一、數據分析師的由來

我國的數據分析師在官方定義上屬于數據師的一種，在國家資質證書中可歸為“統計師”一類。是在互聯網和大數據的背景下，結合【數據結構和數據庫基礎】+【傳統統計學&以機器學習為基礎的新統計學】的相關從業人員。

數據分析師很早就出現在微軟和谷歌等大型跨國公司中，且學校有專門的數據分析專業（Data Analysis/DA）以及數據科學家專業（Data Scientist/DS）。如果簡單說DA和DS的區別是什么，大概是DS更多負責提供數據側的“軟件”，包括更先進的統計模型和可視化方案。

DS屬于數據中的研究者，而DA屬于數據中的應用者，DA的角色更多的是對清洗后的數據進行業務上的加工和初分析，賦予其業務意義和輸出分析報告。

該崗位借著中國互聯網的興起一并傳入中國企業，并優先在互聯網企業的應用中（如騰訊和阿里巴巴）。直到目前，國內教學機構已有數據分析和大數據相關專業，但仍未明確區分出【數據管理】【數據分析】【數據科學】等相關的培養方向，僅僅是有著【大數據】這樣方便大眾理解的名義在。

其他傳統企業也有類似的需求，但更多的是區分數據庫搭建和數據應用，也就是數據的管數據，分析的管分析，以個人的理解，對“數據分析”這個名詞使用最廣的，還是互聯網企業。

二、中國特色的數據分析師

當前市場上的大部分數據分析師崗位，有著：用最牛逼的要求，干最普通的活的特點。

招聘方通常使用相似的崗位職責，例如：

熟練運用sql和python；
熟悉Hadoop，Spark等分布式架構；
有獨立項目經歷，有數據挖掘的經驗；
數學、統計學、計算機等專業優先。

但他們給求職者最大的煙霧彈是：究竟數據分析師是否能承擔或者有足夠機會承擔企業或項目中的重要決策角色？

一方面，該現象是由于用人單位很難明確數據分析的崗位職責。這在中國還算是一個新行業，因為到目前為止沒有辦法，或者官方定義數據分析師的職責。這導致企業用人部門“借用”市場上的數據分析師要求，來要求其他人做其它事情。

另一方面，求職者和招聘者紛紛模糊上述煙霧彈存在的情況，以期找到個人發展或企業自身要求的捷徑，來提升自己或招聘的競爭力。這也是行業未固化時難以管理的原因之一。

在上述情況下，數據分析師們頂著這樣一個看似“高大上”的頭銜，卻干著天差地別的活。

還未搭建數據部門的公司需要數據分析師做【數據倉庫】的工作，承擔埋點、數據清洗，庫表搭建的職責；

剛剛搭建數據倉庫的公司需要數據分析師來使數據產生價值，輸出【可視化】的方案，滿足【業務方】的需求；

已經有成熟數據管理的公司需要數據分析師來提供【長期穩定且主動的分析輸出】，并為進一步的數據挖掘和數據科學提供業務上的指導和特征工程方案。

這種在行業發展過程中導致的招聘方與應聘方的供需混亂是產生這種現象的根源，若用發展的眼光看待，在未來的十幾年，行業一定會找到供需平衡的點，這對于企業的降本增效，人才運用等有積極的作用。

三、混亂的供需市場

企業需求導致的階段性高薪，高校系統性教育的缺乏和教培市場的介入是混亂中的三方，但他們的未來都指向一個命題——即數據分析師的價值在哪里？

1、企業需求導致的階段性高薪

企業為什么需要數據分析師，或者把命題在放寬一點，企業需要在數據和信息流通上搭建什么？

以對C端業務的互聯網企業為例，我們在APP上的所有操作，都被記錄在數據庫中。龐大的流量和數據使得企業需要科學的數據倉庫來分管和存放，可以理解為：書多了，我需要建一個圖書館。

而數據從業者，就是圖書館的管理人員。

企業在數據使用上需要幾個職能：

（1）完成基礎的數據搭建，包括制定埋點規范（埋點相當于在書旁邊放一個傳感器，你借一次，我們就知道你借了哪本書），數據倉庫搭建和數據清洗；

（2）將清洗后的數據進行加工和可視化展示，類似于用切好的原材料去炒一盤菜。

（3）滿足各業務部門的數據需求

（4）構建系統的指標體系，并用指標體系進一步優化數據報表和KPI管理

（5）搭建用戶畫像、生命周期等數據模型，在某些領域（供需模型、推薦模型等針對性的提出解決方案。）

（6）對已經跑通的業務進行數據挖掘和算法優化。

在上述情況下，所謂企業的階段性高薪就來自于：1、對4、5、6職能中高端人才的期望；2、對1、2、3職能中人員補充的急迫；3、對以上職能需要的人才要求不明確或市場無法準確反饋。

更重要的是，以上6個主要職能，都可以叫數據分析師。

所以數據分析師的招聘要求大而全，且薪資誘惑力很大，一線城市的互聯網大廠能給到應屆生20~30w的年薪，與產品經理相似，僅次于軟件工程和算法工程師。

在薪資的基礎上，職能的不明確導致圈子內對數據分析師的觀點不一，這就解釋了所謂的：數分門檻低，薪資高的說法，但薪資高針對的是復雜的職能，門檻低針對的是企業現有階段的需求，兩件事叫同一個名字，卻不一定是同一個人。

這樣為教培市場的混亂埋下伏筆

2、教培市場的介入

大部分教培標榜的數據分析門檻低，薪資高，兩句話都是對的，但合一起是錯的。

但整件事要辯證的去看待，正是因為企業需求不明確，且數據價值確實高，而國內高校沒有成體系的培訓方案，才會導致這個結果。

這是市場經濟下的產物。

數據分析師的培訓課程從幾百到幾萬不等，聲稱學到以后月薪直接上萬，一個月工資就可以回本，這屬于老套的營銷套路。最后將辛存者偏差進一步放大，便可以得到一個看似完美的商業模式。

但另一方面，培訓的課程不是絲毫沒有用處，只是通常報名者并不知曉應當學習的內容，也不知道數據分析師的職能和發展方向，只是受企業和教培的雙向灌輸，亂了手腳，信息閉塞，這也是我寫這篇文章的原因之一。

關于CDA課程里所培訓的，數據庫知識，分析思路，數據挖掘等課程，已經達到了通識的目的，他能滿足大部分企業的需求，作為轉行者和初學者來說，恐怕除了私人培養以外沒有更好的入行方式。

只是互聯網營銷模式下，職業教培同樣會和k12的教培相似，有著通過辛存者偏差販賣焦慮的普遍行為。

而能夠販賣的根源，還是由于行業發展不完善，以及缺乏系統培養的指導方針。

所以如果想要深入了解數據分析的小伙伴建議大家看一下知乎官方的數據分析實戰教程，我看過里面的課程內容，比大部分市面上的培訓課程針對性要強，也更適合轉崗、零基礎的小白來學習實踐。

課程有完整的學習鏈路和實戰作業，解決無項目經驗的求職難題，并且有一對一的督學服務和職業交流群。

點擊下面的連接一分錢即可獲得一份~

3.高校系統性教育的缺乏

行業內對數據分析的價值和能力尚在摸索中，而高校的培養無法與時俱進。

18年復旦開設了大數據專業，各高校甚至是職高也陸陸續續開展大數據專業，而專門的數據分析和挖掘，大多作為選修課程。

并且通過課程，也不能說明滿足了企業的需要。

以財會專業為例，已經有成熟的行業標準，標準作為課程，教師按教材指導，不會出太多意外。

但在企業對數據分析師的要求，通常不在于要他解決什么固定的，具體的，有標準解法的問題，更多在于滿足組織架構和個人管理的需要。

這就導致，即使從國外引入標準和教材，引入大企業的高級專家作為講師，培養出來的學生也很難滿足企業的個性化需求，他變成了能力培養而非專業培養。

這也是國內和國外，對于相似命名的數分和數挖，工作內容天差地別的緣故。主要原因是我們既說不清分析者和基建者的區別，也分不清研究者和分析者的關系。

這也是文化和市場環境相互作用的結果。

所以結果是，企業在招人時不會過多的限制某一種專業，而要求應聘者有適配的能力和經驗，這種能力和經驗有很大一部分是高校無法給予的，這樣回應了上述教培市場的介入和企業階段性高薪的推動。

造成了當前的混亂。

四、發展的方向

縱觀數據分析師這個崗位的誕生和發展，私以為歷經了三個階段，而終將有五個階段。

第一個階段：部分行業領先者發現了大數據處理和流通的困難，通過建立科學的埋點，數據倉庫，或者使用國外軟件等方式，搭建好一個適合分析的架子。

第二個階段：頭部企業建立起較完善的分析理論，腰部企業高速發展。對數據挖掘和分析的要求提高。

第三個階段：很多企業數據分析師很明確分析與數據處理的職責，開始分層培養。有成熟的數倉和埋點體系，部分分析師僅承擔分析職責。

第四個階段：形成成熟，標準化的分析思路和分析師的培養體系，完全融入國內外經驗，將數據分析師與商業分析師，經營分析師和戰略分析師作為企業核心架構的參與者。

第五個階段：細分數據行業各職能，創造新的崗位和晉升機制，行業固化，人才引入依賴高校系統培養。

這幾個階段通常是其它行業曾經走過的路，數據行業也不會例外，即使很多人以為分析更多的靠主觀能力和天賦，但企業在人才篩選時，更多的會考慮學歷和經驗，參考咨詢行業的戰略分析師一類。

當前中國各企業的階段差距較大，諸如阿里，騰訊等企業，已經是第三階段朝第四階段邁進。但大部分企業，還被困擾在第一和第二階段中。

而這對于從業者的警示是：你需要找準你的發展方向，數據分析是能力，而數據分析師并不是一個確定的發展方向，本文一直強調這個觀點。

也就是說，未來所謂大數據行業的人才缺口，指的更多是建設性人才而非創造性人才。

回到前面的“煙霧彈”——最終能承擔企業和項目決策角色的人，或許只是龐大數據從業者中很少的一部分。

并且隨著數據產品，自動化分析工具越來越完善，“這樣”的人只會少而不會多。一個有經驗的分析師，在數據系統搭建完善的情況下（不需要花太多時間取數，討論統計口徑，埋點設計和報表維護），一定周期內可以支持4~5個項目（數據模型-提升策略-復盤優化），涉及數十個業務方。

隨著更多的人分流到數據建設，更突出的人分流到分析決策，職能將會更明晰，也更能支持企業降本增效的目的。到那個時候，所謂低門檻和高薪資就產生了自我矛盾，謊言不攻自破。

五、數據分析師的培養

1、統計知識和編程語言的結合

市場對數據分析師的要求非常廣泛，總的來說就是：統計知識+編程語言。

形象表述就是：菜譜和菜刀。

數據分析師的終點是為了通過數據解決問題，也就是需要在復雜的數據分布中提煉出科學而簡單的結論。數據分布的描述，處理；數據和數據間的關系，公式等；海量數據中的規律，相似性等都屬于統計學的范疇。

熟悉統計學的分析師會明白對數據進行歸一化，log/ln函數處理，指數函數處理等會有什么后果；以及聚類、回歸和預測背后的邏輯是什么。而不熟悉統計學的分析師，即使有分析思路，但在數據的處理上始終會慢一拍。

編程語言是最好學的部分，主要是為了適用工作中交流和分析的效率。主要的工具包括SQL、Python的數據分析包，以及excel和ppt的熟練使用。

該部分的培養相對簡單，這也是多數人認為的數據分析師需要的能力，但滿足以上這些，只是夠到了入行的門檻。

2、業務理解和溝通能力

無法理解業務的分析師生產出來的東西是空中樓閣，無法使用。

所以在很多公司，數據分析師的結論是否落地和被采納，是績效的重要評估標準。

復雜的分析報告無法體現數據分析師的水平，將復雜的理論和模型變成深入淺出的結論和策略才是終點。

如果數據分析師的結論不被采納，數據就永遠無法轉化成生產力，至少不體現在這個分析師上。

業務理解不等于業務了解，例如某產品工作日的DAU和周末的DAU差距很大，背后的真實情況是產品的用戶會將該產品配合B產品使用，而不是周末的用戶更活躍，更喜歡使用產品內的工具。

前者是數據背后的真實邏輯，后者只是數據結果。之后的分析方向如果建立在后者上，那么只能刺激現有數據的增長，而不能阻止潛在流失和召回用戶，因為你沒有提供用戶需要的，你只是把他手中的東西變得更多。

3.可供落地的解決方案

上面的很多能力大多作用在某一個小點，例如召回用戶，提升活躍，為某項目提供數據支持等。

但這樣始終無法形成自上而下的分析項目和體系，例如：如何建設指標體系？如何通過指標體系分析當前的問題？問題的嚴重程度如何？解決這些問題需要什么？ROI如何？

如果沒有有經驗的分析師，以上的問題就只能依賴老板和其它業務方考慮，等到需求提過來后，即使你覺得它再無理，也無法更改，只能被動承接。

相似的一套方案還有：如何通過指標體系做KPI管理？如何建立市場的供需模型？如何搭建適合用戶的社區？

這些都是數據分析師在漫長的實驗中才能找到并總結出來的東西，不是學習工具和精通算法就能得到的經驗。

4.其它軟實力

該能力更多的是所有崗位都需要的通用能力，包括自主自驅，積極溝通，號召力，總結歸納能力和表達能力等。

數分的崗位需要更多的溝通和拉齊信息，并非被動木訥的完成需求，不然同樣無法承擔創造性的崗位職責。

再往上的分析師如果不轉型管理，更多的是擁有并挖掘更多可行的解決方案，并且通過拉動資源去解決事情，這個時候他的角色就不是單純的數據分析師，而是集合了商業分析，數據分析，經營分析等能力的分析師而已。

六、數據分析師的工作

數據分析師的日常工作每個公司每個崗位都不太一樣，接觸下來需要有幾種：

（1）完成各方的取數需求

（2）埋點及制定統計口徑

（3）報表開發和可視化

（4）活動復盤和數據報告

（5）ROI邏輯和效果評估

（6）跟進項目及自產項目

七、數據分析師的薪酬

之所以把這個放在后面，是希望諸位了解以上內容后對薪酬有清楚的判斷?！盁熿F彈”對薪資影響之大，是大多數人困擾的地方。

數據分析師的薪資可在boss直聘，拉勾，領英等求職網上搜索，以下僅為個人了解的樣本。（主要為一線）

應屆數據分析師：15-20k（非一線城市更多在8k左右，主要承擔數據運營工作，差距下同）

1-3年：18-25k

3-5年：25-40k，年包約為30w-50w（受獎金和股票影響）

5-10年：35k-50k，年包約為50w-80w不等，明細難以參考