數據分析師的職業規劃

關於數據分析師的職業規劃，還是一個蠻大的話題，今天我就從兩個大的方向來談談這個火熱的職業吧。一個方向是偏文一些（即運營），另一個方向則偏理一些（即挖掘）。

不管是文的還是理的，你都需要掌握一些入行的行規，例如Excel技能、資料庫操作、Tableau可視化、R或Python的編程能力等。這些都是用人單位在招聘數據分析師提到最多的「任職資格」，其實這也都是技能門檻。如果這些你還沒有接觸過，可以在準備入行前花3~6個月去充充電，可以選擇閉關修鍊、或觀看學習視頻、甚至可以挑選口碑比較好的培訓班。

如果你具備了上面的幾項硬功夫，那你進入這個行業的話應該就比較容易了，最起碼在技術這塊大部分的面試官是不會為難你了，能不能最終通關就要看你的軟實力啦（如口述表達能力，思維能力，組織能力能）。接下來就從偏文的運營分析師和偏理的挖掘工程師兩個方向來做個說明和對比，看看兩者的差異。

首先分享一下運營分析師的工作內容，對於絕大多數數據分析師來說，都是將你手中的數據服務於一線的運營同事。具體一點可以理解成你的工作內容可能是：

報表開發：其他業務部門（如市場營銷部、產品部等）會扔一些需求過來，需要數據分析師幫他們做一下常規的日報、周報、月報等；

數據監控：數據部門經常會根據業務需求，對一下關鍵性的指標進行監控（如活躍度指標、轉化率指標、留存類指標等），監控不是問題，問題是數據出現異常後的查因及解決方案；

數據化運營：說白了就是讓數據指導運營決策、驅動業務增長。需要將數據分析師與一線運營者的各自優勢進行搭配，實現數據功效的最大化；

輸出分析報告：需要數據分析師根據目標項目，整理出一系列相關的分析報告，包括可視化化的數據展現、問題的原因、可執行的行動方案、預期的效果等等。

對於數據分析師而言，以上的工作絕大多數通過資料庫SQL和Excel工具就能搞定了。最關鍵的是數據分析思維和業務的理解，這個每個人所展現出來的能力都會有所區別和高低，關於這方面的培養可以多跟公司的運營部門同事交流和查看運營相關的書籍、帖子等。

接下來我們再來看看挖掘工程師，對於這一技術性比較強的職業，需要應聘者更高的統計學背景、數理驗算能力以及編程技巧。對於數據挖掘者而言，沒有明確的工作內容，更多的則是根據不同的項目完成挖掘流程，具體有以下這些流程步驟：

明確問題：在進行一項數據挖掘項目之前，首先需要明確待解決的問題是什麼？這個問題是否可以通過挖掘技術（預測、分類、聚類、關聯、推薦等）解決；

數據抽取：一旦明確了問題需求，就需要查找跟問題相關的數據，即從資料庫中抽取出解決問題的支撐數據；

數據清洗：由於現實中的數據存在異常、缺失、量綱不一致、口徑不一致等問題，需要提高數據質量，否則演算法再優秀，結果也是有問題的；

特徵工程：在乾淨的數據基礎上還需進一步完成特徵的提取，目的是在降低模型複雜度的前提下找到影響問題的核心變數；

建模：根據問題類型（預測型、分類型等）選擇合適的模型（同類問題不同模型的試算對比）進行擬合；

模型驗證：模型建好後，接下來就是要驗證模型在樣本外的表現如何了，一定要避免模型出現過擬合或欠擬合的狀態；

迭代及部署：整個步驟都是一個迭代的過程，因為數據在變動，模型也會跟著變動，通過不斷迭代找到最理想的模型然後實現線上的部署工作；

對於這些流程的完成，絕大多數時間都會花費在數據抽取、清洗和特徵提取上，而後面的建模、驗證和部署則是水到渠成的事了。再一次強調，如果選擇數據挖掘這個方向的話，必須具備強悍的數學功底和編程技術。

不管是數據運營分析師和數據挖掘工程師，它們在企業中都屬於技術崗，當然技術崗的等級高了，也可以對等到相應的管理崗。下面就以阿里的職業級別為例，說明崗位間的打怪遊戲：

最後，就看你希望往哪個方向去發展，然後在這個方向上去打怪，如果順利的話你可以成為高級總監。打怪期間肯定會遇到各種瓶頸，如領域知識、理論背景、落地技能、組織能力等，這些都需要不斷的學習、通過不斷的充電才能夠慢慢突破瓶頸，最終完成你想達到的目的地。

原文作者介紹：劉順祥（個人公眾號：數據分析1480），著名電商行業資深數據分析師，熱愛數據分析與挖掘工作，擅長使用Ｒ和Python語言。