未来所谓大数据行业的人才缺口,指的更多是建设性人才而非创造性人才。
创造性人才的需求一直是少且薪资高的,而建设性人才多且门槛低的。
答主知道答主说的话打了很多培训机构千篇一律的说辞,但这是实话
数据分析的岗位前景不是不好,而是因为他是目前岗位中性价比奇高的一个岗位,大量人员涌入,竞争激烈且鱼龙混杂,很多人不明就里想进来,却没有深入了解这个岗位。
比如说,说起数据分析师你就知道是 sql 和 python,但你很少听过他们告诉你:指标体系,目标管理,ROI,用户画像,供需模型,abtest,但这都是数据分析师的工作,而且是拉开差距的工作。
如果你认清了该岗位的本质,很欢迎你找答主聊如何转行,如何学习的事情。
简单来说就是两点:
1.并非所有数据分析师都有能力承担公司重要项目和决策,他们很多工作只是数据基础建设和提供
2.所谓的低门槛高薪资只是数据分析行业内的两拨人,而不是一波人。很多人通过培训进来了,却发现高薪资和他们无缘。
以下内容节选自个人文章,帮你理清到底什么是数据分析师,已经你面临的是什么竞争环境
不要被名字迷惑了
二、中国特色下的数据分析师
数据分析在我国属于新兴行业,正在由稚嫩走向成熟,未来一定会更加规范。
当前市场上的大部分数据分析师岗位,有着:用最牛逼的要求,干最普通的活的特点。招聘方通常使用相似的岗位职责,例如:
招聘方通常使用相似的岗位职责,例如:熟练运用 sql 和 python;
熟悉 Hadoop,Spark 等分布式架构;
有独立项目经历,有数据挖掘的经验;
数学、统计学、计算机等专业优先。 但他们给求职者最大的烟雾弹是:究竟数据分析师是否能承担或者有足够机会承担企业或项目中的重要决策角色?
一方面,该现象是由于用人单位很难明确数据分析的岗位职责。这在中国还算是一个新行业,因为到目前为止没有办法,或者官方定义数据分析师的职责。这导致企业用人部门「借用」市场上的数据分析师要求,来要求其他人做其它事情。
另一方面,求职者和招聘者纷纷模糊上述烟雾弹存在的情况,以期找到个人发展或企业自身要求的捷径,来提升自己或招聘的竞争力。这也是行业未固化时难以管理的原因之一。
在上述情况下,数据分析师们顶着这样一个看似「高大上」的头衔,却干着天差地别的活。
还未搭建数据部门的公司需要数据分析师做【数据仓库】的工作,承担埋点、数据清洗,库表搭建的职责;
刚刚搭建数据仓库的公司需要数据分析师来使数据产生价值,输出【可视化】的方案,满足【业务方】的需求;
已经有成熟数据管理的公司需要数据分析师来提供【长期稳定且主动的分析输出】,并为进一步的数据挖掘和数据科学提供业务上的指导和特征工程方案。
这种在行业发展过程中导致的招聘方与应聘方的供需混乱是产生这种现象的根源
不过,若用发展的眼光看待,在未来的十几年,行业一定会找到供需平衡的点,这对于企业的降本增效,人才运用等有积极的作用。
所以如果想要深入了解数据分析的小伙伴,建议去看知乎知学堂官方的数据分析实战教程,相对比较靠谱、客观,贴合现阶段的用人需求。里面的课程内容,比大部分市面上的培训课程针对性要强,也更适合转岗、零基础的小白来学习实践、打基础。更重要的是它不止教你技术,更教你数分的思维和方法论,这点在当前教培市场是难能可贵的。
三、混乱的供需市场
企业需求导致的阶段性高薪,高校系统性教育的缺乏和教培市场的介入是混乱中的三方,但他们的未来都指向一个命题——即数据分析师的价值在哪里? 1、企业需求导致的阶段性高薪
企业为什么需要数据分析师,或者把命题在放宽一点,企业需要在数据和信息流通上搭建什么?
以对 C 端业务的互联网企业为例,我们在 APP 上的所有操作,都被记录在数据库中。庞大的流量和数据使得企业需要科学的数据仓库来分管和存放,可以理解为:书多了,我需要建一个图书馆。
而数据从业者,就是图书馆的管理人员。
企业在数据使用上需要几个职能:
(1)完成基础的数据搭建,包括制定埋点规范(埋点相当于在书旁边放一个传感器,你借一次,我们就知道你借了哪本书),数据仓库搭建和数据清洗;
(2)将清洗后的数据进行加工和可视化展示,类似于用切好的原材料去炒一盘菜。
(3)满足各业务部门的数据需求
(4)构建系统的指标体系,并用指标体系进一步优化数据报表和 KPI 管理
(5)搭建用户画像、生命周期等数据模型,在某些领域(供需模型、推荐模型等针对性的提出解决方案。)
(6)对已经跑通的业务进行数据挖掘和算法优化。
在上述情况下,所谓企业的阶段性高薪就来自于:1、对 4、5、6 职能中高端人才的期望;2、对 1、2、3 职能中人员补充的急迫;3、对以上职能需要的人才要求不明确或市场无法准确反馈。
更重要的是,以上 6 个主要职能,都可以叫数据分析师。
所以数据分析师的招聘要求大而全,且薪资诱惑力很大,一线城市的互联网大厂能给到应届生 20~30w 的年薪,与产品经理相似,仅次于软件工程和算法工程师。
在薪资的基础上,职能的不明确导致圈子内对数据分析师的观点不一,这就解释了所谓的:数分门槛低,薪资高的说法,但薪资高针对的是复杂的职能,门槛低针对的是企业现有阶段的需求,两件事叫同一个名字,却不一定是同一个人。
这样为教培市场的混乱埋下伏笔
2、教培市场的介入
在当前的百度百科中,数据分析师下更多的是 CDA 的宣传内容,但其只是民间组织,他对分析师等级的划分以及培养方案,都不能称之为行业规范。
类似的教培行业,非常多。
大部分教培标榜的数据分析门槛低,薪资高,两句话都是对的,但合一起是错的。
但整件事要辩证的去看待,正是因为企业需求不明确,且数据价值确实高,而国内高校没有成体系的培训方案,才会导致这个结果。
这是市场经济下的产物。
数据分析师的培训课程从几百到几万不等,声称学到以后月薪直接上万,一个月工资就可以回本,这属于老套的营销套路。最后将辛存者偏差进一步放大,便可以得到一个看似完美的商业模式。
但另一方面,培训的课程不是丝毫没有用处,只是通常报名者并不知晓应当学习的内容,也不知道数据分析师的职能和发展方向,只是受企业和教培的双向灌输,乱了手脚,信息闭塞,这也是我写这篇文章的原因之一。
关于 CDA 课程里所培训的,数据库知识,分析思路,数据挖掘等课程,已经达到了通识的目的,他能满足大部分企业的需求,作为转行者和初学者来说,恐怕除了私人培养以外没有更好的入行方式。
所以如果还想要深入了解数据分析的小伙伴建议大家看一下知乎知学堂官方的数据分析实战教程,里面的课程内容,比大部分市面上的培训课程针对性要强,也更适合转岗、零基础的小白来学习实践。
课程有完整的学习链路和实战作业,解决无项目经验的求职难题,并且有一对一的督学服务和职业交流群。
点击下面的链接只需一分钱获得一份~
3.高校系统性教育的缺乏行业内对数据分析的价值和能力尚在摸索中,而高校的培养无法与时俱进。 18 年复旦开设了大数据专业,各高校甚至是职高也陆陆续续开展大数据专业,而专门的数据分析和挖掘,大多作为选修课程。
并且通过课程,也不能说明满足了企业的需要。
以财会专业为例,已经有成熟的行业标准,标准作为课程,教师按教材指导,不会出太多意外。
但在企业对数据分析师的要求,通常不在于要他解决什么固定的,具体的,有标准解法的问题,更多在于满足组织架构和个人管理的需要。
这就导致,即使从国外引入标准和教材,引入大企业的高级专家作为讲师,培养出来的学生也很难满足企业的个性化需求,他变成了能力培养而非专业培养。
这也是国内和国外,对于相似命名的数分和数挖,工作内容天差地别的缘故。主要原因是我们既说不清分析者和基建者的区别,也分不清研究者和分析者的关系。
这也是文化和市场环境相互作用的结果。
所以结果是,企业在招人时不会过多的限制某一种专业,而要求应聘者有适配的能力和经验,这种能力和经验有很大一部分是高校无法给予的,这样回应了上述教培市场的介入和企业阶段性高薪的推动。
造成了当前的混乱。
四、发展的方向
纵观数据分析师这个岗位的诞生和发展,私以为历经了三个阶段,而终将有五个阶段。
第一个阶段:部分行业领先者发现了大数据处理和流通的困难,通过建立科学的埋点,数据仓库,或者使用国外软件等方式,搭建好一个适合分析的架子。
第二个阶段:头部企业建立起较完善的分析理论,腰部企业高速发展。对数据挖掘和分析的要求提高。
第三个阶段:很多企业数据分析师很明确分析与数据处理的职责,开始分层培养。有成熟的数仓和埋点体系,部分分析师仅承担分析职责。
第四个阶段:形成成熟,标准化的分析思路和分析师的培养体系,完全融入国内外经验,将数据分析师与商业分析师,经营分析师和战略分析师作为企业核心架构的参与者。
第五个阶段:细分数据行业各职能,创造新的岗位和晋升机制,行业固化,人才引入依赖高校系统培养。
这几个阶段通常是其它行业曾经走过的路,数据行业也不会例外,即使很多人以为分析更多的靠主观能力和天赋,但企业在人才筛选时,更多的会考虑学历和经验,参考咨询行业的战略分析师一类。
当前中国各企业的阶段差距较大,诸如阿里,腾讯等企业,已经是第三阶段朝第四阶段迈进。但大部分企业,还被困扰在第一和第二阶段中。
而这对于从业者的警示是:你需要找准你的发展方向,数据分析是能力,而数据分析师并不是一个确定的发展方向,本文一直强调这个观点。
明白数据分析的发力点之后,如果想继续深入了解数据分析的小伙伴,建议去看知乎知学堂官方的数据分析实战教程,相对比较靠谱、客观,贴合现阶段的用人需求。更重要的是它不止结合常见业务运用场景教你技术,更教你数分的思维和方法论,这点在当前教培市场是难能可贵的。
至于课程内容,比大部分市面上的培训课程针对性要强,也更适合转岗、零基础的小白来学习实践、打基础。
原文作者:不知渭河
使用 App 查看完整内容目前,该付费内容的完整版仅支持在 App 中查看
<a href="http://oia.zhihu.com/answer/2821233184/" class="internal" style="color: #0084FF;text-decoration:none;border-bottom:none;">🔗App 内查看 |