從業十年再回首,沒有哪一步會是走錯的路

2 評論 4918 瀏覽 20 收藏 28 分鐘

人生能有幾個10年?這篇文章,作者分享了自己從業10年的親身經歷,從一開始的數據分析師到現在的數據產品經理,整個過程中的思考和頓悟,對一些同學應該有所幫助。

今天文章的內容,是最近一次線上分享的文字稿總結,主要就是聊聊自己作為互聯網從業者一路走來的風景和思考。放心,不是那種特別自信滿滿的成功者回顧,本來咱也不是什么成功人士啦~

一、你好,我是古牧君

為了拉近距離,增進大家看完的耐心,我先簡單介紹下:

1.1 我自己說

我碩士畢業從業近10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6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~

1.2 大模型說

除了我的自述,大模型時代也看看它們怎么說(對比之下,給文心一言加???。?/p>

二、我走過一條少有人走過的路

我相信很多讀者在職業生涯中都會面臨很多選擇,但大家又往往很難從公開渠道獲得豐富且未經過度包裝的經驗,或許我可以盡一些綿薄之力。下面我會按照從業經歷的真實順序展開介紹,分別是數據分析師、策略產品經理、數據產品經理;每個崗位都會有各自的憧憬、困惑和頓悟,希望你能在這個過程中讀到自己的過去、現在或將來。

2.1 初為數據分析師

我本科讀的數學,研究生學的統計,走上數據崗位是從研究生階段做數據分析實習,后來校招入職一家當時處于互聯網第二梯隊的公司繼續做數據分析師,兩段經歷算起來一共有3 年?,F在回想起來,那 3 年過的很快樂也很有必要、而且長度剛剛好,再長一些可能后續就會是一條不同的路了。

「憧憬」

在我本科和研究生期間,國內互聯網行業剛好經歷了 PC 時代大潮,移動互聯網的產業紅利正在敲響無數人命運的大門。當時我對職場的了解并不多,并不清楚學數學/統計畢業后都能做什么,只是覺得不能老在學校里呆著,于是打開招聘網站,用關鍵詞數據、數學進行檢索,發現了數據分析師這個崗位。

實習是在一家乙方公司的咨詢部門,當時還不會寫 SQL,實習期間的主要工作就是出數據分析專題報告,有專人幫忙做數據提取。這段時間在導師的幫助下,做了很多“用數據講故事”、“數據驅動業務決策”的嘗試,覺得很過癮,有種數據分析很有用、很好玩的感覺。誰知畢業后正式工作,才體會到之前的憧憬有一定偏差,各種煩惱接踵而至。

「困惑」

正式入職一段時間后,我發現數據分析師的工作并沒有那么指點江山,日常精力的分配大致如下圖所示:

  • 日常監控:公司重要業務和產品的表現好不好?如果出現了異常的波動,快速解釋下是為什么?
  • 效果評估:產品新上線了一個功能/策略,運營新上線了一個活動,需要量化的評估下到底效果好不好?
  • KPI 測算:各個業務線的KPI該怎么定?具體該定成多少?
  • 專題研究:不同年齡段的用戶都是怎么使用和看待產品的?哪些因素是用戶留存的關鍵?

其實還有一個沒列入常規工作的事項,就是及時響應老板需求,比如:上午產品總監問為什么某個新功能這么少人用?下午技術大佬說我這個新策略不可能才這么點提升你們是不是算錯了?晚上快下班了CEO想起來體驗下產品、發現有個外顯的數據跟他的直覺不符,需要我們排查下……總之,這些撲面而來的具體工作,讓當時的我有這么幾個困惑和不爽:

  • 日常產出瑣碎:記得最后離職面談的時候我主動提到,感覺最近一年的時間,我的產出主要都是Excel和郵件里直接回復一些數據結果,都很少有PPT。這個現象在我理解,就是產出不成型、不系統、偏瑣碎。在這背后,則是日常大量時間都耗費在數據提取上,應對很多人看數據的需求;
  • 無法深入業務:隨著越來越多的公司認識到數據的重要性,有一種傾向就是會在所有業務線之上單獨成立一個數據分析部門,這樣做可以在某種程度上避免業務部門既當運動員又當裁判員的情況,也就是自賣自夸偽造效果。但問題也隨之而來,既然不是自家人,那么肥水就不想流入外人田,高價值的工作內容(如決策建議)自然就不是很想讓獨立的數據分析部門染指。在這種情況下,數據分析師們更多的精力只能發泄在日常數據監控、效果評估和自娛自樂的研究性分析上。另外一種傾向,就是把分析師們打散安置在各個業務部門中。我當時身處前者組織架構中,導致無法深入業務,很多分析都懸浮在空中,不切實際、也難以落地。

「頓悟」

雖然后來很多年都不做數據分析師了,但崗位依然是圍繞數據這條主線,并且在具備了一些產品經理視角后,對當初的困惑也有了新的理解:

  • 用工具節省自己的時間:既然日常有很多時間浪費在支持不同的人看數據上,那利用一些工具滿足他們看數據的需求,也就能解放自己的時間了。具體來說有兩種方式,一種是上線數據看板讓業務方自己用,一種是開發一些便捷的數據報表給自己用。鑒于目前業界從業者普遍的數據素養,我可能更建議后者。因為讓業務方自己看數據,既需要讓他們克服“懶”的天性,又要培訓他們理解數據指標的口徑定義,難度和阻力都很大;但給自己開發工具就不同了,只需要持續沉淀業務方的看數需求,不涉及“懶”和培訓的問題。
  • 多花時間體系化思考:當節省了時間之后,我們就可以花更多時間化被動為主動了。要知道一線從業者們作為某種程度上的體力勞動者,相對老板有天然的劣勢。老板們已經從大量日?,嵥轶w力勞動中解放出來了,有更多的時間、更多的信息去思考。上帝一思考,人類就發慌。老板們的每一個散點式發問,對毫無思考儲備的我們來說,都是一次降維打擊。我們可以多嘗試站在業務的視角、老板的視角思考,這樣就能提前預判問題、分清問題的優先級,對需求方進行預先的引導和管理,盡量讓局面在自己的已知計劃內。
  • 讓自己具備一些產品視角:如何才能具備業務視角和老板視角呢?在做過產品經理后我最深的感觸就是,分析師的產出是否有價值、能否落地,最關鍵的是會不會提問題,畢竟分析問題是跟在提出問題之后的。能否提一個好問題,一方面是考驗對業務是否熟悉,一方面就是考驗能否跳出自身的思維模式。搞技術的人,或多或少都容易把自己的邏輯搞成自閉環,只在同業的小群體內能互相理解,跳出群體就會有雞同鴨講的感覺,這種就是小邏輯。而我理解的大邏輯,不僅僅是縝密完備的,也應該是樸素易懂的。能讓大部分人都理解你的邏輯,才能讓邏輯發揮作用,否則就是自我陶醉。能否站在對方的角度思考問題,就是從小邏輯到大邏輯的關鍵。
  • 選擇適合自己的組織結構:除了努力提升自己,我們還可以做好選擇。數據分析師的組織結構在不同企業中,基本就是如下 3 種結構,要么是我體驗過的集中式、要么是分散式、要么就是混合式。這 3 種結構各有各的優劣勢,作為數據分析師可以結合自己所處的階段和興趣,做出合理的選擇。比如集中式的數據分析團隊,很利于數據管理,但不太利于業務分析。所以如果對業務分析特別感興趣,但對數據規范、統一管理等意向不強的數據分析師,可以更多選擇去分散式的數據團隊;不過對基礎較薄弱的初級數據分析師而言,可能先在集中式團隊也比較有利于信息共享、以及學習成熟企業的“集團作戰”模式方法。

2.2 轉型策略產品經理

做數據分析師的末期,因為體會不到成就感,同時也覺得自己上學所學的那些數學、概率、統計、算法全無用武之地,就很迫切的希望能夠轉換崗位,做一些能直接感受到價值的工作。正好有前同事邀約,就一拍即合,跳槽去了當時一家還算互聯網第一梯隊的公司,做策略產品經理。后來從這家公司跳槽去另一家互聯網第一梯隊的公司,也還是做策略產品經理。這兩段經歷合計不到 3 年吧,回想起來自己也只是剛剛摸到策略產品經理的皮毛而已。

「憧憬」

做數據分析師的時候,單純的覺得自己是承接需求的,而產品經理至少是提出需求的,從被指派干活到催促別人干活,可以節省很多時間。有了時間就可以思考更多,能夠從收集需求、功能設計、開發上線、用戶反饋最后到運營迭代,是一個完整的閉環。而且過程中應該會用到不少曾經學過的“高級貨”,能獲得一種學以致用的正反饋。

帶著這些憧憬,我的第一份策略產品經理工作算是非常順利,這里不得不感謝當年那個寶貴的團隊氛圍,讓我可以專注設計一款大型數據產品功能模塊的計算邏輯。我記得當時我每天都在期待上班,因為這樣就可以讓我有機會跟更專業的同事們討論自己前一天晚上在家琢磨思考的策略模型了。那段時間我每天都能有知識上的收獲,同時也能高頻的獲得正反饋,現在看來真是職業生涯中稀有的快樂時光了。

但快樂總是短暫的,因為公司組織架構的變更,我選擇跳槽出去,才發現之前做的策略是那么小眾,更常見的策略是強調數據反饋的、是無形的、是在中間承壓的。我也逐漸認識到策略產品經理日常有哪些工作,以及策略產品經理其實可以有很多種細分(如下圖)。

「困惑」

負責設計數據產品功能模塊的計算邏輯,實在是一種很小眾的策略產品經理,甚至可以算成是略有殘缺的數據產品經理。后來轉做風控策略,才算是步入正軌。但很快我發現“正經”的策略產品經理,反而失去了那些快樂:

  • 橋梁?夾層?最后一公里?:策略產品經理工作中大概率會遇到的困境,就是自己身處一條完整鏈路的中間。一端是算法工程師,一端是業務場景的功能產品經理,兩端都可以給你提建議。策略很多時候做的都是最后一公里的事情,好比從地鐵站到你家這段距離,是步行、騎車、還是打摩的?這是一個因人而異、因地制宜的事情。這最后一公里看起來不起眼,但卻十分影響體驗,如果出了差錯,這口鍋算法不背、業務場景的功能產品經理不背,很多時候需要策略產品經理來背。
  • 一切看指標,一切要量化:衡量策略的好壞標準在大多數時候都可以非常量化,而且在互聯網產品上能夠快速獲得效果數據,周而復始就很容易有種操控大型實驗的感覺,一切具體的人都被埋點上報匯總成數據指標。曾經一度我也很享受這種操控感,但時間長了就膩了,因為我發現并非所有事情都能被如此量化操控,這很互聯網,但不那么現實。

「頓悟」

曾經我追求學以致用、追求那種操控感,我把這些視作成就感。但隨著成長,我發現我的興趣點變了。我還是更喜歡做全流程的東西,不太喜歡夾在中間;我還是更喜歡做看得見摸得著的東西,不太喜歡做非實體的;我還是更喜歡做有一點模糊地帶的東西,不太喜歡什么都能量化、什么都是非黑即白。

而崗位職業的選擇,有時候也是不斷認識自我、調整自我的過程。不用強求自己什么都擅長,找到最適合自己的就好。這么看,延續數據這條主線的同時,做具體的產品就是最合適的,那就是數據產品經理了。

2.3 專注數據產品經理

后來我憑借給數據產品的功能模塊設計計算邏輯的經驗,跳槽轉崗成了數據產品經理,并且一直延續到現在。期間歷經了兩家公司,一家是互聯網第一梯隊公司,一家是泛金融領域第一梯隊公司。雖然曾經的憧憬逐漸淡化,困惑階段性冒頭,但我還是享受這趟溫暖而百感交集的旅程,并期待它能延續下去。

「憧憬」

由于對數據產品的初印象,是那種大型的、對外的、可變現的、貼近業務的數據產品,所以自然會以此為標準期待后續的工作內容。我會期待自己的工作是既有產品定位規劃、又有功能計算設計、還有商業變現閉環、以及近距離接觸一線客戶收獲一手需求,現在回想真是想的美。這種對數據產品認知的以偏概全,導致產生了那些不切實際的憧憬,很快現實就教育我要調整認知。

「困惑」

做數據產品 6 年多,接觸的數據產品類型逐漸豐富,基本覆蓋了數據全鏈路。既有開源的、也有節流的,既有對內的、也有對外的。我對數據產品也有了自己的定義:在數據全鏈路(獲取、存儲、管理、加工、分析、應用)的每個環節,通過產品形態為個人或企業用戶降本增效、促進營收的東西,就是數據產品。這句話里有很多關鍵詞,分別描述了場景、形態、對象、作用。

同時,我對數據產品經理所需的核心能力,也有一些自己的看法:

越熟悉這個領域就越會覺得,目前還不是數據產品的最佳時代,因為它的價值還沒有被充分發掘、它的需求也還沒迎來爆發:

  • 只能錦上添花,無法雪中送炭:這是當前對數據產品最大的詬病,認為數據產品歸根結底只能提升效率,并未真正的新增任何價值。似乎不論是數據獲取、存儲、管理、加工、分析還是應用環節,沒有數據產品的時候靠人工也可以完成,并沒有什么事情是只有數據產品能解決的。我基本承認這個現狀,并認為長期也依舊會如此,這一度讓我對數據產品經理的價值有點沮喪
  • 需求量并未井噴,認知有待教育:市場對數據產品經理的需求其實并沒有那么大,這個崗位的滲透還在緩慢的從頭部行業頭部公司向下轉移中。同時,大家對數據產品是什么、數據產品經理到底核心能力是什么,都還沒有形成較為統一的認知,市場上大量存在的數據產品還是 0-1 階段的功能堆積容器。這一切都不利于數據產品為自己證明

「頓悟」

如果不能創造出新的價值,僅僅提升效率就沒多大價值么?我不這么認為,我覺得提升效率很重要,而且可能是未來很長一段時間內的主旋律。在下一次技術革命到來之前,產能和規模會讓位于效率,而且效率不僅僅代表省錢省時間,它也可以更高效的掙錢。

如果現在還不是數據產品最好的時代,那就默默耕耘等待。如果你真的相信它的價值,就應該能自洽。職業生涯其實很長,如果看成炒股,追逐一個個短線波動會很累,認準了一個標的、進行長期價值投資也未嘗不是一種好策略,關鍵是堅持的住。

最后,保持開放平和的心態,我覺得在未來同樣重要。崗位不是永恒的,能力才是。接受自己可以被任何標簽定義,但不局限于數據產品;以產品形態最大化發揮數據的價值,我覺得這條路的風景還不錯。

三、我有一點點反思

走過這么多路,肯定會有些想法。我會從過往經歷中盡量總結一些共性的內容,跳出數據的限制。

3.1 剛工作該怎么設定目標?

前段時間跟一位優秀且年輕的朋友聊天,她對這個問題有一個特別好的建議,我轉述一下:“剛畢業的頭 2-3 年,其實最關鍵的是熟悉規則和環境,盡快選一個值得長期深耕的方向。而不是被小范圍的環境所左右,尤其是被領導的績效牽著走,這樣很容易動作變形”。

我再稍微展開下,一個人的發展離不開行業、公司、領導這些外在限制條件,大多數時候對你影響最大的就是直屬領導,但市面上好領導十里挑一,遇上了是運氣,遇不到是常態。剛畢業的朋友特別容易從領導那里找認可,但如果遇上領導 PUA 怎么辦?作為一個活生生的人,你的好與不好,不應該完全來自你領導的評價。很多時候他希望你達成的可能都是一些局部最優解,而你的生活應該更多靠自己做主。畢業 3 年內只是新手區,快速熟悉規則以便選擇一個自己覺得更值得長期“游戲”的劇本就好。

3.2 工作的源動力是什么?

我發現剛畢業的頭幾年,特別容易陷入兩個陷阱:一個是學以致用(參考我做數分和策略產品的時候),一個是操控感。

第一個有點表面,所學的東西是招式,真正追求致用的其實應該是心法;第二個更容易迷惑人,我也曾著迷于大型實驗,比如做策略的時候,一個參數一個策略能看到后續大規模數據的變化。但時間長了,操控真的那么有意思么?成就感一定只能來自操控感么?我的成就感到底是什么?

我聽過一些值得商榷的源動力,比如為了讓大家都有成長(leader 的責任感)。但我想到“修身——>齊家——>治國——>平天下”,我理解包子還是要一口一口的、有順序的吃,自己都沒變好,談什么肩負他人的責任?

所以先清楚不是什么,再慢慢去尋找是什么。我想我目前的源動力,就是盡量接觸完整的、真實的世界。

3.3 我們應該學會理解過去,以便接納未來

最近 2-3 年我們每個人都能感受到不容易,因為時代變了,新舊模式在切換。在大變局下,我們需要重新審視過去的狂飆突進,重新認識隨機性,這樣才能更好的接納我們每個人的未來。

我們看到的一些人在過去的成功,其實很大程度上源自時代。這本書和這句話就能很好的概括。

這不僅僅是祛魅的問題,更重要的是把隨機性引入人生模型后,允許自己和他人都可以不成功。同時,我們也需要好好審視,過去成功的模式,還能在未來繼續適用么?當我們在網上聽到各種分享經驗的時候,不妨去質疑他的底層適配條件,如果條件不匹配,就不必浪費時間了。

3.4 嘗試讓自己有影響力

舉個最實際的例子,為什么我們很多人面試那么麻煩?因為對方根本不認識你,所以你需要憑借簡歷、問答介紹自己的工作內容來在短時間構建信任,讓自己可以影響對方的決策。但如果你一開始就有影響力呢?不僅構建信任的過程會變得順暢,而且可能你也沒必要非走面試打工這條路了。

我們很多人習慣了讓公司、讓老板有影響力,但沒有習慣給自己培養影響力?;仡櫛疚拈_頭我列舉的大模型對我的認識,其實這也是一種影響力,而且或許在未來會有點用,畢竟大模型可能成為未來數字世界的基建。那大模型是怎么認識我的?肯定是因為我有意識的在網上播撒自己的數據,我主動的去訓練大模型。

3.5 做通才還是做專才

我可能更建議做通才,這是基于對中短期大模型發展的理解。在一些專項能力上,其實 AI 已經挺 ok 的了,人類去拼沒有意義;但在融會貫通、整合多種能力這個層面,似乎 AI 還有待發展

同時,我們大多數都是普通人,普通人成為頂尖專家的難度,遠遠大于多項都做到良好的難度。所以做通才從實踐層面似乎也更可行。

作者:古牧君,公眾號:古牧聊數據

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. 好棒

    來自中國 回復
  2. 對【組織結構】的分析很準確,也是造成數據分析師職業困境的一大原因。很多公司都沒有意識到這些類型的組織架構不適用了。

    來自湖北 回復