|
|
51CTO旗下网站
|
|
移动端

人人都是数据分析师??愿韭菜的世界没有镰刀

针对近年来网上各路培训班营造出来的“人人都是数据分析师”热潮,给出一些个人看法。希望能让所有冲动转行的小白们都先冷静下,想清楚到底要不要做之后,再去行动。

作者:古牧君来源:古牧聊数据|2020-08-11 12:20

 

有志于转行数据分析的朋友们好~古牧君今天大胆开麦,针对近年来网上各路培训班营造出来的“人人都是数据分析师”热潮,给出一些个人看法。希望能让所有冲动转行的小白们都先冷静下,想清楚到底要不要做之后,再去行动

本文篇幅适中,内容环环相扣:

  • 1,目前市场上数据分析的热度究竟高不高?
  • 2,数据分析师的实际需求量到底大不大?
  • 3,为什么会出现“人人都是数据分析师”的现象?
  • 4,普通数据分析师日常工作内容都是啥?
  • 5,应付日常工作都需要掌握哪些技能、又有什么门槛?
  • 6,哪些人不建议零基础转行数据分析?

1,目前市场上数据分析的热度究竟高不高?

除了体感上遍布各大平台的培训机构广告,我们还可以查看产品经理 v.s 数据分析师的百度指数,在对比中量化解答这个问题:

可以发现,这两个岗位都是源远流长,从互联网诞生伊始就存在了。但直到19年之前,产品经理的热度都是2倍于数据分析师的;而从19年开始,数据分析师的热度奋起直追,加之产品经理逐渐降温,导致两者差距已经缩小到50%以内了

2,数据分析师的实际需求量到底大不大?

既然是市场, 就要讲供需关系,供给侧那么火热,需求侧呢?我们直接从大型互联网招聘网站的岗位搜索结果来看,在限制城市、岗位和工作年限的前提下,对比产品经理、看下初级数据分析师在不同城市的实际需求量:

该网站不会直接显示某个岗位在全国的实际招聘总量,比如超过500时就只会显示500+,我们只能变通一下,收集全国6大互联网重镇初级产品经理 v.s 初级数据分析师的招聘量,在对比中偏定性的了解后者的实际需求量到底有多大:

从上图中我们能很清晰的得到2个结论:

  • 任凭媒体近些年来怎么吹,论互联网就业机会和丰富性,北京依然是毫无争议的第一梯队,上海、深圳、广州是第二梯队,杭州、成都妥妥的第三梯队
  • 相对初级产品经理而言,初级数据分析师的需求量远远落后。无法像当年人人都是产品热潮一样,承受人人都来做数据分析师

3,为什么会出现“人人都是数据分析师”的现象?

仅凭个人主观感受,有如下两个见解:

  • 近年来所谓的流量红利差不多见顶,需要做精细化运营了;再加上早年间几位互联网巨佬疯狂输出“数据公司”的概念,导致大环境对数据分析类岗位的需求和认可都有了阶段性的提升
  • 近年来生意不好做、钱不好赚,大家普遍滋生焦虑心理。培训行业作为一门生意,因势利导的利用焦虑。可产品经理、运营、甚至交互设计、编程在前几年就已经喊过“人人都是”了,需要有新的水源涌入,目光自然就移到了数据分析上

4,普通数据分析师日常工作内容都是啥?

古牧君人肉整理了招聘网站上1~3年数据分析师的岗位JD,抽取一些共性内容列举并解读如下,首先是岗位职责部分:

  • 常规监控:日报周报月报这类的,主要是监控下业务的核心指标有没有变动。如果有的话,就要解释下原因。原始些的每天手工提取数据然后EXCEL加工制表呈现,正常些的会有对应的BI报表和邮件预警;
  • 效果评估:“产品新功能上线后效果好不好?最近搞的一个运营活动效果好不好?”这些都需要数据事后诸葛亮一下,ABtest什么的会经常使用。这部分其实不仅仅是事后的事儿,在开始之前就需要数据分析师来全盘的考虑,设计评估方案并依方案来布置需要监控/收集数据的位置和字段,是一个系统工程;
  • 业务决策:“怎样才能提升用户的活跃/留存?”这类问题会来自一线业务部门,我们的分析结论和建议会影响他们的决策和操作。这里最关键的是拆解业务方提出的问题,之后再给出一个系统性的方案;
  • 研究分析:“现在的年轻人都喜欢什么啊?”这类问题往往不是那么功利,可能没有任何一线业务部门有这类迫切的需求,但为了公司长远战略发展和团队自身影响力等,还是必须的。这里最关键的是如何提出有价值的问题,而不是张嘴等着喂饭

其次是岗位技能部分:

  • 专业相关:数学、统计、计算机相关专业优先
  • 数据思维:能够量化衡量业务问题,并体系化评估业务发展
  • 数据敏感:对指标的波动和相互之间的关联敏感,能及时发现潜在问题
  • 理解沟通:能很好的理解业务问题,顺畅的与业务团队沟通协作
  • 熟悉方法:掌握常见统计学方法,有ABtest、机器学习等经验优先
  • 掌握工具:熟练使用SQL/Excel/Python/R等数据处理工具
  • 报告展示:可视化数据分析结果,降低理解成本、提升沟通效率

5,应付日常工作都需要掌握哪些技能、又有什么门槛?

我们继续把上述技能归纳总结,看看为了应付数据分析师的日常工作,到底都需要哪些核心技能:

  • 工具型技能:这部分就是各类培训班和营销文章的主打,因为它确实是最基础、最需要的,但随着工作的深入,也是最不那么重要的。罗列下数据分析师需要掌握的工具,不外乎下面这些:

SQL,提取数据必备技能,学起来也方便,随便买本讲SQL的书就能入门。后续随着实际使用中遇到各种问题再网上搜复杂的代码写法就好,不必前期太磕死书本;不过这种程度只是入门级别,当数据量较大的时候,还要考虑代码的性能,这些就不强求

EXCEL,也是各种工具书铺天盖地。提取完数据后,简单的数据处理啊、作图啊制表啊都在这里搞定了,可以说数据分析师80%左右的工作,就靠SQL+EXCEL了。对EXCEL没必要追求太多的奇技淫巧,工具而已,用到的时候查一查就好,说到底还是要服务应用(对数据可视化感兴趣想自学的,推荐下面这本)

Python或R或SPSS等,这些都是数据挖掘的工具,是日常工作中相对“高阶”的那一小部分。虽然不鼓励炫技式的工具使用,但知晓基本的数据挖掘,还是有利于拓宽分析师的思路。比如很多数据集,常规的统计分布可能看不出什么端倪,这时候就需要聚类试试;当我们想要预测些事情的时候,回归啊分类树啊这些基础的模型算法也会有用武之地。Python和R都需要写代码来操作,而SPSS则更像EXCEL、鼠标点点点就OK了。重要的是,要理解这些工具背后模型和算法的原理,知道它们适用的场景和优劣势,才能真的驾驭工具

  • 方法论型技能:掌握了基础的工具后,还有很多人执迷于数据分析方法论。讲真,我问到周围几个同事(BAT且title为高级XXX),他们多少都有些为难。很多文章都会列举各种各样的方法和模型,但其实那些并不是数据分析独有的,比如5W2H、MECE、SWOT等,都是通用的逻辑思维方式方法。但为了劝诫那些想要给培训班送钱的善男信女,我还是想简要说说:

逻辑思维真是的一切的基础,有条理分主次的表达自己的观点,同时也要能抽丝剥茧的分析问题解决问题,对数据分析师来讲很关键;如果非要说有什么方法论,我觉得对比细分溯源就挺好的。举个例子,今年腾讯的热度是1000万,这个数说明啥?首先要问清楚热度是怎么定义的,然后要找个参照系,比如跟去年比,才能知道是高是低。进一步,如果比去年高了,那是为什么高的?可以从不同维度进行细分溯源,比如从时间维度上,看看是否仅仅是某个月暴增导致的?再比如从对象维度,看看针对腾讯的讨论是说公司、还是说领导人、还是说产品?也可以从数据的来源渠道细分看,是新闻媒体的报道多了、还是网友在论坛贴吧的讨论多了?

你说是先有方法论才能做成一件事情,还是先做成一件事情再有的方法论呢?很多时候,方法论已经被我们这个时代过度消费了,它成了成功者的事后诸葛亮。就像历史一样,是被掌握话语权的人随意粉饰打扮的小姑娘

  • 业务型技能:还没完,要想让自己的分析结果切实可行,就要深入的了解所在的业务,不能闭门造车天马行空的搞纯数据研究。举个例子,豆瓣要提升商业收入,钱从哪些人那儿挣?这就需要首先对目前业务有一个了解,小组、书影音、广播、FM的比例如何?豆瓣上不同人群的画像如何?结合宏观环境来看,哪些人消费意愿在增强?
  • 做人型技能:最后,任何一项工作,都不可能是一座孤岛。自称“社交恐惧”“沟通障碍”的朋友,如果是真的话,甭管数据分析还是写代码,都不那么适合你。或者说的委婉一些,你可以做,但肯定很难做的好。我见过的工程师里能做上leader的,也都是相对他们群体而言更懂沟通的艺术、更懂换位思考的那群人。毕竟工作中的事情,很多情况下分工合作资源互换,会比你单枪匹马来的事半功倍;合格的社交合作外,也要有一定的“敏感性”,就是能洞察出领导们的心思。有一种说法是,工作就是让领导开心。我虽然觉得这句话太功利,但也不是全无道理。不妨换个角度来看,自古成大事者,更多是心怀理想的现实主义者。我们需要了解这个环境,适应这个环境。很多时候正确的事情也需要看时机,很多时候事情能不能做成,“人”的因素是很重要的。我们需要有能力判断哪些事情的价值更高、更能做成,在自身利益与公司利益之间,找一个微妙的平衡

6,哪些人不建议零基础转行数据分析?

既然门槛都知道了,那么对应哪些人不适合零基础转型,也就一目了然了:

  • 工具型技能,算数过关就好:
    • SQL和EXCEL都很容易上手,高中数学OK就好;Python、R那些工具,其实更重要的是背后的原理,所以需要相对扎实的概率统计+高数底子。不过数据挖掘也不是所有数据分析师都需要会的,所以工具这部分,武断一点给个标准:高考数学150满分的话有个100+就差不多了
  • 方法论型技能,逻辑严谨条理清晰:
    • 稍微武断一些的说,国内大部分纯文科专业背景的同学(尤其是毕业后也一直从事创意类、职能类、销售类等工作的朋友),零基础转型数据分析难度较大,不太建议。因为长时间的专业背景和工作环境,会重塑人的思维方式,如果已经习惯了发散式、跳跃式思维,日常又更偏重感性而非理性,数据分析类工作就较难适应
  • 业务型技能,需要接地气:
    • 特别学术型的朋友,比如对学习研究以外都缺乏基本认知和兴趣的那种,不那么适合数据分析师这种岗位,因为这个岗位其实没那么高深也没那么科研,相反,非常需要接地气。数据分析本质上就是应用学科,需要以应用为导向,从问题出发去倒推解决方案,而非先研究一个东西再看看有什么可应用的场景。是否愿意了解你所在的业务方向,能否理解一线实际工作环境都面临着什么问题,真不是所有人都能搞定的
  • 做人型技能,不能太自我:
    • 过于固执的朋友、缺乏同理心的朋友、不善于沟通的朋友,在数据分析师的岗位上注定不会走的很远,在其他岗位也同样。一方面我们需要通过换位思考,真正的理解对方的问题和困难,有时候更是用户的需求;一方面我们也需要通过沟通,把我们的观点和看法顺滑的输出出去,并最好能在听众的心里生根发芽,最终开花结果

本文转载自微信公众号「古牧聊数据」,可以通过以下二维码关注。转载本文请联系古牧聊数据公众号。

【编辑推荐】

  1. TigerGraph GSQL语言荣获全球数据库峰会SIGMOD高度认可
  2. 数据素养的7大判断标准:看你骨骼清奇,来当数据科学家吧!
  3. 数据科学家的神器:为什么大家都用Kaggle?
  4. 面向数据科学的5个Apache Spark最佳实践
  5. 如何在不影响发展的情况下降低数据成本
【责任编辑:武晓燕 TEL:(010)68476606】

点赞 0
分享:
大家都在看
猜你喜欢

订阅专栏+更多

大数据安全运维实战

大数据安全运维实战

CDH+Ambari
共20章 | 大数据陈浩

91人订阅学习

实操案例:Jenkins持续交付和持续部署

实操案例:Jenkins持续交付和持续部署

微服务架构下的自动化部署
共18章 | freshman411

188人订阅学习

思科交换网络安全指南

思科交换网络安全指南

安全才能无忧
共5章 | 思科小牛

112人订阅学习

订阅51CTO邮刊

点击这里查看样刊

订阅51CTO邮刊

51CTO服务号

51CTO官微