞争对手，是该地市场环境？这些问题都是细化的范畴。并且，它们要能以量化解释，而不是我认为。做好了这点，才是一个真正的业务端的数据分析师。

解决问题是一方面工作，另外一方面，数据分析师的职责是将业务数据体系化，建立一套指标框架。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。你不能衡量它，就无法增长它，指的就是指标体系。指标体系可以业务部门建立，但数据分析师也挺合适。

一方面他们比数据挖掘这类技术岗位更贴合业务，一方面不像业务岗位对数据抓瞎。两者结合，这岗位也能称为数据运营。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。BI如果采购第三方，数据分析师负责BI没问题，如果自有开发，那么BI岗技术的色彩更浓厚。

数据分析思维和业务的理解，是分析师赖以生存的技能。很多时候，工具是锦上添花的作用。掌握Excel+SQL/hive，了解描述统计学，知道常见的可视化表达，足够完成大部分任务。机器学习这类能力，对此类数据分析师不是必须的，Python也一样，只是加分项。毕竟为什么下跌，你无法用数据挖掘解答。

数据分析师是一个基础岗位，如果专精于业务，更适合往管理端发展，单纯的工具和技巧很难拉开差距。Title比较常见的有数据运营经理/总监，数据分析经理等。商业/市场分析是另外一个方向，更多见于传统行业。你要开一家超市，你得考虑哪里开，这就要考虑居民密度，居民消费能力，竞争对手的多寡，步行交通距离，开车交通距离等。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。如果往其他分支发展，比如数据挖掘工程师，则要继续掌握Python和机器学习等。从业务型发展上来的好处是接地气，具备商业洞察力（天天搞报表，怎么可能不熟），这点是直接做数据挖掘，或者程序员转岗，所不具备的。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，还是专精数据分析成为管理岗。

学习资料：

• Excel和SQL可以网上搜索，也能买书，不多推荐。
• 指标体系的建立，可以看精益数据分析。另外有一本数据化决策，讲如何量化，比较宽泛。统计学可以看商务与经济统计，主要是前半部分。
• 还有一本数据挖掘技术——应用于市场营销、销售与客户关系管理。我推荐它是比较纠结的，这本书的知识点比较丰富，非技术人员也能理解，但是翻译太糟糕了…
• 学习数据化运营，可以看数据化运营速成手册，对新人比较友好的。
• 业务和数据分析思维，了解金字塔原理，看看case in point、 crack the case、BCG系列也不错。

数据挖掘/算法专家，这是技术向的数据岗，有些归类在研发部门，有些则单独成立数据部门。

数据挖掘工程师要求更高的统计学能力、数理能力以及编程技巧。

数据产品经理这个岗位比较新兴，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。

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。这个岗位，适合对数据特别感兴趣，但是数理天赋不高的职场人，那么以沟通、项目管理和需求规划为目标，也不错。

数据工程

数据工程其实更偏技术，从职业道路上看，程序员走这条道路更开阔。数据工程师，可以从数据分析师的SQL技能，往数据的底层收集、存储、计算、运维拓展。往后发展则是数据总监、或者数据架构师。因为数据分析出身，与纯技术栈的程序员比，思考会更全面一些，虽然技术底子的薄弱需要弥补。

结合我自身的兴趣爱好、职业技能，我决定选择营销领域，成为该领域内的数据分析师。我决定先从数据分析/数据运营/商业分析岗位开始做起。

爬取相关领域数据，使用集搜客爬取了拉勾网2018年7月招聘数据，爬取数据以数据分析为关键字，工作经验限定为1-3年、1年以下、不限三类，学历限定为本科及不要求2类，采集数据共计405条。采集数据包括公司名称、所属领域、融资阶段、所属区域、公司福利、职位名称、工作经验、学历要求、公司规模、薪资范围等。

关于后期的实践计划，要注重项目经验的积累，努力丰富简历上项目经验一栏的相关内容，根据招聘要求着手开始完善简历相关模块以及准备面试相关问题。

End

来源：知乎