中文字幕无码av不卡一区,亚洲综合AV永久无码精品一区二区,黑人巨大白妞出浆,黄色高清无码免费看,久久久久免费精品国产,久久无码人妻丰满熟妇区毛片,欧美日韩国产综合草草,久久福利网站,亚洲一区二区三区中文字幕在线,av国内精品久久久久影院

數據分析師會被人工智能取代嗎？這可能是很多數據分析師都思考過的問題。本文作者從數據分析師的角度出發，對相關的5個問題進行了分析梳理，一起來看看~

已經2020年了，很多同學都在思考職業發展路徑問題。最近咨詢陳老師的也很多，一個很普遍被問到的，就是：數據分析師的紅旗，到底能打多久？今天集中解答一下。

還是陳老師的一貫風格，不吹不黑，客觀說事。我們一起來看看，面向2020年，數據分析師們最糾結的五個問題：

問題一：數據分析會不會被人工智能取代？

答：不會！

首先，看到提“人工智能”四個字的所有標題，大家都能認為是引發焦慮的偽問題。真正懂行的都說：算法、機器學習，或者干脆直插CV，NLP，推薦等某個具體領域。

其次，這倆玩意根本就是兩件事。算法的發展不僅不會取代數據分析，反而會讓數據分析更輕松。

為啥？

因為本質上，算法對抗的是低效率。通過人工標注-模型訓練-預測檢驗的循環，算法可以大量替代以往需要耗費人力的工作。

但是算法實現這個目的是有前提的：第一，需要明確的結果：人工標注的圖形、信用違約/未違約記錄等等。第二，需要大量的特征數據，用于訓練模型。

正是因為如此，我們看到算法應用最成功的就是CV領域。比對人臉、比對證件等就是特征豐富，結果明確。傳統的風控、推薦等領域，也有相應進步。NLP領域進展相對較慢，就是被復雜的語境折騰的七葷八素。

本質上，數據分析對抗的是不確定性。當我們想要分析問題的時候，更多是：

1. 沒有數據：新業務剛上線，過往不重視數據采集
2. 有假數據：業務操控，流程缺失，利益驅動
3. 亂七八糟：口徑不統一，流程不規范，使用瞎胡鬧
4. 人為扭曲：業務方為了保住KPI睜眼睛說瞎話
5. 不會判斷：只知道寫同比環比，不會解讀意義
6. 主觀臆斷：做數據只為證明自己是對的，強詞奪理

這種時候，就相當于根本沒有標注，或者人工瞎幾把標，模型壓根訓練不出來。還摸個屁。

正是如此，我才有了數據分析的五大問題：

1. 是什么（量化結果，獲取數據）
2. 是多少（樹立標準，評價好壞）
3. 為什么（尋找原因，驗證假設）
4. 會怎樣（綜合評估，做出取舍）
5. 又如何（預測前景，探索可能）

通過不斷循環的解答這五個問題

1. 我們量化監控業務走勢，把不確定變成確定；
2. 我們做出客觀的評估，發現問題，沉淀經驗；
3. 我們合理預測前景，探索新可能，發現新道路；
4. 最終推動業務持續進步和改善。

這種摸著石頭過河的力量，才是算法不可取代的。當然，石頭摸清楚了，數據質量好了，經驗總結差不多了，這時候有些傳統的工作可以用模型來干。比如在風控、推薦領域，傳統業務經驗越來越讓位給模型。同樣的，在新的領域，數據分析繼續做著開路先鋒。

比如2019年，陳老師主導的項目，就有大量的社交電商、分享裂變、網紅帶貨、私域流量轉化的項目，這些項目往往是業務模式創新和數據分析齊頭并進的。在這些新領域，各個行業都在摸石頭，當然得帶著有本事測量深淺的水文師。不然一腳下去踩坑里咋死的都不知道。

有意思的是，所謂的“人工智能會取代數據分析師”，正是來自對數據分析工作的無解。在不懂行的人眼里，數據分析師和算命大師沒啥區別，不需要數據采集、不需要數據清洗、不需要數據治理、不需要分析建模、不需要積累經驗、不需要你測試驗證。只要眉頭一皺、掐指一算，咒語一念，符咒一燒，算盤一撥，天上咔嚓一道炸雷掉下一道圣旨：明年業績1257億！

在不懂行的人眼里，算法、數據分析、算盤、《周易》沒啥區別，反正過程他都看不懂，最后咔嚓一聲能出個好牛逼的結果。有這種幼稚理念，當然會覺得人工智能會取代數據分析了，畢竟阿爾法狗比算盤聽起來屌嗎。

當然還有一種論調，來自：以后能自動提數了，數據分析師就要下崗了。這個更幼稚了，誰TM跟你說數據分析師就是人肉跑sql師了！

要我說，這種智能BI越早出越好！正好把那些每天2000行sql的小哥們解放出來，正好把那些無窮無盡的臨時取數擋掉，正好可以讓市場部那些只懂心機不懂技術的妹子們對著機器咆哮去：“這是總監要的，下班必須給！”這話都沖著阿爾法狗喊去，那畫面想想都爽。我們就有更多的時間，來分析問題，來設計實驗，來挖掘深層因素，以后出的成績還多一點。

So，時代淘汰的不是數據分析師，而是只會寫sql的肉雞，是只會到處問“有沒有模板抄抄”的菜雞，是只會寫同步環比的草雞。大家大可安心。

問題二：數據分析會不會被會寫sql的運營取代？

答：不會

這個問題陳老師有專門的分享，想看的可以戳文末的鏈接。這里不再贅述，只說結論：“運營做數據分析是有原罪的，叫：本位主義”。只要丫的身份還是運營，丫的數據分析結果就是屁股決定腦袋，就是短視且功利的，這一點跳進黃河都洗不清。

況且運營也就只會寫sql而已，你讓他弄數倉，搞ETL，搞數據治理試試，不累死也惡心死。這又是“只見高樓起萬丈，不見地基累又臟”所產生的誤解。所以做數據的同學們不要嫌棄這些臟活累活，這反而是我們的一個護城河（雖然里邊都是泥巴）。

當然，那些只會寫“本月比上月少了1000萬業績，連續三個月下跌”的數據分析師，鐵定被運營取代呀。這種玩意只要眼睛不瞎，且識字，都能寫呀！連我們家小爺coco都會看著爸比畫的條形圖說：“這根短了”，他再學會一句“要搞高”，就能去很多互聯網公司當“數據分析師”了呀。這種不被取代就見鬼了。

問題三：數據分析就業難不難？

答：難

第一，因為算法被炒得太熱，所以很多人會希望數據分析師懂算法，從而增加了面試難度。是滴就是那些不明真相的吃瓜群眾，總想著：“算法這么牛逼的都會了，分析還不會嗎？”抓著做分析的往死里問算法，進了公司才發現，他喵子的除了交易流水屁數據沒有，算法個蛋蛋。

第二，因為很多運營自己開始sql，導致對分析能力的要求更高。一個矛盾點是：很多領導自己也沒見過高級的數據分析長啥樣，于是會瞎提要求，把很多業務問題歸為數據問題，去問數據分析師怎么賣貨。這要是正兒八經的數據分析師可能真的就冤死了。

第三，因為互聯網行業寒冬，導致釋放出來大量勞動力，于是想轉行的，算法（只會調參）失業的，做運營的，根紅苗正做分析的，都在找數據分析工作，競爭更激烈，自然找工作更難。

綜上，難是肉眼可見的難，大家多多努力，少點沖動是正道。

問題四：數據分析想突圍，可以準備什么？

嚴格來說，這篇可以單獨寫。這里先列個提綱：

1. 連excel，sql，python（速成ESP套餐）都不會的，趕緊學技術，加強能力
2. 吃了ESP套餐的，學點數倉，ETL，數據治理，提升基礎能力
3. 和業務走的近的，多補充業務知識，特別是新領域的數據運用
4. 公司數據基礎好，本人知識扎實的，挑戰一下算法

總之，橫行擴寬業務知識面，縱向在數倉方向強化，能力強的看點算法，技多不壓身，能力強自然出路多。

問題五：數據分析想轉行，可以哪里走

嚴格來說，這篇又可以單獨寫。這里先列個提綱：

1. 業務能力強的，可以往用戶增長、用戶運營等策略性強的部門轉，這些部門天生就需要很強的分析能力。
2. 技術強的，可以往數據產品方向轉，移動BI、大屏、運營助手等產品是很好的出成績的地方

有兩條路吹的很火，可實際上不是特別好的出路：

1. 數據中臺。經過一年爆吹，大家發現：這玩意沒鳥用呀。少拿阿里的數據產品舉例子，人家天生數據多，可以賣給一堆企業，就我們企業那爛兮兮的數據，建中臺有毛用，不是在爛泥巴里起高樓嗎，不塌才怪。
2. 數據分析轉算法。經過泥沙俱下的18,19年，大家也發現只會調參的“算法工程師”有毛線用。真正算法項目，工程的難度是遠遠高于算法難度的，這使只會數據的人沒啥優勢。更何況，現在仍然有大量狂熱應屆生涌進這個領域，和他們比起來半吊子出身的數據分析是沒啥競爭力的。所以謹慎選擇轉行

以上，大致回答了大家最關心的五個問題。除了問題一，問題二，其他分享都少一點，因為篇幅真的已經很長很長了。有興趣的話，我們下次繼續深入探討數據分析師的發展。

其實同學們最初的問題是：數據分析師發展前景如何？陳老師不喜歡探討這么虛的話題，正如上邊五個問題一樣，大家會發現：如果你持續進步，你始終能在時代中找到自己的位子，如果你原地踏步，那啥玩意都能把你淘汰。前景不是看出來的，而是自己努力出來的。能搞掂的具體問題越多，自然越有前途。所以新的一年，我們繼續具體問題具體討論，大家一起進步哦。

#專欄作家#

接地氣的陳老師，微信公眾號：接地氣學堂，人人都是產品經理專欄作家。資深咨詢顧問，在互聯網，金融，快消，零售，耐用，美容等15個行業有豐富數據相關經驗。

本文原創發布于人人都是產品經理。未經許可，禁止轉載

題圖來自Unsplash，基于CC0協議