当前位置 > 首页 > 专栏作者原创 > 一起聊聊数据分析师的职业规划

一起聊聊数据分析师的职业规划

来源:CPDA中国数据分析学习网 | 时间:2018-02-09 | 作者:数据分析学习网

作者:刘顺祥

浙江工商大学统计学硕士,高级数据分析师,曾就职于大数据咨询公司,服务过联想、亨氏、美丽田园、网鱼网咖等企业项目;曾在唯品会大数据部担任数据分析师一职,负责支付环节的数据分析业务。


关于数据分析师的职业规划,还是一个蛮大的话题,今天我就从两个大的方向来谈谈这个火热的职业吧。一个方向是偏文一些(即运营分析),另一个方向则偏理一些(即挖掘分析)。

不管是文的还是理的,可能你都需要掌握一些入行的行规,例如Excel技能、数据库操作(MySQL/SQL Server/Oracal/Hive等)、Tableau可视化、R或Python的编程能力等。这些都是用人单位在招聘数据分析师时提到最多的“任职资格”,其实这也都是技能门槛。如果这些你还没有接触过,可以在准备入行前花3~6个月去充充电,可以选择闭关修炼、或观看学习视频、甚至可以挑选口碑比较好的培训班。

如果你具备了上面的几项硬功夫,那你进入这个行业的话应该就比较容易了,最起码在技术这块大部分的面试官是不会为难你了,能不能最终通关就要看你的软实力啦(如口述表达能力,思维能力,组织能力等)。接下来就从偏文的运营分析师和偏理的挖掘工程师两个方向来做个说明和对比,看看两者的差异。

首先分享一下运营分析师的工作内容,对于绝大多数数据分析师来说,都是将你手中的数据服务于一线的运营同事。具体一点可以理解成你的工作内容可能是:

报表开发:其他业务部门(如市场营销部、产品部等)会扔一些需求过来,需要数据分析师帮他们做一下常规的日报、周报、月报等;

数据监控:数据部门经常会根据业务需求,对关键性的指标进行监控(如活跃度指标、转化率指标、留存类指标等),监控不是问题,问题是数据出现波动后的查因及解决方案

数据化运营:说白了就是让数据指导运营决策、驱动业务增长。需要将数据分析师与一线运营者的各自优势进行搭配,实现数据功效的最大化;

输出分析报告:需要数据分析师根据目标项目,整理出一系列相关的分析报告,包括可视化化的数据展现、问题的原因、可执行的行动方案、预期的效果等等。

对于数据分析师而言,以上的工作绝大多数通过数据库SQL和Excel工具就能搞定了。最关键的是数据分析思维和业务的理解,这个每个人所展现出来的能力都会有所区别和高低,关于这方面的培养可以多跟公司的运营部门同事交流和查看运营相关的书籍、帖子等。

接下来我们再来看看挖掘工程师,对于这一技术性比较强的职业,需要应聘者更高的统计学背景、数理演算能力以及编程技巧(对业务的理解也许都赶不上分析师或运营)。对于数据挖掘者而言,更多的则是根据不同的技术性项目(如如何实现动态定价、如何预判某个事件的好坏、如何识别出不同价值的客户等)来完成挖掘相关工作,甚至有时并不需要对数据业务非常的熟悉。对于数据挖掘来说,具体有以下这些流程步骤:

明确问题:在进行一项数据挖掘项目之前,首先需要明确待解决的问题是什么?这个问题是否可以通过挖掘技术(预测、分类、聚类、关联、推荐等)解决;

数据抽取:一旦明确了问题需求,就需要查找跟问题相关的数据,即从数据库中抽取出解决问题的支撑数据、甚至是结合第三方数据(数据共享、爬虫、合作等);

数据清洗:由于现实中的数据存在异常、缺失、量纲不一致、口径不一致等问题,需要提高数据质量,否则算法再优秀,结果也是有问题的;

特征工程:在干净的数据基础上还需进一步完成特征的提取,目的是降低模型复杂度的同时下找到影响问题的核心变量(因素);

建模:根据问题类型(预测型、分类型等)选择合适的模型(同类问题不同模型的试算对比)进行拟合;

模型验证:模型建好后,接下来就是要验证模型在样本外的表现如何了,一定要避免模型出现过拟合或欠拟合的状态;

迭代及部署:整个步骤都是一个迭代的过程,因为数据在变动,模型也会跟着变动,通过不断迭代找到最理想的模型然后实现线上的部署工作;

着这些流程过程中,绝大多数时间都会花费在数据抽取、清洗和特征提取上,而后面的建模、验证和部署则是水到渠成的事了。再一次强调,如果选择数据挖掘这个方向的话,必须具备强悍的数学功底和编程技术

不管是数据运营分析师和数据挖掘工程师,它们在企业中都属于技术岗。根据工作人员的能力,会匹配相应的段位,一般来说,较高的技术段位,也可以对标到相应的管理岗。下面就以阿里的职业级别为例,说明岗位间的攀登游戏(仅供奋斗的你参考):

数据分析师职业规划1

最后,就看你希望往哪个方向去发展,然后在这个方向上去努力,如果顺利的话你可以成为高级总监。十年磨一剑,奋斗中肯定会遇到各种瓶颈,如领域知识、理论背景、落地技能、组织能力等,这些都需要不断的学习、通过不断的充电才能够慢慢突破瓶颈,最终完成你想达到的目的地。

如上仅是个人对数据分析这个行业的一点点(片面)想法,肯定有不足的地方,还希望各位老司机也能够分享出你们的独特观点,为刚入行或质疑的朋友指点迷津。