做数据分析有前景吗？
做数据分析有前景吗？ 一数据本身没有价值，价值在于分析，基于数据和业务的分析是有前景的。
接触到的大厂朋友他们说，单纯的数据分析岗在国内互联网企业多是数据支持型，为产品、市场、供应链等部门服务，不直接产生价值（money）。
http://picx.zhimg.com/v2-8376d55f69494c1f6a635e34626baad3_r.jpg?source=1940ef5c
所以很多数据岗实质上干的是SQL、Excel、Python数据处理，日常写代码跑取数需求。或者更技术一点，做数据平台的开发。
但上述的这些都不是真正意义上的数据分析，随着BI、数据中台等技术的发展，取数必然会被机器代替，像Tableau已经初步实现根据描述指令来提取数据、生成图表。
http://picx.zhimg.com/v2-9ea3dad2694d9a383dd692e98f12a005_r.jpg?source=1940ef5c
二
就我个人这么多年的数据工作经验来说，具备业务深度、数据敏感度和闭环逻辑，是数据分析从业者能力的最大体现。
业务深度很好理解，就是不管做什么岗位，都得精通里面的每个环节、指标、流程、产品等，把分内的东西完完全全摸透，这是基础能力。拿汽车垂媒行业来说，作为一个营销数据分析师，必须得熟悉APP&WEB端产品形态、广告点位、投放模式、品牌车型、各种数据指标、行业信息等等，只要是该岗位关联到的业务都应该去研究。
数据敏感度其实是业务问题的数据化，你能否通过数据探索挖掘出业务场景中的变化、问题、原因、关联等信息。当你看到这个月漏斗转化低了10%的时候，你会怎么样去剖析、下钻这10%背后的来龙去脉。
闭环逻辑是解决问题的必要思维，说通俗点就是做事及时反馈，有头有尾、自洽他恰，这在数据分析中尤为重要，决定了你是取数师还是分析师。比如说销售部门向你提出A产品今年的用户画像是什么样的，明年该怎样针对用户做投放才能提高成交？
这样的问题就不是拉拉数据就能解决的，因为它涉及到现状分析、归因分析、竞品分析、策略建议等，最终给出一个基于数据发现的优化实施方案。如果没有闭环思维，东一榔头西一棒子，问题永远得不到解决。
http://picx.zhimg.com/v2-e7f91c6e45d53478bbd84ea0cc9a9c3c_r.jpg?source=1940ef5c
三
数据驱动是大势所趋，具备数据挖掘能力的人会更吃香。注意我这里说的不是数据分析岗，而是具备数据挖掘能力的人。
数字化普及的今天，越来越多的职位都会和数据打交道，所以每个人都可以去挖掘数据背后的价值，每个人都是数据分析师。
http://picx.zhimg.com/v2-4ba5e941bde5b5b42ee34d524ec55cb0_r.jpg?source=1940ef5c
同样是销售，在给客户讲方案的过程中，如果你能基于数据讲出自己的见解故事、对利弊的分析判断，比干巴巴的说产品更能打动客户。
在和领导的沟通汇报中如果能穿插一些关键数据，少用形容词，也会更容易博得好感。
回到数据岗本身，现在各大互联网公司、乃至传统行业都在拉拢数据人才，而且薪资不比技术少，一线城市基本5年以上能达到30K以上。
http://picx.zhimg.com/v2-53212d693eacc7f7c620b2755370d819_r.jpg?source=1940ef5c
http://picx.zhimg.com/v2-aeff1323d2361466cfd85241c68378e1_r.jpg?source=1940ef5c
http://pic1.zhimg.com/v2-9a9c2e4d46a06bcddec29481a1de5c32_r.jpg?source=1940ef5c
所以说前景是光明的，但务必要把握好什么是真正重要的东西。
四
关于技术这块也需要说说，术与道缺一不可。
第一种必须要掌握的技术是统计概率，这是基础的数学知识，但非常重要。统计概率中的很多知识点都可以用到日常数据分析中，比如抽样、回归、检验、可视化等。科学的数据分析方法论有助于帮我们建立逻辑思维。
第二种比较重要的技术是数据模型，或者说思维模型。比如用于增长分析的AARRR增长模型、用于用户体验分析的CX Index模型、用于竞争分析的SWOT分析模型...这些久经考验的模型会让你的分析思路更加清晰，也会更容易说服听众。
第三种是编程等IT技术。数据分析本身不需要很NB的IT技能，原来我们用Excel就够了，但后来因为大数据和机器学习的出现，才有了hadoop、hive、spark、python等，所以要看情况，如果对技术感兴趣，现在主流的工具都可以学学，所谓技多不压身。
http://picx.zhimg.com/v2-ae0c299872913a3600a71411943da332_r.jpg?source=1940ef5c
<hr/>Ps：有任何数据分析、Python编程问题欢迎来提问哦！ 聊聊现在最火热性感的数据行业～
大数据人才都在做什么？
商业/数据分析师/科学家/工程师都有什么区别？
需要什么技能？
具体内容点开视频看看吧 上来就谈什么大数据时代，信息爆炸，人才缺口，数字化转型的全是鬼扯。
谈前景，我们就需要将其具体分为：未来1年的前景；3、5年的前景和10年20年的前景。
首先，3年5年内，做数据分析还是很有前景的。尤其是对于那些工作1～3年内的同学或是应届毕业生，真的是一份非常有性价比的工作。
5g应用场景巨大，大量的中小企业甚至是国企，都面临着数字化转型。在这个浪潮中，数据分析作为非常基础的基建岗位，将会承担大量疏通数据下水道的工作，虽说不起眼且无法量化价值。但是说句不好听的，数据不准确不可用，再牛逼的数字化系统都白扯。所以在这个周期内，作为刚工作不久的同学来说，工作和薪酬都会有很多机会。
但是在将视野上升后再看，就不是那么乐观了。尤其是对于那些已经在大厂工作了3、5年的同学来说，数据分析其实并不能看到什么太大的前景。
从定位来说，数据分析处于辅助角色，大多数工作属于提数、取数、配看版做报表，缺乏对业务的深入洞察和理解（不在一线自己基本不可能补的上）。
从技术来讲，现在大量数据分析平台都支持sql拖拉拽功能，甚至机器学习都不需要调接口了，数据分析的竞争对手除了业务，其实还有日渐自动化的技术。
和看到这的同学聊点深入的问题：
假如你是一名在外卖平台的数据分析师，你真的自己做过生意，开过餐厅，送过外卖吗。如果没有的话，我们做出的分析和策略，凭什么比人家老板更专业，更能解决问题。
面对商家抛来的具体问题，例如如何策划一个营销活动，如何引流，如何获客，如何定价，如何设计菜单，如何做私域引流积累并提高复购率，这些实打实的问题，有多少分析师真正自己实操过，知道其中的门道，能作出解答。
数据分析师最大的问题在于工具有限且缺乏思维
有的人会说，数据分析师是和业务贴的最近的岗位，为什么会没有思维呢？
这个问题其实不能怪数据分析师不努力，毕竟能进大厂的数分，不论背景、学习能力还是智商，都不差，不努力的在少数，这个问题则更应该归结于系统问题。
众所周知创业公司的成败依赖于创始人的雄才大略，而大公司，则依赖的是系统的力量。在系统中，分工明确，每个部门，每个人各司其职，有可能你作出的贡献不大，但是在整个系统中，你只要正常产出，系统就会产生巨大的效益。
在这种背景下，数据分析的角色就是作为辅助部门，帮助业务通过数据的方式来验证他们的假设和策略的效果。重点来了，你的角色是辅助别人验证其思维结果，接触到的直接是答案，时间和精力都花在了根据答案找原因上，自然缺乏了自己找答案的能力。
举个不恰当的例子，你就像一匹瞎马，而产品、运营、商务甚至是销售，骑上你会跑得更快，能跳过一些沟沟坎坎，但是没有你人家自己一样也能走。而你离开了他们，别说自己走道了，连活下去都是问题。
这里抛出一个观点，数据分析应该是一种能力，而不应当成为一个专设的职业。
所以回到开头，单从前景来讲，三五年内，数据分析师，尤其是互联网的数据分析师，需求量和薪资依旧会持上升趋势。
所以对于应届生和工作3年内的同学，数据分析依旧是一个进入互联网非常好的机会，门槛不高、未来转型较为容易且薪水可观。
但是对于那些想把数据分析当作终身职业的同学来说，真的得好好思量思量
做数据分析的同学一定绕不开SQL和python，而这两个编程语言有非常不同的难度曲线。SQL属于入门容易，精通很难；而python属于入门看起来很容易，但是因为能学python的同学大部分没有专业背景，实际情况是学了几天连正确的复制粘贴都做不到，然后就放弃了。 没有，某些高赞回答利益相关，本身就是割韭菜做收费培训的，回答不具备客观性。
某985，实验室几个和我同样准备数据分析的颗粒无收 或者薪资极低，相反找Java开发甚至测试，运营的都有一些不错大厂的offer，薪资客观。
面试了很多厂子，一般来说进去三年之内就是sql 提数，没有什么晋升空间，找工作之前还特地问了几个在字节猿辅导做数分的，基本都是劝退的，叫我多考虑别的方向。只有卖课、做社群割韭菜的才会一味的劝你坚持，给你画大饼。我就后悔当初没听那些业内大佬的忠告，一意孤行。
今年秋招bilibili的数分1个岗位平均835个人申请。由于数据分析的可见难度低，以及无良培训机构和组织的宣传，导致各个专业都涌进来，今年牛客网上可以看出来情势之严峻，五花八门专业的都挂着个数据分析的牌子。其实做数分最合适的就是统计学专业。计算机不会屈才去搞数分的，那是开倒车。
很少有能让你真正参与到业务决策的场景，包括提建议之类的，大多数时间就是不停取数而已，所以你对公司的价值很难体现。
高级的数据运营和用户增长工作才是做业务，培训班说烂了的金字塔，漏斗，精益画布又或者可以解释万物的幸存者偏差之类的理论仅能应付一些二流厂的面试罢了。不要被割韭菜的骗了。要听就听真正在顶尖大厂做过多年数分现在是高管的大佬的一些经验和文章，比如前阿里的磊叔和前小米的取经哥，看了那么多课，这两位才是真神。某些半路出家发现数分好割韭菜辞职创业的就算了，这些人的优点是运营和销售(听说还卖的不错，且拉拢了一批拿到bat offer的大佬做广告，拜托人家能进去是因为人家本身就厉害，进不去的你也不会去找人家宣传不是，幸存者偏差嘛)，恰恰不是数据分析。
编程好就去转开发，数学好就去做算法，实在喜欢业务还可以转运营，喜欢大数据可以做大数据开发工程师或者数仓，切忌过分追求数据分析，死得很快。
以上 一
我以我的职业前景打赌，做数据分析是有前景的（循环论证有没有）。
认真点说，有一些挑战横在面前，有一些问题需要解决，有一定难度，但能解决的可能性不小。
还有一点天花板需要戳破（这个可以单独展开说一篇，挖个坑吧）
二
数据分析的前景如何，其实写过一篇类似主题的，大概在两年半之前。
现在回过头来看，内容还是有一定的参考价值，但是局限性也不小。
一方面是受限于自身水平，在于之前文章里提到的出路，并没有深入下去，只是一个数据分析从业人员对于公司的作用有一个 ROI > 1 的状态。
二是受限于自身经历，没有经过社会的历(du)练(da)，并不能很好的体会在不同工作环境、不同公司、组的情境下，会遇到什么挑战。
所以今天就再来聊聊这个话题，同时文末有彩蛋。
如果感兴趣之前这篇的话，戳这里：
邹昕：数据分析的出路在哪里
三
有人可能会说，未来五年十年，随着工具和技术的发展，数据分析会变得很容易，人人都需要会也都会，变成一个办公基本技能，就像做 PPT 一样，甚至像打字。
这个思路是很棒的，从技术的要求来看，数据分析肯定是会越来越容易的。
但是数据分析本身的竞争力，也不在于技术，而在于如何通过数据分析解决业务问题。
那这又引出另一个问题，既然数据分析的竞争力在于解决业务问题，那让业务方自己看数据不就可以了？最终还是不需要数据分析师？
这个思路也是没错的，业务方也需要懂一些数据分析，像之前合作愉快的产品经理，基本也都是分析框架清楚、懂数据的。
差异在于，术业有专攻，真正有用的数据分析的复杂度和灵活度，在未来可见的几年，还是没法自动化。
四
数据分析这个行业的挑战在哪里？
前文提到，两年前写的那篇，由于没有经过社会的历练，对于「挑战」这一块认识并不深刻。
挑战一：没有数据
一个段子说 ，「面试造火箭，工作拧螺丝」，放到数据分析就是：面试问如何做数据分析推动公司业务增加 10%，工作写 pipeline，理 logging，做报表。
挑战二：没有时间
可能是业务发展太快，招人赶不上进度；
可能是业务变化太快，熟悉业务速度赶不上；
可能是挂着数据分析的头衔，干着不擅长的事情；
可能是 infra & tools 太差，工作效率太低。
挑战三：不能有效推动业务
这里面原因多种多样，而且互相影响，一个典型的环路：
业务发展太快，招人赶不上进度；人手不够，数据分析师没法深入了解业务；因为不够了解业务，所以没法提出有效的问题，也不能很好的判断哪些需求是重要的；没有在解决正确的问题，导致数据分析产出不能影响业务；缺乏数据分析落地的实例，于是没有底气怼需求；进而循环往复。
挑战四：行业「天花板」
由于数据分析不是必需品，很多时候在不少公司又缺乏充足的落地的实例，于是行业整体看来，即不如技术类工种难度高、需求大，又不如产品类工种贴近业务，于是不管从在 headcount，还是拉薪酬，都需要更多理由。
挑战五：入门容易进阶难
我十分同意数据分析这门技能，不只是数据分析师需要掌握的，别的职能也需要懂些基本的，尤其在互联网行业。
比如一些常用的基本分析框架，简单的拉个数、做个报表，读懂 A/B test，能做简单的决定等等。
但是呢，数据分析这个行业，进阶非常难，因为实际操作中有很多坑，而这些坑，通过在学校或者书本里是很难找到的，即使有也是非常零散。
比如 A/B test，基本概念很简单，但实际操作中会有各式各样的坑让人欲仙欲死，直到出了《Trustworthy Online Controlled Experiments》这本书，系统的介绍了各种可能遇到的问题，解决办法，并且附上各大互联网公司实际的例子加以说明，深入浅出。
ps. 强烈推荐这本书，价格不便宜，但是很值得粗看再细看，没事刷刷抖音，再刷刷这本书。
即使如此，没有亲身掉进过这些坑的话，想要把各个知识点串起来举一反三，还是很有难度的，回头或许可以找时间聊聊这本书里面的例子和解读。
A/B test 还算是在相对比较 close-end 的问题，换到更加开放性的分析问题，就更是一个吃经验的活儿了。
五
对于这五大挑战，有三个大的问题需要解决：Infra, Hiring, Culture
Infra 方面，写 pipeline 并不可怕，可怕的是昨天能跑的 pipeline，今天莫名其妙就跑不了了；昨天能用的 function，今天死活不成；code 报错原因不明，周围问一圈也没有答案。
影响效率不说，还影响心情。
Hiring 方面，面试问的跟工作做的不太一样，这是很正常的，但还是需要尽量有 overlap，不过最好的，只找最匹配的。
数据分析师不想写 pipeline 怎么办？招 data engineering 来写？
凭啥 data engineering 就乐意干这些活儿，DE 的职业发展道路又如何展开？
Pipeline 不是自己写的，如何确保写出来的结果是自己想要的？DE 要不要贴近业务，还是按需求走，让写啥写啥？
杂活儿细活儿太多，招点 junior 的同学来做？那凭啥 junior 的同学就应该做这些，他们的发展前景又在哪里？
Culture 方面，哪些事情是数据分析师应该高优去做的，哪些事情是要推掉的，需要数据分析团队从上到下都去推这个氛围；
合作的职能对于数据分析师的预期是什么，需要个人、team leader 和 org leader 去设立基准；
至于什么时候该怼，什么时候该打脸，什么时候该认怂，这算是高阶内容了。
公司不同发展阶段需要的人才不一样，或者有的随着公司 hyper-growth，现在开始 rest and vest 如何解决；
绩效评估如何公正透明有效率，避免劣币驱逐良币？
这些当然不只应用于数据分析职能，但是由于数据分析这个行业发展不如工程师、产品经理成熟，自然变化更多，如果适应这些变化不断提升，就显得尤为重要了。
六
数据分析在 TikTok/字节跳动
先说明一下，这部分仅代表我个人观点，而且受限于在 TikTok/字节跳动到目前为止四个月的体验，观察到的也更多是商业化数据分析这个大组的特点。
可以对比一下 Facebook 来看，方便有个 benchmark，总体来看，从数据分析的角度二者互有胜负手
当然如果 TikTok 被 ban 了那就是另外一回事了，在中国工作 vs. 在美国工作也是两个非常不一样的场景，暂时抛开这俩不谈。
TikTok 的优势在于 scope、潜力和执行力，追赶空间在于 Infra&Tools，跨 BU 的信息流动与合作，以及成熟度
字节的特点基本与 TikTok 类似（废话，毕竟到目前为目还都是一个公司），会有一些不同点，但方向是一致的。
Scope: 一方面业务处在相对早期，同时团队人数少很多，自然每个人的 scope 就大很多了；当然到目前为止，Facebook 的 scale 还是要大很多的，尤其从商业化的角度，简直就是个印钞机。
潜力：这个比较直观，参考一下抖音和 TikTok DAU 增长的速度，对比一下 Facebook 和 Instagram；参考一下抖音变现的增长速度，对比一下 Instagram 和 Snap.
当然潜力不能当饭吃，就好比夸孩子「这娃是真的聪明，就是不努力所以学习不好」，这就涉及到下一个点
执行力：二者其实都强调 move fast，但是由于发展阶段不同，体量大了之后一是 move fast 本身就很难，二是犯错的成本会更大，导致做决定更谨慎。
比如 Facebook 早期可以 move fast and break things，现在再 break 一小时广告收入试试？再往大了说各种 regulation 也好，PR 风险也好，小公司或者产品早期反正 nothing to lose，可以 fail fast and iterate, 做大了之后就不好用这个决策模式了。
Infra&Tools: 一方面 Facebook 经过了更长时间的洗礼，这块自然比较成熟；另一方面人力成本决定在解决一个问题的时候，到底是堆人还是堆机器呢？随着中美人力成本的不断接近，我预测这个问题的答案也会越来越一样的。
跨 BU 的信息流动与合作：这点 Facebook 可能是一个非常非常高的标准，很难有公司做得如此公开透明的，不只是 TT/字节差得有点远，别的公司可能差得更多；这不一定是一个公司必须的，但是从员工的角度，我个人觉得是优势，让每个员工都可以了解公司的方方面面。
这方面 Workplace 功不可末，而字节使用的飞书也是一款很好的办公、合作、沟通、信息流通软件，但相比 Workplace 的话，如果飞书有 Feed 功能就更好了。
成熟度：既体现在职业发展路线的清晰度上，也体现在对于数据分析的定位上，TT/字节还有不少的空间可以提升。
比如 Facebook 数据分析职能建立的时间长，人数多，各级别不管是 IC 还是 manager 路线都有很好的例子，而字节则有几年的空间去改进，路线不够清晰，有点类似于3-5年前的 Facebook.
七
说了这么多，彩蛋来了。
我们大组国内部门数据分析大量招人，2-8 年经验为主，也有 0-2 年工作经验和实习的职位，做的是字节系商业化相关数据分析，产品包括抖音、TikTok、今日头条、西瓜、火山等，日常对接产品/运营/业务/工程师等 ，推动商业变现。
可以官网搜关键词「商业化数据分析师」、「国际化数据分析师」、「数据分析师-用户增长方向」、「商业分析专家-增长方向」、「BI 数据产品经理」、「数据分析实习生」、「BI数据产品实习生」，工作地点上海或者北京都有。
Base 美国的话，搜「Data Scientist - TikTok Ads」或者「Data Analyst - TikTok Ads」，但近期推进可能会有点慢，大选啊 deal 啊啥的，你懂的。
内推二维码我就不放了，感兴趣的话找认识的人，效果会比较好，或者你能找到我的联系方式要内推，也是可能的。
如果都看到这了，那就来个一键三连吧。
原创首发自 互联网行业数据分析的前景和挑战
页:
[1]