數據科學(Data Science/Analytics)出身,可以在諮詢行業做些什麼?

請教各位前輩,Data science/Data analytics/Business Intelligence這些專業出身,可以諮詢行業做些什麼?


我了解的大致有兩種情況,一種是客戶不想或者不能或者來不及自己組建一個 analytics 組,第二種是客戶想看行業 best practice,找諮詢公司來提意見,但是前提是你諮詢公司得能看懂我做的模型和數據分析啊,所以也需要招相應的人才。 比如說前幾年銀行被加大監管力度的時候,各個公司都缺做 model validation 的,然後很多小一點的銀行就直接外包同時開始組建自己的隊伍。同時也有大一點的銀行想要看行業的 best practice,也會找諮詢公司來做,因為他們有個優勢是知道別的銀行是怎麼做的。

幾大諮詢公司都有這樣的職位,比如說我們系今年的就業報告, 諮詢佔了四分之一

DS 相關的的職位的話取決於怎麼定義 DS。不考慮諮詢公司的話,有的公司 DS 的 title 就是乾的就是偏 anaytics 的活,做 modeling/maching learning/deep learning 之類的叫 researcher. 有的公司是把以前的 statistician 全部改 title 叫 DS 了,比如銀行界的數據分析標杆 Capital One,當然他們的技能樹也從 SAS 轉 Python 了。

諮詢公司對應也是一樣的,叫一樣的 title 不一定干一樣的活,或者不一樣的 title 乾的活其實是一樣的,有可能叫 associate/data scientiat/analyst/consultant 但是乾的都是 analytics 的話。具體還是要看 job description。

附我們系 2016 年畢業去向,大概四分之一是在諮詢行業。希望對題主有幫助。

來源:http://analytics.ncsu.edu/reports/employment/MSA2016.pdf

109 個畢業生裡面 27%是做 consulting 的。

以下是給了 offer 的僱主名單,加粗的是有至少一個人接了 offer 的

粗看一下跟 consulting 相關的,發了 offer 並且有人接了的:

Accenture, Bain Company, Deloitte, EY, IBM, PwC

發了 offer 但是沒人接的

BCG, McK (攤手.jpg)

按行業劃分的比例:

需要注意的是由於我們學校離 SAS 很近,而 SAS 是歸到 Software 這一塊的,所以這一部分的非常高。


題主你問的比較籠統。data science, data analyst,business analyst這些都不是專業,是job title。

但是,你如果會這些job的skill set,諮詢業簡直就是你的遊樂場呀。

這些名詞都沒有嚴格定義,我就按著我的理解片面地答一下了。

business analyst(這貌似是一個比較entry level的title,但它是一個track的起點),client facing,了解客戶需求,翻譯給analytic team 聽,做engagement manager(em),協調項目進展。項目最後deliver的東西,em拍板。當然,em是ba的進階版,進階到相當階段才行。有些項目是長期的,不用談,有些要談,consultant還要會賣東西。我感覺這是個performer和coordinator的合體存在。

data scientist,我覺得我的skill set更類似於modeler。還是叫modeler吧,我們這以前也沒ds這個title。就是建模,一般來說賣之前有些demo,展示給別人我們做這個做那個能得到什麼樣的結果,客戶如果買,只要稍微稍微改一改就行了。但有時候比較奇葩,是先賣,那幫sales牛逼吹到天,發現原來的model根本回答不了客戶的問題,那這個時候依然要給人家做出來呀。甚至會重新建模,那時候ds可能會需要短平快,穩准狠。

data analyst,我理解是統計師,有很多不需要建模的項目,data analyst完全可以搞定。需要建模的項目呢,從信號系統的角度來看,garbage in, garbage out。來的是garbage,神仙難救。analyst很擅長在龐大的raw data 裡面找到有價值的東西。modeler要不然就是能會analyst的技能,要不然就是跟analyst一起搞。

data analyst和data scientists不好區分。

諮詢業是乙方,根據甲方的需求伺候甲方的客戶。甲方來自五花八門各行各業,一般來說中小型的諮詢公司會有自己擅長的行業,如果我是做城市規劃的,那有醫療的問題就別來問我了。大公司人多,有的是橫跨幾個行業,有的是還在一個行業。

不管是幹什麼職位,感覺還是要學這個行業的業務,我意思是還是要明白這個行業的人們關心的是什麼,然後再試圖去回答他們關心的這些問題。


@禦寒(知乎的@功能有些問題,如果弄錯的話莫怪)

前半個問題:
數據職位在諮詢公司中有兩種安排,一種是在作為後台部門支持駐場團隊的數據分析工作;另一種是作為諮詢顧問進場工作,同時承擔數據分析/建模的工作。

前一種最終會成為熟練的數據分析師,但是業務感覺弱一些;後一種還是諮詢顧問,只是在諸多能力中同時有數據分析的能力。我自己因為學過統計分析和市場研究,所以原來會在項目中承擔部分數據相關的工作(數據分析體系構建、經營業績數據挖掘、市場/用戶調研數據分析等),但這些只佔整體工作的很小一部分,而且也沒有複雜到Data Science的層面。畢竟,在諮詢項目中,我們更多地還是分析和解決業務和管理問題,數據分析只是工具之一,何況客戶自己也會有很不錯的BI團隊。

後半個問題:有一些諮詢公司會有專門的數據分析/諮詢團隊(有時候叫做大數據團隊),比如原來IBM GBS的BAO(全稱Business Analytics Optimization,後來改組後不知道怎麼樣了),就會做一些數據架構/治理(主數據)、數據建模/挖掘等;此外,有時候也會從IBM的研究部門抽調博士們做一些難度較大的建模/運籌等數據相關的工作。但個人覺得這些已經稍微偏離傳統的管理諮詢的主業範圍了。除IBM外,也有其它諮詢公司也會有這樣的團隊,比如你提到的PwC---或作為後台專門部門,或作為諮詢顧問放在項目之中。此外,也有一些公司會將一些數據處理的基礎性工作外包出去或者乾脆讓客戶內部的數據/IT部門協助處理(當然都是在客戶允許的前提下),因為一些數據處理工作還是偏操作層面,包出去效率會更高,而且也更便宜,因為顧問的工時要貴很多。

給你的建議:總體而言,除了一些特殊的項目,管理諮詢這邊對於數據分析的需求並沒有那麼的持續而深入。相比之下,建議你考慮一些數據和調研類公司,比如尼爾森,據我所知,它家是有一個專門做數據處理的部門,好像也是叫GBS。當然啦,也可以考慮成為他們的行業分析師,也會更多接觸一些數據分析的工作(多數還是市場調研數據,比如消費者研究之類)。此外,也可以考慮甲方的BI/銷售運營等崗位,也是滿有挑戰性的。唯一需要提醒的是,不論做那種數據崗位,一定不要脫離業務本身,不然對自己的成長會有限制。

以上,希望對你有幫助。祝你好運!


本人背景應用數學,運籌,優化,目前主要做圖像處理、機器學習以及傳統物流方面的大數據的應用,和目前大熱的Data Science淵源比較深(優化、統計、數值計算等「基礎學科」乃大數據的底層演算法),對技術諮詢公司了解的比較多些,自己也在商業優化軟體NO.1的IBM Cplex實習過,下面就技術諮詢淺嘗輒止,舉的例子大多是用優化的模型解決大數據問題。

首先歡迎大家關注我的運籌學、人工智慧專欄:

[運籌帷幄]大數據和人工智慧時代下的運籌學 - 知乎專欄

1,什麼是data sciense?主要應用?
首先從一個運籌學者的角度談談什麼是數據科學,以及數據科學可以用來做什麼。在我看來,數據科學(data sciense)是基於大數據,根據不同的實際需求,建立數學模型,然後編程並計算,最後目的是從大數據裡面得到或者抽取出想要的有用的信息(通常數據量減少很多),以幫助決策者決策。
舉個數據科學下的圖像處理領域裡面的很簡單例子:高速路上或者紅綠燈路燈下的攝像頭,每次一有車超速或者闖紅燈,都會拍一張照片,比如有1000*1000=100w像素,以往每張照片都需要儲存下來,然後交管人員用人眼辨別,去知道是哪輛車違規了。但是有了data science的幫助,事情就變得簡單很多。每張照片100w像素中間,真正對決策者(即交管人員)有用的,只是其中車牌號的那麼幾千個像素(假設5000個像素)。所以,圖像處理領域的數據科學家,就能依據決策者的需求,建立數學模型,然後編程嵌入晶元,最後把晶元植入到這些攝像頭裡面。那麼,最後的結果就是,每次拍完一張100w像素的照片,需要存儲的,僅僅是包含車牌號碼的那一小塊照片,即5000個像素點。這麼一來,就大大減少了儲存量;然而人類偷懶的潛力是無限的,有沒有一個技術,可以直接把圖片上面的數字元號讀取出來呢?答案當然是有的,所以更進一步,text mining的數據科學家們,用他們領域的演算法,再對這5000個像素點建模設計演算法(如機器學習演算法),便可以直接得到牌照號碼(比如:蘇B A1234),這麼一來,每次拍完一張照片,需要存儲的數據量,一下從100w變成了7個字母。Impressive?當然後面還有更impressive的。

2,諮詢公司的分類以及他們和Big Data、Data Science的淵源
首先簡單地對諮詢這個行業做個分類。大家比較熟悉的麥肯錫應該屬於商業管理諮詢,然後投資銀行做一些金融類的諮詢,還有BCG等做一些整體行業的諮詢,當然還有我前面提到的,留學諮詢,如果你也把它納入的話。
那麼問題又來了?什麼是諮詢公司?比較通俗的理解,就是別人掌握了你沒有的信息,然後把這個信息按照一定價格賣給你,這裡的信息,可以是一般的消息性的信息,也可以是技術性的技能信息,甚至是操盤手莊家明天的操盤策略(這個貌似違法)。任何信息,有市場就有價值,賣這些信息的機構,就成為了諮詢公司。比如留學諮詢,我恰好去了三個大洲五六個大學學習過,知道了平常人不知道的一些信息,我就可以成立一個私人留學諮詢,把我的這些信息賣給需要的人。(詳見歐洲、北美、全球留學及人工智慧、數據科學深度私人諮詢,從此DIY - 知乎專欄)我知道的這麼些信息,就構成了所謂的「大數據」,這是傳統意義上的大數據,卻不能成為近幾年很火的那個大數據。為何?因為我所知道的這些信息,都在我的腦海里,或者我通過敲了幾篇文章,也只是把我腦海中很多信息的一小部分展示給大家了,而還有很多依舊在我腦海里很難展現給大家。而最近很火的大數據,是指可以完全展示出來的,量化的數據量很大的數據。同樣的留學諮詢例子,正規的留學機構,由於接待了幾萬個客戶,擁有著每個客戶的諸如GPA,托福雅思成績,GRE成績以及他們收到的offer等等可以量化的數據。Data Scientist這時候的作用,在這裡,就可以用統計、機器學習、優化的模型,利用這些可以量化的數據,建立並訓練數學模型,得到最優化的參數。最後可以得到怎樣一個智能的東西呢?就是一個新的客戶,當給出了他的GPA,托福雅思成績,GRE成績以後,輸入到這個模型,它會給你推薦大學,以及每一個大學拿到offer的概率。這裡的模型,和上面的數據抽取又不一樣了,它可以做到從已有的數據為依據做出推斷,Impressive?
回歸到本段落重點,諮詢公司由於接觸著成千上萬的客戶,因此在所從事領域,有著得天獨厚的大數據(Big Data)的優勢。比如麥肯錫做行業諮詢,那麼他就擁有著本行業最多的大樹據;投資銀行諮詢部做金融諮詢,就自然擁有金融方面的最全的大數據。但是擁有大數據並不意味著知道如何利用大數據,特別是如何自動化智能地利用大數據(即Data Science所做的)。上面的留學諮詢的例子,你有見過哪個留學中介會專門聘個機器學習的Phd給他們做一套類似的軟體的?這些技術性的東西,小公司一般會外包給技術類諮詢公司,或者直接購買市場上有該功能的商業軟體。
因此,結論:傳統諮詢公司和Big Data淵源很深,卻很少涉及Data Science。

3,Data Science用什麼方法分析Big Data?
當下最火的機器學習,神經網路,深度學習(AlphaGo戰勝李世石還記得嗎),都是處理大數據的方法和模型。傳統的最優化理論,統計學,概率論模型,隨機過程,以及科學計算等等,其實是前面那些的基石。前面那些,基本可以認為是新瓶裝舊藥,當然肯定有它的創新之處。

4,Data Science出生,可以在諮詢行業做什麼?
我想,到這裡,我已經基本回答了題主的問題--Data Scientist可以建立數學模型,設計演算法從而然機器自動地、智能地利用大數據,挖掘其中重要的信息,甚至基於這些數據做出推斷。
當然這裡要修正一下題主對於諮詢公司的誤區,Data Scientist工作的諮詢公司,應該叫做技術諮詢公司,而不是傳統意義上的行業、留學諮詢公司,正如我前面舉的例子。當然這些傳統的大諮詢公司,比如麥肯錫,裡面肯定也有PhD做我上面所說的理論這塊,然而這個應該屬於麥肯錫內設的技術諮詢部或者類似。
然而雖然已回答完了題主問題,本文還將就技術類的諮詢,略微深入地探討一下。

-------------------------------------------------------------------

(1),誰需要技術諮詢?
小公司,沒有大到自己有技術諮詢部門的公司。
上面留學中介已是一例,再舉一個優化的傳統應用--物流(Logistics)。一個物流公司(順豐)要新建一個倉庫,就有所謂的選址問題(facility location problem)。倉庫建在哪裡,成本較低然後能覆蓋的用戶最多,是組合優化裡面一個經典的問題(這裡已知倉庫建在各地地成本以及建在各地能覆蓋多少用戶等大數據)。有人可能覺得這個不是拍腦袋就能決定的么?對,如果只是建一個倉庫,那麼當然選成本最低以及能覆蓋用戶最多的那個地方。但是如果問題是同時給1000個倉庫選地址呢(2000個可能地址)?那麼乍一看,可能性就有2000*1999*...*1000多種(指數爆炸),要從這麼多可能性裡面選出最好的那一個,你確定還能拍腦袋做決定?
小公司由於成本有限,沒有自己的優化研究組,所以這個東西通常外包給技術諮詢公司。有朋友在順豐實習過,說順豐研發下面已有專門的工業工程部門,做的就是類似問題的研究,還包括車輛路徑規劃問題,即已知一輛大卡車要配送給100個用戶以及他們的地址,求一個最優的送貨路徑。或者問題更複雜一點,100輛卡車,每年卡車要配送給100個用戶。
我們組合優化研究的,就是怎麼建立數學模型,設計演算法,從而從指數級複雜度的選項裡面選出最好的那個。
由此得出,順豐已是大公司。

(2),市面上有哪些技術諮詢公司?
優化領域有專門的諮詢公司,比如荷蘭的Ortec,是我們瑪麗居里項目MINO的三個企業贊助商之一,我們居里er有個postdoc同事就在那邊,一年博後做完直接留在了那裡。他們應該是各個領域的技術諮詢都做。再比如,菜鳥網路,應該是國內最大的,專註於物流領域的技術諮詢公司。他的技術直接服務於國內各大快遞公司和電商。作為Ortec這樣專門諮詢公司的一員,你的職責就是接類似選址問題的很多個project,多到你基本就是用公司現成的模型和演算法,然後機械的編程、帶入數據計算。基本是沒有閑功夫看paper做research以緊跟科研潮流的。或許在模型演算法過時到沒客戶的情況下,公司會要求更新模型和演算法。
初期可能會出差到客戶那邊了解需求,然後回到公司建立數學模型,然後編程,然後調用商業優化軟體,輸入大數據計算,得到結果,並且利用這個結果幫助客戶決策。項目尾聲一般再次出差到客戶那邊,做一個總結性報告。

(3),優化領域裡的特例--商業優化軟體兼職技術諮詢
還有例子就是商業的優化軟體,比如上面的選址問題,你給一個PhD,比如我,我能給你數學建模,然後coding,接著就是調用現有的商業優化軟體計算大數據了。有人問程序為什麼我不自己寫呢?當然也可以自己把所有的code寫出來,然後帶入大數據計算,但是往往運算速度非常慢,而且會漏洞百出。(人家商業軟體幾十號人寫了十幾個版本的code不是吃白食的)於是就有業界前三的商業軟體,IBM Cplex, Gurobi, FICO Xpress. 這三個商業軟體,能解決很大的數據量的模型。(線性規劃可以幾十萬個變數和不等式)軟體賣給客戶用,是需要收取高額的年費的。 這三個公司同時也兼職做著諮詢的服務,而且他們的優勢是,客戶用他們的軟體,編好模型,可以就具體的問題諮詢,為何算這麼慢?有辦法提高么?於是這三個公司能更有針對性的進行諮詢。(我有幸請Gurobi的創始人之一Bixby在北京吃過飯聊過)因此,這些商業軟體巨頭們,也偶爾乾乾技術諮詢的活。因此,作為商業優化軟體的data scientist,你的首要職責是development,其次業餘時間可能會給客戶諮詢一下specific的project,看看能不能幫他們調調參數或是優化模型,以幫助他們得到想要的結果。
這裡贊一下財大的葛冬冬教授以及他的博士老闆葉蔭宇教授,由他們牽頭,中國開始研發華人自己的優化軟體了,從他的文章里,大家也能大致了解要開發一個優化的軟體是有多麼不容易。
葛冬冬:走出圍牆的運籌學拓荒者

(4),科技巨頭下基礎研究組的兼職技術諮詢
很多傳統的科技大佬,內部也有諮詢部門。他們優先服務於自己的公司內部的業務,當然隨著部門的擴大和技術的成熟,為何不賺點外快呢?於是他們也開始接其他公司的活,收取諮詢費。IBM就是這樣一個例子,首先他自己有子諮詢公司叫IBM consulting,總部應該在愛爾蘭,就是一個類似Ortec的公司。但是像IBM這種巨頭,都有重視基礎研究的傳統,基礎科研的設置類似大學院系的設置。(這裡順便贊一個華為,在俄羅斯和法國,都建了數學研究中心)因此本文對於科技巨頭和一般大科技公司的區別,就在於有無設立基礎科學研究中心。IBM在紐約旁邊的TJ waterson科研中心有個應用數學系,系裡面有優化部門。這裡面的data scientist一小部分時間用來接IBM consulting的task,另一部分用來自己做科研,開學術會議,學術訪問等等。(幾乎每次開會都能碰到IBM優化組的頭頭和他倆個員工,還和他們在法國切磋過乒乓)

(5),大公司內部的技術諮詢部門
當然隨著大數據、工業4.0、工業互聯網、人工智慧的流行,很多傳統的非巨頭大公司也逐漸加入到數據分析的行列。比如海德堡旁邊座落著SAP總部,大家都知道他是搞企業軟體的。SAP裡面近幾年也有個data scientist team,首先就是解決SAP內部的技術諮詢,有閑暇時間了,接外部的活。我們IWR(海德堡交叉學科計算中心)有倆個校友在裡面工作,他們說和傳統諮詢公司(這裡指即麥肯錫之類的企業管理諮詢或者行業諮詢)不太一樣,出差不多,每個月2天左右,起薪高,但是工資漲幅低。據說這個team基本是項目人手不夠,所以只能有選擇地接項目,team也在持續擴招,也是我明年的target之一。看來Big Data越來越火,越來越多的公司知道找諮詢公司來幫忙決策之前算一算盈虧,以幫助決策,而不是拍腦袋決策。這也是國內的大勢所趨。

(6),Data Science(技術諮詢)在傳統諮詢公司
關於投資銀行和傳統商業管理或者行業諮詢公司的data analysis,我不是專家,但我認識挺多朋友在裡面。本質一樣,都是基於大數據,建立數學模型,然後計算或者預測,希望從大數據裡面得到有用的信息,以幫助決策者決策。比如審計領域,有利用數學特別是機器學習甚至神經網路的模型,來檢查是否有假賬的存在。金融領域,有各種資產的投資組合,本質應該是隨即優化的模型,更多的是概率和隨機的模型,不是本行,就不給於更多的點評了。前面也已經提到,這些公司內部可能有技術人員來做這些複雜的數學模型,或者外包給專門的技術諮詢公司。

總之大數據乃大勢所趨,data scientist這幾年越來越火,包括工業4.0(即大數據在工業界的應用)的概念等,隨之而來的是大家對處理大數據的Machine Learning, 神經網路,Deep learning等等模型和方法也趨之若鶩。但是想提醒大家的是,這些近幾年最熱的專業,熱的只是一個概念,整個理論體系其實早已存在很多年。因此希望大家不要盲目地扎堆到這些領域去,而應該重視它們的理論基礎和底層演算法,比如最優化理論,統計學,科學計算,當然,最最基礎的,微積分,線性代數等等。
對中國大數據的幾點期許。首先,像google那樣重視並收集大數據;其次,重視基礎科研,增加研發,設計好的數學模型和演算法;最後,希望決策者知道利用data science來幫助決策。

最後是通往大洋彼岸高薪博士職位,以及人工智慧數據科學家的傳送門:

歐洲、北美、全球留學及人工智慧、數據科學深度私人諮詢,從此DIY - 知乎專欄

以及工業界諮詢:

運籌學、人工智慧、數據科學尋學術合作,承接工業界諮詢,歡迎訪問海德堡大學組合優化實驗室、圖像處理中心 - 知乎專欄


利益相關,詳見個人簡介,講2點:

1、趨勢

Mckincey, IBM, Accenture 等諮詢公司都將數據分析視為戰略方向,並落實至組織Re-Org,人員招聘,宣傳推廣重定位及團隊交付等。其中IBM最徹底,宣布公司轉型為「認知服務解決方案公司」,其Watson analysis在美國醫療等垂直行業也做的風生水起。

2、現實

R會議上張志華老師的比喻:數據為燃料,智能為目標,數據挖掘/機器學習為火箭。沒有火箭的燃料還是燃料,至少可以服務汽車,沒有燃料的火箭就不免孤單了。

實際情況:國內諮詢公司傳統客戶的數據資源都相對較少,且觀念偏保守。而擁有豐富數據的公司又不缺分析師。

結論是國內諮詢公司現階段在數據分析、數據挖掘領域建樹都不多,無論哪家。如有不實,請指正。

知乎專欄:一圖一書 - 知乎專欄


諮詢恰恰是沒有那麼quant,DS/A才有機會,但:

1,要陪著東家一起成長,相較演算法公司、大數據應用而言,MBB不是很數據。

2,要陪著客戶一起成長,500豬客戶就是找你來證明領導英明神武的,你用拍腦袋的方法sizing市場就好,幹嘛搞這堆回歸模型,為了證明尿布和啤酒的關係?

3,市場鯰魚出現之後的諮詢業,要經歷陣痛的說,保不齊會裁員。

建議直接tech公司,文向大數據,理向機械演算法。

利益相關:諮詢背景。


我現在在紐約的pwc 做data analytics。 講真別來, 一點也不數據,一點也不科學。 主要是用sql, excel,有些時候用tableau 做dashboard。 很少涉及真正的model 部分。 有ds/bi 背景的還是去偏tech 一點的公司。 two sigma 一生推!!

__________________________________________________________

現在在敵企 Deloitte US Innovation, Pls no more PwC questions.


先說下市場:首先可以運用analytics的一般分為兩類企業,一種是創業型(分析環境,數據環境都是敏捷型,歡迎任何開源軟體和開發軟體,python,r都可以),還有一種是傳統企業(分析環境,系統架構有比較嚴格的監管。對軟體和分析環境的要求基本是都是直接和大軟體商類似sas,或者諮詢合作。)

就目前來看,各大諮詢公司的目標客戶主要還是集中在第二種傳統企業(都是買得起sas的土豪們,銀行,保險等等)。但其實你不難發現,這些企業自己的分析團隊也都蠻強的,那麼為什麼還需要諮詢公司來幫忙呢?(諮詢公司服務費高也不是秘密,幾個分析師坐過來1個月就可能上百萬)這個答案很寬泛,但個人感覺無外乎於:

  1. Know How. 正的需要新的角度去思考分析,比如我們要利用數據去分析,制定新的戰略計劃,但是不知道開發哪些指標去衡量,想借鑒下行業經驗,所以諮詢哥們就過來幫你搞一搞。
  2. Politics. 大公司內部你爭我斗也不是一天兩天的事,特別是公司越大,做決定決策越不能只依賴一面之詞;就算你這team分析了很牛逼的東西,但是董事會還是不批的情況有得是。恩,這時候諮詢哥們就出現了,mck來3~4個分析師,坐個1個月,幾百萬出去了,分析出和你team之前分析出一樣的東西。美其名曰validation,董事會一看好開心,拍拍手批了。
  3. Dirty work. 還有些就是幫忙做一些大家都知道,但是懶得去做,不如招點諮詢來幫忙。比如處理數據,建模型等臟活累活。(這個主要是小型諮詢公司提供的服務)

作為分析師的你,從上面兩個例子看到你的價值了么?第一個是真材實料,需要懂很多不同行業的業務,根據大家數據驅動的成熟程度,對症下藥,是「幼功」。而第二部分,如何分析出你客戶想要的東西,這是「金線」

轉當然好轉,特別是當你有很多行業經驗的時候,諮詢公司開心死。但是很多東西你要有預期,比如,在嚴格的數據保密協議下,你所能接觸的數據其實是有限的,客戶不可能把所有數據都給你,那其實你能玩數據的空間和目標也是有限的。怎麼在這些限制裡面創造價值,這個不那麼容易。而從你自身的偏好來說,廣泛和深入的選擇,也不是那麼一句兩句話說得清。再加上很多諮詢公司其實就是個技術外包,幫客戶打打雜,建模型等等,你可以想像年復一年做邏輯回歸是什麼體驗。

其實我自己最近也在考慮轉不轉去做諮詢,趁機占坑聽聽其他人意見。


DA在諮詢行業大有可為。

首先在大數據興起的環境下,諮詢公司都希望配備數據人才以展示team和時代最前沿技術接軌,沒有data談什賣項目,這是重要的qualification。

具體到個人,有一塊諮詢叫做model validation和model governance。是需要諮詢師來test和validate客戶公司的模型結果的。四大都有做這一塊的,而這就對data和model/regression有很高要求了。

就算不是在專門的modelling team,數據分析技能也是highly valuable的。數據是廣泛的概念,任何input都可視作數據,那麼數據分析師用傳統的分析技術和工具來automate各種manual的過程及做BI report,對比較大的項目來說,是很加分的,在project management特別是communication方面來說。


謝邀。以下觀點就基於個人經驗。

絕大多數的諮詢工作都是數據驅動的,沒有充分數據支撐的論點建議都是耍流氓。這個說法不絕對,但從實際的項目經驗中可以看到,無論是宏觀戰略規劃、組織結構重組、供應鏈管理、市場和銷售渠道等話題,還是快消、能源、金融、電信、公共基礎設施等行業,大量的數據分析幾乎貫穿始終。

舉幾個簡單的例子來看數據分析在諮詢項目中的應用,各位自己判斷「可以在諮詢行業能做什麼」。

  • 城市交通:通過實時的交通流量數據分析,優化公交車排期和發車時間間隔,幫助乘客選擇提前最優時間到達公交站,選擇公交線路。北京什麼時候可以做一個?

  • 人力資源:通過分析員工間的郵件往來(頻率而非內容),判斷公司內部的人員文化,例如誰在員工中有更大的影響力,判斷誰有可能近期離職等。聽著是不是有點發怵?

  • 個人消費:基於信用卡消費記錄,判斷個人消費習慣和水平,推薦相應的消費項目,有木有發現你有些信用卡公司的郵件推薦有時會很貼心?

另外,不同專業都可以在諮詢行業找到合適的機會,專業背景不是進入諮詢行業的限制。

冷門專業的學生,如何準備才能獲得進入諮詢公司的機會? - CC Cao 的回答

個人觀點,歡迎交流探討。


部門大量需要DA人才 一般使用Qlikview

對我們抽取企業異常分錄有很大幫助

現在部門的DA走路都橫著走

不會做其他的 沒關係 老闆看中你會DA也會養著你

PwC上海所

如果有興趣私我 我有推舉權

————————————————

貌似是我說的不夠清楚。。特別補充一下

我能推舉的是已經有社會經驗的人士

應屆生還是得走正常渠道申請


IBM有做這一塊,但我建議做數據分析最好還是去具體的公司里。在諮詢公司做這個你接觸的會更少,他們主要關注點還不在這裡,第一你的數據難獲取,第二你的結果難落地


Data Science 的就業相對計算機或者純數學比起來寬泛很多,很大一部分人去 IT 產業從事大數據的工作,比如 Amazon 或者 Facebook,中國的淘寶或者京東也是這類專業的大僱主。

隨著各行各業的數據增長,很多傳統行業也需要這方面的人才。比如超市的顧客購物數據、信用卡刷卡記錄、任何場合的實時監控錄像,也會產生 big data,需要 data science 專業的人才來進行處理。

製藥業、計算機軟體、互聯網、科研、IT 技術服務、生物技術,都是對大數據專業人才需求最為旺盛的行業。從國防部、互聯網創業公司到金融機構,都需要能操作大數據項目的人來做創新驅動。

總而言之,一技在手,天下我有!學了 Data Science ,媽媽再也不用擔心我的工作了!


目前供職於Deloitte Consulting Strategy Operations Analytics 。至少我們公司還是很看重Data science這塊的前景。DS相關的項目還是很多,有大有小,Big data和machine learning方面也挺多。主要用Python和R。我們組氛圍上比較tech,不過這都是看自己partner的喜好吧。


有一種諮詢公司專門做數據分析和建模,例如essex lake group和opera solutions


可以考慮到FICO、SAS這種主營分析諮詢工作的地方,基本上是屬於全天候處理數據、模型開發以及應用的。當然,你要能夠受得了長期出差。


wt?z?f


有啊,很多, 分析企業目前在國內的運營狀況, 客戶管理,CRM這些, 互聯網公司都有。

雲儲存之類的公司。你要去雲儲存我能內推一家,兩年經驗16萬底薪,但是不知道你會不會覺得低。

去大公司處理好數據把, 有寫公司的數據要自己找的這種比較麻煩額。

大公司的數據都有大神處理過了,比較好分析。

工作也輕鬆。


可以看下安客誠及其競爭對手


推薦閱讀:

數據科學家 (Data Scientist) 的職業發展路徑是什麼?
大數據熱潮是泡沫么?
Python在數據科學領域能否完全取代R?
2016 年,美國舊金山灣區就業形勢如何?
CMU碩士還有半年畢業,找工作想專註找到真正熱愛的data scientist工作但又怕太冒險怎麼辦?

TAG:數據挖掘 | 數據分析 | 商業智能BI | 諮詢行業 | 數據科學家 |