
文章来源: 接地气学堂
作者:接地气的陈老师
“我可能干了个假的数据分析师!”经常有同学发出这种感慨,然后到处发《数据分析师是干什么的》《数据分析师、数据工程师、数据运营、数据挖掘工程师、商业数据分析师、我随便写个什么分析师之间到底有什么区别》一类的帖子。之所以会这样,是因为大家看的常常是理想状态下的数据分析岗位职责与内容。
从本质上讲,数据分析是个技能,人人都可以学,人人都可以用。“数据分析”四个字拆开,可以细分成偏技术的“数据”部分——采集、存储、加工、展示数据;偏业务的“分析”部分——定义问题,设计思路、寻找答案、验证假设、跟踪结果。技能人人可以学,但在企业中,具体的活是得有人干的。在企业里,员工是按组织架构编排的。数据分析工作,最终还是要分配到某一个部门的某一个岗位。
蛋疼就从岗位开始……
因为数据分析不像销售、产品、运营一样是刚性岗位,大部分企业并不依靠数据分析挣钱吃饭。因此,数据分析岗位就不是一个常设岗位或者必须岗位。简单来说,这是个后娘养的部门。因此组织架构的设置就千奇百怪。导致的后果,就是:理想永远是美好的,现实只能自求多福。大家在网上看到的各种科学合理的“数据分析流程”“数据驱动业务”,到了现实里就七零八落。
O(╯□╰)o
理论上,在技术端,至少需要数据仓储,数据分析两个组,才能扛得住工作。数仓组搞掂数据采集、架构、性能问题,分析组搞掂取数问题。可实际上有完整架构的屈指可数,草台班子满地都是:
这就是无数做技术的同学苦恼的根源:公司没有重视数据这回事,指望一个人把数仓到BI到建模全搞了。于是搞得办事的人各种苦逼。尤其这两年,人工智能的东风给领导的朋友圈吹来了无数数据分析如何牛逼的文章。搞得能力向下兼容的招聘风气日盛。领导们想当然的以为“算法那么复杂,那么牛逼,找一个会算法的不就什么问题都能解决了?”
还真搞不掂。因为能力归能力,工作归工作。数据分析的工作方式,决定了一个人能做的是很有限的(如下图)。即使一个人有能力全部做,他也没精力同时出现在业务部门开会的会议室,跑数的工位,开发的机房三个地方。且不说仅仅是清洗数据,就需要消耗大量精力。过度指望一个人大包大揽的结果,就是丫样样都会一点,但样样不精通。
2,3,4步是开发的硬活,5,6,7步是数据分析的本质工作,但做算法、做专题、开发报表的工作细节完全不同,而1、8正是数据分析的起点与终点,不考虑业务需求,不跟踪业务效果,做了分析又有啥用呢?
在业务端,问题恰恰相反,是个人都想搞个分析,结果基层的表哥表姐越养越多(如下图)。
业务部门需要的是分析结论,不是一个数字。单纯告诉业务部门“本月销量350w,客户复购率20%”屁用没用,业务部门需要的是“这到底说明了什么问题”!做技术的同事,往往只能提供数字,而不是分析结论,所以业务部门养“分析专员”的风气就越演越烈。相当多的领导都喜欢安排一两个数据XX在组织下边,这里只列了一点点,实际上的还有更多更多的表哥表姐岗位……
数据砖员们的工作是很辛苦的。虽然名字也带“数据分析”然而做的工作基本就是在excel里搬数据(常常往返于csv格式与excel工作薄格式之间),做图表,贴到ppt里,在折线图下边写上:“本月销量低了,要搞高!”然后就能静静等着领导回复:“分析的一点也不深入!”了
鬼愿意过这种日子啊!(▼㉨▼メ)
业务端的分析,需要对业务本身有认识和较深的分析能力积累。这样才能有勇气和手段从合作部门嘴里了解到业务到底在干什么,才能在经营过程中准确定义问题,才能构建适合自己公司的分析思路。这些都不是花5000雇个表哥表姐能解决的。可怜的基层表哥表姐们,往往都是新入职没两年,在公司人都不认识几个。别说分析问题了,连张嘴问别人问题,都会吃一个白眼:“关你什么事,做你的去”。这样的状态真的分析不了啥。
我非常能理解业务部门老大们对IT的不满。“就知道跑个数字,分析啥了?”这种抱怨从我入行第一天一直听到现在;我也非常能理解业务部门老大们用数据分析当招牌填充人编的做法。问题是这样大量铺专员真的不是解决问题的办法。因为想要分析输出结论,需要的是做分析报告的人有分析思路和解决问题的能力。正如郭德纲讲相声好笑,那是因为他会讲相声,不是因为他长得胖。以为花5000雇个表哥做个ppt就能分析了,就像以为从街上拉个矮胖子就能把人逗笑一样……
所以理论上讲,最好的结构应该是业务端找有资历,有经验的少数人承担。技术端按需求排架构,多一些人把数据质量、数据处理、BI做起来。这样数据质量高,数据形式多,方便使用,同时业务上也能解读出含义,有能力推动数据成果落地——然鹅这又是一个理想。从业那么多年,除了银行体系和少数大型互联网公司外。就没几个企业真的重视这回事,该招表哥继续招表哥,该养阿尔法狗继续养狗。
o(* ̄3 ̄)o那个,开心就好……
正如某位前辈所言:现阶段数据分析领域的主要矛盾,是人民群众日益增长的对大数据人工智能的幻想,与落后的基础数据开发建设之间的矛盾。
这两年能清晰数据的角色和地位的企业相对多了一些,早些年情况更混乱。XX分析师的XX甚至都是HR小妹妹现编的,岗位JD里复制一段话出来百度,都能找出来一堆一模一样的JD。那个年代我接到猎头电话,往往在丫blabla一堆“分析”“挖掘”“模型”名词之后。直接来这么一句:来,我们说点实在的,向什么部门的领导汇报?是写ppt的还是写代码的?区分效果群拔!
哈哈(ノ゚∀゚)ノ
总之不要被名字框死了思路,不要太纠结名字的文字。要看自己具体的工作内容,自己挂在哪个部门下边,具体分析,才能看清前途。
数据分析咨询请扫描二维码
若不方便扫码,搜微信号:CDAshujufenxi
CDA 数据分析师:就业前景广阔的新兴职业 在当今数字化时代,数据已成为企业和组织决策的重要依据。数据分析师作为负责收集 ...
2025-06-30探秘卷积层:为何一个卷积层需要两个卷积核 在深度学习的世界里,卷积神经网络(CNN)凭借其强大的特征提取能力 ...
2025-06-30探索 CDA 数据分析师在线课程:开启数据洞察之旅 在数字化浪潮席卷全球的当下,数据已成为企业决策、创新与发展的核心驱 ...
2025-06-303D VLA新范式!CVPR冠军方案BridgeVLA,真机性能提升32% 编辑:LRST 【新智元导读】中科院自动化所提出BridgeVLA模型,通过将 ...
2025-06-30LSTM 为何会产生误差?深入剖析其背后的原因 在深度学习领域,LSTM(Long Short-Term Memory)网络凭借其独特的记忆单元设 ...
2025-06-27LLM进入拖拽时代!只靠Prompt几秒定制大模型,效率飙升12000倍 【新智元导读】最近,来自NUS、UT Austin等机构的研究人员创新 ...
2025-06-27探秘 z-score:数据分析中的标准化利器 在数据的海洋中,面对形态各异、尺度不同的数据,如何找到一个通用的标准来衡量数据 ...
2025-06-26Excel 中为不同柱形设置独立背景(按数据分区)的方法详解 在数据分析与可视化呈现过程中,Excel 柱形图是展示数据的常用工 ...
2025-06-26CDA 数据分析师会被 AI 取代吗? 在当今数字化时代,数据的重要性日益凸显,数据分析师成为了众多企业不可或缺的角色 ...
2025-06-26CDA 数据分析师证书考取全攻略 在数字化浪潮汹涌的当下,数据已成为企业乃至整个社会发展的核心驱动力。数据分析师作 ...
2025-06-25人工智能在数据分析的应用场景 在数字化浪潮席卷全球的当下,数据以前所未有的速度增长,传统的数据分析方法逐渐难以满足海 ...
2025-06-25评估模型预测为正时的准确性 在机器学习与数据科学领域,模型预测的准确性是衡量其性能优劣的核心指标。尤其是当模型预测结 ...
2025-06-25CDA认证:数据时代的职业通行证 当海通证券的交易大厅里闪烁的屏幕实时跳动着市场数据,当苏州银行的数字金融部连夜部署新的风控 ...
2025-06-24金融行业的大数据变革:五大应用案例深度解析 在数字化浪潮中,金融行业正经历着深刻的变革,大数据技术的广泛应用 ...
2025-06-24Power Query 中实现移动加权平均的详细指南 在数据分析和处理中,移动加权平均是一种非常有用的计算方法,它能够根据不同数据 ...
2025-06-24数据驱动营销革命:解析数据分析在网络营销中的核心作用 在数字经济蓬勃发展的当下,网络营销已成为企业触达消费者 ...
2025-06-23随机森林模型与 OPLS-DA 的优缺点深度剖析 在数据分析与机器学习领域,随机森林模型与 OPLS-DA(正交偏最小二乘法判 ...
2025-06-23CDA 一级:开启数据分析师职业大门的钥匙 在数字化浪潮席卷全球的今天,数据已成为企业发展和决策的核心驱动力,数据分析师 ...
2025-06-23透视表内计算两个字段乘积的实用指南 在数据处理与分析的过程中,透视表凭借其强大的数据汇总和整理能力,成为了众多数据工 ...
2025-06-20CDA 一级考试备考时长全解析,助你高效备考 CDA(Certified Data Analyst)一级认证考试,作为数据分析师领域的重要资格认证, ...
2025-06-20