真不是只有數據分析,十年數據人給你科普七大數據崗位

0 評論 3513 瀏覽 15 收藏 16 分鐘

很多人在說到數據方向的崗位時,都會想到“數據分析”,但實際上,數據方向的崗位有很多。這篇文章里,作者就對數據方向的崗位做了科普,并對各個崗位的優劣勢做了詳細解讀,一起來看看吧。

一、一個簡單的自我介紹

碩士畢業從業9年,呆過北京、杭州、深圳,去過百度、阿里、騰訊,做過數據分析、策略產品、數據產品,最近5年專注數據產品方向,愛看書,年均精讀 40 本左右,但更愛貓貓狗狗,以后希望能做點跟寵物相關的事情吧~

二、數據方向崗位都有哪些

真的不是只有數據分析,也不是只有帶「數據」倆字的才是。有些崗位特別「數據」,是內環:數據分析、數據工程、策略產品、數據產品;有些崗位不太「數據」,是外環:數據運營、經營分析、商業分析、算法工程。

三、體系化理解上述崗位定位

零散的介紹無益于理解,我們可以按照數據的流向來對號入座,理解上述各個崗位。有些崗位會橫跨多個環節,有些崗位會固守一個環節,但并不會因為跨的多就更好,但確實有個趨勢叫「全?!?/b>~

稍微解釋下不同環節的意思:

  • 「數據獲取」比如app埋點,把數據收集上來;
  • 「數據存儲」比如數據倉庫,簡單清洗后入庫存放;
  • 「數據管理」比如數據治理,理順數據之間的關系等;
  • 「數據加工」比如標簽生產,將原始數據按應用場景做加工;
  • 「數據分析」比如分析建模,效果評估、專題分析、上線模型;
  • 「數據應用」比如推薦策略,將數據直接自動化應用在終端場景。

四、深入理解不同崗位的優劣

從大家求職選擇崗位的角度看,比較關心的應該是這個崗位門檻要求高不高、面試卷不卷、入職后收入高不高、有沒有價值感、上升空間如何。

我對應的整理了門檻要求、供需比例、收入水平、價值感受、上升空間5個維度,對下面7個崗位先進行一次整體的量化盤點,然后再具體展開介紹:

ps1:每個維度都是滿分5分,分數越高越好。比如供需比例5分表示供小于求,3分表示供需平衡,1分表示供大于求。

ps2:分數高低僅限于數據類幾個崗位之間比較,不涉及與非數據類其他崗位比較。

1. 數據工程

一句話介紹:數據方向需求量最大技術工種。

日常工作內容:計算/存儲平臺的搭建/運維、梳理數據流進行數據建模和數倉搭建、報表或BI平臺的設計與實施(含計算邏輯的落地與性能優化)、業務臨時或定制需求支持(跑數)。

具象產出內容:數據平臺、數據報表。

崗位優勢vs劣勢:優勢是需求量大,尤其是傳統行業數字化轉型,就有很大缺口、可以鉆研技術有一定門檻、收入較高、跟人打交道相對少,煩心事兒少;劣勢是距離一線業務很遠、價值感低、有飛鳥盡良弓藏的風險、容易被甩鍋。

適合哪些人:數據敏感、心細、沉穩有耐心;認可數據價值和帶來的成就感(與用戶產品看得見摸得到的成就感相差甚遠)。

2. 數據分析

一句話介紹:供需比例嚴重失衡的、重要但價值感較低的綜合數據工種。

日常工作內容:數據處理、加工數據表、分析數據、上線數據模型。

具象產出內容:數據倉庫表、數據分析報告、數據看板、線上模型。

崗位優勢vs劣勢:優勢比如需求量大、工作環境相對簡單穩定;劣勢不少,比如加班多、思維固化、遠離一線業務、發展空間有限、價值難衡量。

適合哪些人:對數據分析有熱愛、邏輯性強、有一定數據專業背景、不那么學究的同學。

其他補充了解:女生比例挺高的、全棧數分越來越多(傳統企業不是)。

3. 數據產品

一句話介紹:本質是懂數據、會分析的toB產品經理,有具象的產品作為產出。

日常工作內容:溝通需求、寫文檔、驗收測試、匯報。

具象產出內容:需求文檔、數據產品、調研分析報告。

崗位優勢vs劣勢:優勢比如跟老板接觸機會多、產出顯性化、距離業務近;劣勢比如價值不容易衡量、容易被當成工具。

適合哪些人:懂數據懂分析甚至懂策略、有邏輯性、同理心較強、想做產品經理的同學。

其他補充了解:類型很豐富、未來很重要、定位不清晰。

4. 策略產品

一句話介紹:銜接算法和產品的橋梁,很多數分轉型的好選擇,也是產品經理。

日常工作內容:溝通需求、寫文檔、分析數據、評估效果。

具象產出內容:需求文檔、調研分析報告、線上策略。

崗位優勢vs劣勢:優勢比如門檻高、離業務近、價值容易衡量;劣勢比如夾在產品與算法之間。

適合哪些人:懂分析、懂算法、愿意理解業務、有點極客風的同學。

其他補充了解:細分類型很多樣、很燒腦很全能。

5. 數據運營

一句話介紹:既可以是運營中的數據分析師,也可以是數據分析能力突出的運營。

日常工作內容:數據指標體系搭建、數據跟蹤計算、效果評估分析、專題分析。

具象產出內容:指標體系、數據分析報告、數據模型。

崗位優勢vs劣勢:優勢是身處一線業務對需求理解的更透徹、分析的內容更落地;劣勢是可能會陷入瑣碎的日常數據提取和報表統計需求中、對技術不會有多少提升。

其他補充了解:相比數據分析師更落地,但這個崗位并不那么清晰、主流,經常被兼職。

6. 經營分析

一句話介紹:復合了財務、業務背景的數據分析,常見于傳統行業。

日常工作內容:開會、統計數據、分析數據、寫報告具象產出內容:分析報告。

崗位優勢vs劣勢:優勢是比較鍛煉復合能力、視角更接近老板視角;劣勢是大多在傳統行業、互聯網等新興行業崗位較少、數據顆粒度較大導致弱化技術占比。

其他補充了解:更多從企業財務、經營視角分析數據,從分析方法技術上看距離互聯網的數據分析師相差較大,數據量級也沒那么大,但視角不同更宏觀;在互聯網公司崗位職能上,一般經營分析是商業分析的一個分支

7. 商業分析

一句話介紹:大老板的近衛軍,相比數據更看重思維方法論。

日常工作內容:組織大家開會、調研訪談、寫匯報材料、分析經營情況、做些戰略規劃。

具象產出內容:匯報材料、分析報告、調研報告。

崗位優勢vs劣勢:優勢是距離大老板很近很近、掌握信息相對全局視野;劣勢是容易飄在上面不太落地、發展路徑略單一、初級階段瑣事比較多。

其他補充了解:最佳路徑就是空降去某個業務做負責人,從中央軍師變地方部隊長官;在互聯網公司,商業分析會細分成經營分析和戰略兩個方向。

五、繼續疊加行業領域的差異

1. 互聯網vs金融/電信vs傳統行業

其實職業選擇不僅僅是崗位選擇,更多是行業的選擇,可以通過下表了解上面介紹過的不同崗位在不同行業的現狀。

為了便于盤點對比,我按照行業的數字化程度做了簡單的3個歸檔,其中互聯網行業整體對數據的應用是最全面深入的、緊接其后的是金融/電信行業、最后是眾多傳統行業。雖然在傳統行業內部不同領域的公司在數字化程度上也有差異,但整體來看“方差”不大。

2. 降本增效vs開源變現

除了行業,在選擇崗位的時候也要考慮到它是更多給企業掙錢的還是省錢的。有個人性上的弱點和盲區,就是省錢的沒有賺錢的感知高,所以能選掙錢的肯定還是別選省錢的!從這個角度我們模擬上圖也做個表格看看。

六、作為過來人的選擇建議

我們上面羅列了那么多信息,綜合來說就是希望大家能結合行業情況、崗位要求、自身能力性格等多種因素,給自己在這些格子里找一個最適合的。

喜歡很重要,但很多時候大家的喜歡是處于對某個崗位的幻想。比如很多同學對數據分析師都以為是用數據驅動業務,但實際工作中并非如此,該崗位存在感比較低,做決策的還是人。所以選擇崗位的時候也可以破除幻想,走進現實。

再有就是網上很多對行業的誤導性信息,比如現在加入互聯網就是49年加入國軍?我很難完全認同,因為對我們每個人而言,我們當下就需要一個較好的環境和收入,我們沒法用今天換取10年之后的未來,尤其是這個未來還是概率性的。

所以抓住每一個當下,在下一次浪潮來臨之前及時轉換賽道,才是普通人切實可行的操作。我建議大家在遵從自己的喜好以及客觀條件基礎的同時,多多找對的人請教匹配的問題。

本文由 @古牧君 原創發布于人人都是產品經理。未經作者許可,禁止轉載。

題圖來自Unsplash,基于CC0協議。

該文觀點僅代表作者本人,人人都是產品經理平臺僅提供信息存儲空間服務。

更多精彩內容,請關注人人都是產品經理微信公眾號或下載App
評論
評論請登錄
  1. 目前還沒評論,等你發揮!