專題特輯

日期 |2020.12.07

觀看數 | 3940次觀看

數據分析師真有那麼好?其實正在面臨3大職業困境|觀點

文/數據分析那些事 原文出處

最近幾年,大數據行業的迅猛發展帶動了數據分析師需求量的增加。數據分析師迅速成為了求職市場上的搶手人才。造成一些圈外人認為數據分析就是企業的靈丹妙藥,通過數據分析能解決一切問題。產品改版,營銷策略,市場定位,戰略決策,哪一項不需要資料分析。連戰略決策都要靠分析師,能不重要嗎?

但理想很豐滿,現實很骨感。真正做過數據分析的同學一定能體會到,同其他行業一樣,分析師在工作中會遇到各種的窘境,導致自己寸步難行,鬱悶迷茫,其中有些問題甚至難以改變。

手裡沒有數據

很多人很奇怪,數據分析師怎麼可能沒資料呢?全公司的數據都在這個部門啊。實際情況可真不是這樣…….

圖片來源/數據分析那些事

沒有數據主要有三個原因:

一是公司數據體系不健全,缺失很多關鍵數據。比如某些網際網路行業公司,埋點系統有缺陷,很多關鍵數據抓不到;又比如某些傳統行業公司,由於內部系統斷層,造成數據孤島。我就經歷過一家公司,CRM系統、財務系統、業務系統各自一灘,數據沒有打通,沒有形成資料鏈條,根本沒有辦法串聯起來做分析。

針對這種情況,數據分析師首先要正視現狀。數據體系建設,內部系統打通向來是公司的大難題,需要投入大量的資源才能有明顯的改善。不要指望很快完成。二是在數據有限的情況下,還是要儘量的提供分析價值,這也是區別分析師段位的地方(你想想,如果所有的數據全到位的情況,分析師的價值就弱化了)。同時能夠清晰說明,由於數據的缺陷導致哪些分析陷入瓶頸。通過有效的反應,推動底層數據逐步完善。

二是組織結構問題,數據散落在不同的業務部門手中。業務部門不願意合作,不提供數據。這種問題分兩種情況處理。如果分析師在公司層面的分析團隊,還是要靠公司層面去建立統一的底層數據平臺;如果分析師在業務團隊,則需要通過部門之間的配合來解決這個問題,在區域性範圍做資料共享。

三是沒有數據工程團隊支援,分析師團隊的底層數據建設不完善。這種情況,最好的辦法就是組建支援分析師團隊的工程團隊。術業有專攻,分析師和工程師這兩個工種還是有區別的。僅從使用的工具方面來說,分析師擅長的是SQL,Python,Excel,BI;工程師擅長的是Hadoop各種元件。所以說專門支援分析師團隊的工程人員還是很有必要的。關於這個團隊的規模,可視具體情況而定。最不濟的情況,分析師就自身提高能力,承擔資料工程建設任務,這對於分析師自身的發展也是一件好事。

分析的結果,業務不買賬

這也是常遇到的問題。分析師費好大勁做的分析結果,業務卻不買賬。要不覺得分析結論都是大家知道的常識,沒有任何建設性意見;要不覺得分析結論違背常識,分析師只是紙上談兵,根本不懂業務。

造成這種情況,主要有兩個原因,一是分析師確實不懂業務,只是對著資料做各種計算。不懂業務,就難以判斷手裡的資料是否能夠分析問題。並且對於分析結論沒有判斷力。好不容易找到資料,拿到資料就用,由於對業務不理解,導致對錯誤結論不敏感,這也是在給自己挖坑。最好的辦法,就是和業務“混熟”。先把自己定位為服務,而不是管理。服務前先學習,學習也是為了更好的服務。

第二是雖然懂業務,分析結論也還不錯,但由於展示方式有問題,導致對於業務的影響力不夠。比如分析出銷售額不好的主要原因在於沒有標杆企業。但對於這個結論的論證邏輯不夠清晰,展示不夠醒目,給人一種不痛不癢的感覺,這就很難推動業務做出動作。這就涉及到了另一個問題,有結論但並沒有把結果”晒“出來。雖然我不贊成PPT文化,但有效的利用PPT把結論展示出來,確實也是區分數據分析師的段位的一個標準。

職業發展受限

數據分析師的另一個窘境就是職業發展。雖然現在數據分析師這個職業很火,各公司都在招聘數據分析師,且薪酬不菲。但數據分析師是一個典型的入門容易精進難的職業。所以長江後浪推前浪的感覺很強,35歲危機感也會存在,尤其是在網際網路行業。這裡有兩個建議,第一是技術和業務兩手都要抓,哪門都不要荒廢。分析師基本的工具,Excel,SQL,Python,BI要熟練掌握,這是一個保障。

當然如果對於Hadoop和演算法有涉獵,就可以做為加分項了。業務要精通,不懂業務的分析師一定不是好的分析師。並且對於業務的掌握儘量全面。比如從業務場景分為為B端業務,C端業務,從分析模型角度看,比如AARRR,RFM等等。

圖片來源/數據分析那些事

另一個建議是在一個行業深耕,做這個行業的數據專家。比如金融行業,K12行業,影片行業。做這個行業中最懂數據的,做數據中最懂這個行業的。兩方面的雙重加成會讓路走的更遠。


推薦閱讀:

Close Menu