
经常有同学问:数据分析师成长是否有轨迹可循?从我自身体验+服务过大量企业情况来看,数据分析师成长是有路线的,只不过不同的企业给到数据分析师的成长天花板不同,所以大家感受才差异明显。
总的来看,可以分为五个阶段
阶段1:取数阶段
SQL Boy是数据分析师们必经阶段,所谓“猛将发于行伍,宰相起于州县”,正是此理。因为真正工作中取数,并不是对着一个清洗好的大宽表写sql那么简单。
为了提高数据质量,确保取数正确,有很多很多繁琐的工作要做:了解数据口径,了解产生数据的业务系统&业务流程,了解数据库设计,设计合理的埋单需求,要检查数据质量,要了解人工填报错漏背后真实原因……繁琐、纠结、复杂,都是工作常态。
当然,SQL Boy本身也被吐槽得很厉害,人人都讨厌当“人肉取数机”。不过这不是取数本身的错,而是很多企业仅仅让数据分析停留在这个阶段,没有规划更长远的发展道路,换个公司就能解决问题。
阶段2:需求阶段
“给我一个数,下班前要,快点”——这是要求。
“我们在本月新上一个活动,需要监控效果”——这是需求。
满足业务的需求而非要求,是数据分析师获得认可,独当一面工作的重要一步。很多公司在招聘“高级数据分析师”的时候,“高级”俩字主要就看:能不能自己搞掂业务方需求。能搞掂需求,就不需要事事等着领导安排;就不需要让业务反复提数还不满意;就有机会想到业务前头,找到更多合作机会。
从要求到需求,一字之差,却意味着很多相关能力的提升。你不能埋头苦干,业务说啥就跑啥数,这样总是被业务牵着鼻子团团转。你不能等着领导一件件教,常见的销售、运营、产品、供应、生产需要看啥指标,有啥分析维度,自己的心里有数。
你得主动沟通,提出方案引导业务,把零散的需求合并成可以固定监控的报表。这样才能达成满足需求,体现工作业绩的目的。这需要在数据认知、业务认知、沟通能力上都有进步。
在一些部门关系融洽,数据和业务好的公司,这一步很容易实现。但有些公司就难了,公司缺少合作氛围,只把数据分析师当人肉取数机。如果身陷这种环境,做数据的同学一定要勇于突破,换个好一些的公司,不然,很容易长年累月生闷气,又没啥进步。
阶段3:分析阶段
注意!并非所有的业务需求,都需要分析,很多需求就是简单的“监控下数据”。但是能体现数据分析师价值的,一定是分析型的需求。通过分析问题,让领导们觉得数据分析有用,这才有进一步晋升机会。
凡是经历过从0到1建立数据部门,或者从1到10壮大数据部门的同学,都会对此深有感触。领导们在思考问题的时候,想到请数据组长过来聊一聊,想到问一下数据的建议,比什么KPI/OKR考核,都能更快促成升职加薪。
在这个阶段,经常要面临理论与实际、理想与现实的冲突,比如:
明明数据采集很少,老板们却希望“深入分析”。
明明没有科学抽样,老板们却希望“做出合理评估”。
明明有问题暴露,老板们却希望“结果呈现好一点”。
为了满足需求,经常需要分析组组长/经理们反复横跳。往往是先努力学习统计学、算法等知识,努力收集同行、同业做法,然后再对着自己公司破烂不堪的数据想办法,然后再“心领神会”地接受老板旨意,想办法满足老板们靠谱/不靠谱的需求。
很多理想主义者会倒在这一关,吐槽老板们不靠谱,吐槽上位的同事只会忽悠,觉得自己一身真才实学没地方发挥。注意!跳槽并不能解决这一阶段的问题,即使换个公司,也很难保证数据质量100%好,老板100%懂得并遵守统计学、算法的规定。这一阶段必须得自己思想先开悟才能挺过去。
阶段4:价值阶段
几乎所有公司的数据部门的领导,都面临过这种灵魂拷问:
“你分析的有什么用?”
“你的工作绩效怎么考核?”
“你对整个公司的发展贡献了啥?”
当初求数像条狗,看到报告嫌人丑,是非常真实的从业状态。作为数据分析师,想要进一步让业务认可,光靠ppt和excel输出是不够的。必须得打造几个固定的价值点,有自己的产品输出才行。
这个阶段很考验数据部门领导的项目运作能力(画饼能力)。找热点话题,引导老板们表达需求,把数据产出向“数字化转型”“数据赋能”“数据化管理”等热点上蹭,和业务部门搞好关系,多收表扬信,相互吹捧体现价值,都是基本操作。
这个阶段,“如何包装数据产品”与“如何提升客户体验”是两个关键话题。包装数据产品,可以结合不同时间段的热点话题,比如趁中台概念火,就搞CDP+MA数字化运营,比如趁着大家喊“数字化转型”,先把“战情观察室”“管理驾驶仓”等BI项目上了,比如趁数据赋能火,把移动端报表上了。用工具替代临时取数,后边写绩效才有保证。
提升客户体验,则要先清晰目标客户是谁。大老板、业务部门领导、一线是三类完全不同的群体。往往对上要多讲同业先进概念,画大饼。对业务和一线,则是找他们最关心的话题,做利益交换:数据证明业务做得好,业务证明数据产品有用。这里有很多细节操作可以讲,大家感兴趣的话,后续可以单独起一篇。
阶段5:管理阶段
经历了前四个阶段,实际上已经能在公司里混到数据部门领导了,只不过不同公司数据团队规模有差异,因此管辖权限会有区别。作为部门管理者,除了专业能力外,常规的管理方法也要有一定掌握。这个话题展开就大了,这里先不多说。
但是,并非所有的数据部门领导,都是走数据分析线升上来的。在我合作过的客户里,有一类是走业务线过来的,比如战略发展部/市场部,或者干脆是空降的。这一类领导往往在向上管理,在满足老板需求上很得心应手,但在服务其他部门,落地数据产品上较弱。
另一类则是走IT线过来的,比如做数仓、做业务系统起家的,这些人落地能力强,但向上管理,画饼能力都有待提升。也正是因此,我才有生意做,嘿嘿。
所以作为数据从业者,始终需要技术与业务并进。从取数到做项目,从做项目到做产品,从做产品到做管理的提升,不断地为公司创造价值,增强老板们体验,就能不断让自己进步,争取更多升职加薪机会。
注:此文转载自公众号“接地气的陈老师”
数据分析咨询请扫描二维码
若不方便扫码,搜微信号:CDAshujufenxi
在 “神经网络与卡尔曼滤波融合” 的理论基础上,Python 凭借其丰富的科学计算库(NumPy、FilterPy)、深度学习框架(PyTorch、T ...
2025-10-23在工业控制、自动驾驶、机器人导航、气象预测等领域,“状态估计” 是核心任务 —— 即从含噪声的观测数据中,精准推断系统的真 ...
2025-10-23在数据分析全流程中,“数据清洗” 恰似烹饪前的食材处理:若食材(数据)腐烂变质、混杂异物(脏数据),即便拥有精湛的烹饪技 ...
2025-10-23在人工智能领域,“大模型” 已成为近年来的热点标签:从参数超 1750 亿的 GPT-3,到万亿级参数的 PaLM,再到多模态大模型 GPT-4 ...
2025-10-22在 MySQL 数据库的日常运维与开发中,“更新数据是否会影响读数据” 是一个高频疑问。这个问题的答案并非简单的 “是” 或 “否 ...
2025-10-22在企业数据分析中,“数据孤岛” 是制约分析深度的核心瓶颈 —— 用户数据散落在注册系统、APP 日志、客服记录中,订单数据分散 ...
2025-10-22在神经网络设计中,“隐藏层个数” 是决定模型能力的关键参数 —— 太少会导致 “欠拟合”(模型无法捕捉复杂数据规律,如用单隐 ...
2025-10-21在特征工程流程中,“单变量筛选” 是承上启下的关键步骤 —— 它通过分析单个特征与目标变量的关联强度,剔除无意义、冗余的特 ...
2025-10-21在数据分析全流程中,“数据读取” 常被误解为 “简单的文件打开”—— 双击 Excel、执行基础 SQL 查询即可完成。但对 CDA(Cert ...
2025-10-21在实际业务数据分析中,我们遇到的大多数数据并非理想的正态分布 —— 电商平台的用户消费金额(少数用户单次消费上万元,多数集 ...
2025-10-20在数字化交互中,用户的每一次操作 —— 从电商平台的 “浏览商品→加入购物车→查看评价→放弃下单”,到内容 APP 的 “点击短 ...
2025-10-20在数据分析的全流程中,“数据采集” 是最基础也最关键的环节 —— 如同烹饪前需备好新鲜食材,若采集的数据不完整、不准确或不 ...
2025-10-20在数据成为新时代“石油”的今天,几乎每个职场人都在焦虑: “为什么别人能用数据驱动决策、升职加薪,而我面对Excel表格却无从 ...
2025-10-18数据清洗是 “数据价值挖掘的前置关卡”—— 其核心目标是 “去除噪声、修正错误、规范格式”,但前提是不破坏数据的真实业务含 ...
2025-10-17在数据汇总分析中,透视表凭借灵活的字段重组能力成为核心工具,但原始透视表仅能呈现数值结果,缺乏对数据背景、异常原因或业务 ...
2025-10-17在企业管理中,“凭经验定策略” 的传统模式正逐渐失效 —— 金融机构靠 “研究员主观判断” 选股可能错失收益,电商靠 “运营拍 ...
2025-10-17在数据库日常操作中,INSERT INTO SELECT是实现 “批量数据迁移” 的核心 SQL 语句 —— 它能直接将一个表(或查询结果集)的数 ...
2025-10-16在机器学习建模中,“参数” 是决定模型效果的关键变量 —— 无论是线性回归的系数、随机森林的树深度,还是神经网络的权重,这 ...
2025-10-16在数字化浪潮中,“数据” 已从 “辅助决策的工具” 升级为 “驱动业务的核心资产”—— 电商平台靠用户行为数据优化推荐算法, ...
2025-10-16在大模型从实验室走向生产环境的过程中,“稳定性” 是决定其能否实用的关键 —— 一个在单轮测试中表现优异的模型,若在高并发 ...
2025-10-15