主要将业务数据体系化，建立一套指标框架，其次数据提取、清洗、多维度分析、预测生成策略推动执行。如活跃下跌的问题，本质上也是指标问题。什么时候开始下跌，哪部分下跌，都能转化成对应指标，如日活跃用户数，新老用户活跃数，地区活跃数。指标体系如果工程化自动化，也就是BI，所以数据分析师可以算半个BI分析师，这里不包括BI报表开发。
在工具方面，主要以Excel+SQL+Python/R/SPSS/SAS+PPT。Excel+SQL是必备技能，Python/R/SPSS/SAS任选其一即可。一个优秀的数据分析师，应该业务、管理、分析、工具、设计都不落下。
总之，对于新人，比较普适的发展路线是先成为一位数据分析师。积累相关的经验，在一两年后，决定往后的发展，是数据挖掘和商业分析师，还是专精数据分析成为管理岗。数据分析的管理岗，比较常见的有数据运营经理/总监，数据分析经理等，相对应的能力是能建立指标体系，并且解决日常的各类「为什么」问题。

商业分析师

是另外一个方向，更多见于传统行业，一般更加宏观，偏行业研究，主要向高层汇报，基于商业问题和场景，通过数据洞察商业问题，为企业战略和决策提供数据支持，咨询/投行对该岗位的需求会比较多，会更多地关注国内外政策，对统计和业务能力要求更高。若在商业分析师做数据报告时，需要能站在整个行业的宏观角度，去看待本公司、所有竞对公司以及上下游的各种关系与优劣势等。比如要开一家快递驿站，我们就需要考虑哪里开，这就要考虑居民密度，居民消费能力，竞争对手，网上的消费能力等因素。这些数据是宏观的大指标，往往靠搜索和调研完成，这是和互联网数据分析师最大的差异。
总之，商业分析师是需要有一定的MBA或商科背景，在能力上，需要对行业市场、上下游、商业敏感度有强烈的洞察力，能够体系化系统化的进行资料收集、市场研究、竞对研究和用户研究。

数据产品经理

这个岗位比较新兴，适合对数据特别感兴趣的产品经理。它有两种理解，一种是具备强数据分析能力的PM，一种是公司数据产品的规划者。
前者，以数据导向优化和改进产品。在产品强势的公司，数据分析也会划归到产品部门，甚至运营也属于产品部。这类产品经理有更多的机会接触业务，属于顺便把分析师的活也干了，一专多能的典型。最典型的场景就是AB测试。大到页面布局、路径规划、小到按钮的颜色和样式，均可以通过数据指标评估。俗话说，再优秀的产品经理也跑不过一半AB测试。此类数据产品经理，更多是注重数据分析能力，擅长用分析进行决策。数据是能力的一部分。后者，是真正意义上的数据产品经理。随着数据量的与日俱增，此时会有不少数据相关的产品项目：包括大数据平台、埋点采集系统、BI、推荐系统、广告平台等。这些当然也是产品，自然需要提炼需求、设计、规划、项目排期，乃至落地。总之，数据产品经理普遍要求如下：

负责大数据产品的设计，输出需求文档、产品原型

负责推荐算法的产品策略，完成相关推荐及个性化推荐产品的需求分析

负责分析和挖掘用户消费内容的行为数据，为改进算法策略提供依据

负责客户端数据需求的对接，制定相关埋点规范及口径，相关业务指标验证

报表展示工具的落地和应用

·······

还有，数据产品经理必须了解公司或者业务线在不同的阶段，需要哪些数据产品，并能够制作出来，这是此职位的核心要求。其次，数据产品经理必须有足够的数据分析能力，如果有了数据分析的思维，再跟公司业务结合就会比较容易。最后，数据产品经理是产品经理的一种，所以要同时具备产品经理的能力：了解用户，需求调研，方案设计，协调技术、测试、设计等。从职业发展上看，数据分析师做数据产品经理更合适。普通的产品经理，对前端、后端的技术栈尚未熟悉，何况日新月异的数据栈。

02 偏技术方向的数据分析岗位

偏技术方向的数据分析岗位，如数据挖掘/算法专家等岗位有的归在研发部门，有的则单独成立数据部门。与业务方向的数据分析师相比较来说，要求更高的统计学能力、数理能力以及编程技巧。有数据挖掘工程师、数据算法工程师、数据仓库工程师、数据科学家等岗位。

下面我们介绍几个常见的岗位详解：

数据挖掘

从概念上说，数据挖掘Data mining是一种方式，即可以通过机器学习，而能借助其他算法。比如协同过滤、关联规则、PageRank等，它们是数据挖掘的经典算法，但不属于机器学习，所以在机器学习的书籍上，你是看不到的。实际的应用场景中，如共享单车，如何寻找单车使用效率最大化的最优投放，就是数据挖掘的工作范畴。数据挖掘工程师，除了掌握算法，同样需要编程能力去实现，不论R、Python、Scala/Java，至少掌握一种。模型的实施，往往也要求Hadoop/Spark的工程实践经验，精通SQL/Hive是必须的。常见数据挖掘项目的闭环如下：

定义问题

数据抽取

数据清洗

特征选取/特征工程

数据模型

数据验证

迭代优化

总之，单看环节，数据挖掘对分析能力没有业务型那么高。这不代表业务不重要，尤其在特征选取方面，对业务的理解很大程度会影响特征怎么选取，进而影响模型质量。用户流失是一个经典的考题，如何选取合适的特征，预测用户会否流失，能够考察对业务是否深刻洞察。还有，数据挖掘的业务领域一样可以细分。金融行业的信用模型和风控模型/反欺诈模型、广告模型的点击预估模型、电商行业的推荐系统和用户画像系统。从需求提出到落地，数据挖掘工程师除了全程跟进也要熟悉业务。

算法专家

数据挖掘往后发展，称为算法专家。后者对理论要求更严苛，几乎都要阅读国外的前沿论文。方向不局限于简单的分类或者回归，还包括图像识别、自然语言处理、智能量化投顾这种复合领域。这里开始会对从业者的学校和学历提出要求，名校+硕士无疑是一个大优势，也有很多人直接做数据挖掘。深度学习则更前沿，它由神经网络发展而来，是机器学习的一个子集。因为各类框架开枝散叶，诸多模型百花齐放，也可以算一个全新的分支。除了要求熟悉TensorFlow, Caffe, MXNet等深度学习框架，对模型的应用和调参也是必备的，后者往往是划分普通人和大牛的天堑。
总之，算法专家和深度学习专家，薪资level会更高一级，一般对应于业务型的数据运营/分析总监。

数据工程师

更偏数据底层，其核心是做好数据仓库建设及ETL数据处理。这个岗位基本不涉及数据分析的能力，而对大数据处理能力要求较高，需要较强的编程及架构设计能力。分析历史、预测未来、优化选择，这是大数据工程师在“玩数据”时最重要的三大任务。通过这三个工作方向，他们帮助企业做出更好的商业决策。要求具备一定的统计学、数学理论知识，有实际开发能力和大规模的数据处理能力，对行业有认知。在很多中小型的公司，一方面数据是无序的、缺失的、原始的，另外一方面各种业务报表又嗷嗷待哺。没办法，分析师只能自己撸起袖子，一个人当三个人用。兼做数据清洗+ETL+BI。
部分归属到技术部的数据分析师，虽然Title叫数据分析（其实应该叫数据分析开发工程师），其工作职责为建设数据仓库、数据库表开发、数据采集、清洗、存储、建模、数据应用、数据平台的建设优化等职责，这就是标准的数据工程路线。部分公司会将机器学习模型的部署和实现交给数据工程团队，这要求数据工程师熟悉sparkMLlib、Mahout此类框架。除此之外，还有算法工程师（核心是机器学习等算法能力）、数据架构师（核心是平台建设及数据仓库建设能力）等等，这些岗位要么跟数据分析能力关系不大，要么能力模型已经包含在前面几个岗位中了，就不一一罗列了。总之，数据科学家是上述岗位的最终形态之一。其要求的能力更加全面，基本综合了前面岗位的核心能力，并且对AI能力及编程能力要求更高，这个岗位也会成为未来数据方向的重点发展趋势。由于篇幅原因，我们分析上下两部分，下篇梳理数据分析在各领域的应用。（部分岗位明细整理于网络）

-END-

查看更多相关的说说

欢迎分享转载→ 数据分析是行业，还是技能？（上）

上一篇：四个方法，拯救你枯燥的数据日报

下一篇：新手做IP：不要去培训，一部手机，做到三个一百就搞定！