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…….
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。
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：
- 認識百工系列：產業分析師的一天
- 認識百工系列：華爾街分析師的一天
- 社群、行銷、文案、數據、設計樣樣通，臉書小編並非無所不能、但絕對十項全能！
- 不怕困境？挑戰看看：數據分析職缺推薦
