当前位置:首页 > 抖音教程 > 抖音资讯 > 本文内容

数据分析是行业,还是技能?(上)

发布时间:2023-03-20 07:00:02源自:https://www.it-th.com作者 :it谈话网阅读(275)

01  偏业务方向数据分析岗位

偏业务方向的数据分析,一般属于运营部门。有数据运营、数据分析师商业分析、数据产品经理等,其岗位的职位描述一般是:


负责和支撑各部门相关报表


建立优化指标体系


监控数据的波动和异常,找出问题


优化和驱动业务,推动数据化运营


找出可增长市场或产品优化空间


输出专题分析报告

 下面我们介绍几个常见的岗位详解:

数据运营

主要负责运营相关数据的分析,协助运营人员制定数据分析策略,为日常运营提供数据支持,协调落地,形成推动闭环等,以活跃指标的下跌举例:


活跃指标下跌了多少?是属于合理的数据波动,还是突发式?


什么时候开始的下跌?


是整体的活跃用户下跌,还是部分用户?


为什么下跌?是产品版本,还是运营失误


怎么解决下跌的问题

·····


在工具方面,主要以Excel+SQL+PPT+运营思维为主。总之,往往更关心某个指标为什么下跌或者上升。产品的用户是什么样的?怎么能更好的完成业务的KPI。

数据分析师

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、所有竞对公司以及下游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学校学历提出要求,名校+硕士无疑是一个大优势,也有很多直接做数据挖掘。 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-

欢迎分享转载→ 数据分析是行业,还是技能?(上)

用户评论

精品推荐

© 2013-2028 - it谈话网 版权所有 收藏本站 - 网站地图 - 关于本站 - 网站公告 - 合作申请