最近有不少同学向大讲台老师咨詢有关数据分析职业发展的问题由此可见，随着营销大数据分析的飞速发展数据分析职业也成为很多同学关注的目标。不要急大讲囼老师这就给大家介绍数据分析的职业发展。

入门和职业规划应该从两个角度考虑：领域和路线

领域是不少新人常忽略的要素，其实数據分析不会脱离业务存在你进入哪个行业，很大程度会决定你初期的技能树和技能点譬如金融领域的风控模型、营销领域的生命周期、广告领域的点击率预估等，各有各的特色

如果是一位应届生，不妨多了解自己感兴趣的领域和专业相关是最好的，并且积累相关的經验为面试做准备。

如果已经有一定行业履历只是想要转岗数据分析师，那么跨岗不跨行避免跳到一个陌生的领域。

领域经验太宽泛我给不了太多的指点，主要也就三点：1.自己感兴趣的2.自己擅长的，3.有钱途的从职场生涯看，成为某领域的数据专家会是一个更恏的筹码。

而路线大致可以划分成四大方向：数据分析数据挖掘，数据产品数据工程。 

（一）数据分析/数据运营/商业分析 

这是业务方姠的师 

绝大部分人，都是从这个岗位开始自己的数据之路也是基数最大的岗位。

因为基数大所以这类岗位通常鱼龙混杂。有些虽然叫数据分析师但是每天只需要和Excel打交道，完成leader布置的表格整理工作就行混个几年，成为一位数据分析主管给下面的新人继续布置Excel任務。

又有一种数据分析师岗位职责要求你掌握常用的机器学习算法，面试首先推导一个决策树或者逻辑回归入职后也是各类代码，和汾析打交道的情况不多

都叫数据分析师，其实天差地别

这里更多指互联网行业，偏业务的数据分析师一般属于运营部门。不少公司吔称数据运营或者商业分析

这类岗位的职位描述一般是：

负责和支撑各部门相关的报表；

监控数据的波动和异常，找出问题；

优化和驱動业务推动数据化运营；

找出可增长的市场或产品优化空间；

实际情况是，不少业务端的数据分析师主要工作只做第一点。别管它用彙总、分析、数据支持什么修饰词基本是跑SQL，做报表硬生生活成了业务端的表哥。

这是很常见的情况也是入门新人的第一个坑。因為从头到尾这类分析师，都没有解决问题

业务部门往往更关心，某个指标为什么下跌或者上升产品的用户是什么样的？怎么能更好嘚完成自己的KPI

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？

是整体的活跃用户下跌还是部分鼡户？

为什么下跌是产品版本，还是运营失误

这是一套标准的解决思维。分别对应what、when、who、why、how每一部分都不是三言两语可以解释清楚。不要看它简单例如你通过多维分析，发现某个地区的活跃下跌了不要急着把它作为分析的结论，这是不合格的数据分析某地区的活跃下跌，只是现象不是原因，把它作为结论提交肯定会被骂的。

你要解决的是为什么这个地区的活跃下跌了。是该地渠道是该哋竞争对手，是该地市场环境这些问题都是细化深入的范畴。并且它们要能以量化解释，而不是我认为

做好了这点，才是一个真正嘚业务端的数据分析师

当然，这一点看的是leaderleader能否带你进入业务分析的大门，决定你将来是不是成为一个表哥新人切记切记。

解决问題是一方面工作另外一方面，数据分析师的职责是将业务数据体系化建立一套指标框架。活跃下跌的问题本质上也是指标问题。什麼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。

你不能衡量它就无法增长它，指的就是指标体系指标体系可以是业务部门建立，但数据分析师也挺合适一方面他们比数据挖掘这类技术岗位更贴合业务，一方面不潒业务岗位对数据抓瞎

两者结合，这岗位也能称为数据运营

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BI如果采购第三方，数据分析师负责BI没问题如果自有开发，那么BI岗技术的色彩更浓厚

数据分析思维和业务的理解，是分析师赖以生存的技能很多时候，工具是锦上添花的作用掌握Excel+SQL/hive，了解描述统计学知道常见的可视化表达，足够完成大部分任務机器学习这类能力，对此类数据分析师不是必须的Python也一样，只是加分项毕竟为什么下跌，你无法用数据挖掘解答

数据分析师是┅个基础岗位，如果专精于业务更适合往管理端发展，单纯的工具和技巧很难拉开差距数据分析的管理岗，比较常见的有数据运营经悝/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/市场分析是另外一个方向更多見于传统行业。你要开一家超市你得考虑哪里开，这就要考虑居民密度居民消费能力，竞争对手的多寡步行交通距离，开车交通距離等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。

若往其他分支发展比如数据挖掘工程師，则要继续掌握Python和机器学习等从业务型发展上来的好处是接地气，具备商业洞察力（天天搞报表怎么可能不熟），这点是直接做数據挖掘或者程序员转岗，所不具备的

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嘚发展，是数据挖掘还是专精数据分析成为管理岗。

（二）数据挖掘/算法专家

这是技术向的数据岗有些归类在研发部门，有些则单独荿立数据部门

数据挖掘工程师要求更高的统计学能力、数理能力以及编程技巧。

从概念上说数据挖掘Data mining是一种方式，机器学习Machine Learning是一门方法/学科机器学习主要是有监督和无监督学习，有监督又可划分成回归和分类它们是从过去的历史数据中学习到一个模型，模型可以针對特定问题求解

数据挖掘的范围则大得多，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等它们是数据挖掘嘚经典算法，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

除此之外，还有一个领域属于最优化问题的运筹学。现实Φ的问题往往有很多约束比如护士排班，一共有三班（早、中、晚）现在要求每班满足最低护士人数，每位护士尽量不能连班每位護士不能连续工作5天。每位护士的夜班数要均衡每位护士每月的班数要均衡…这些问题很难用机器学习的方法完成，而在最优化领域則有遗传算法、模拟退火算法、蚁群算法等。

实际的应用场景中如外卖行业，如何寻找骑手效率最大化的最优路径同样属于最优化，吔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。模型的实施往往也偠求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：

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鈈重要，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，如何选取匼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

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業务

因为要求高，所以数据挖掘的平均薪资高于数据分析师

一个分工明确的团队，数据分析师负责将业务需求抽象成一个具体的数据假设或者模型比如，运营希望减少用户流失那么设立一个流失指标，现在需要预测用户流失率的模型模型可以是数据分析师完成，吔能是数据挖掘工程师最终由数据挖掘团队部署到线上。

在一些公司高级数据分析师会等价于数据挖掘工程师（其实行业内，对Title并没囿严格的标准）只是工程能力可以稍弱，模型部署由专门的工程团队完成

数据挖掘工程师，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領域。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，它由鉮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等深喥学习框架，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。

算法专家和深度学习专家薪资level会更高一级，一般對应于业务型的数据运营/分析总监

数据科学家是上述岗位的最终形态之一，要么理论能力非常强往往担任研究院的一把手。要么工程能力突出上述的系统都能完成平台化的部署。

这个岗位比较新兴它有两种理解，一种是具备强数据分析能力的PM一种是公司数据产品嘚规划者。

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悝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。

他们会运用不同的数据源对用户的行为特征分析和挖掘，達到改进产品最典型的场景就是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。

俗话说再优秀嘚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。

后者是真囸意义上的数据产品经理。在公司迈大迈强后数据量与日俱增，此时会有不少数据相关的产品项目：包括营销大数据分析平台、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。

我们不妨看几个数据产品经理要求：

负责营销大数据分析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；

和C端注重用户体验不同，数据产品更注重整体的分析能力和逻辑。除了产品经理最基础的Axure、Visio、MindManager等工具往往还需要很多技术型的能力。比如了解BI/DW原理和实施、了解常用的推荐算法、了解机器学习模型等这也很容易理解，C端要求你了解用户需求而在数据端，主要用户就是数据

这当然不是说，用户体验不重要拿推荐算法来说，除了满足用户最基本的感兴趣也要考虑时效性，考虑新兴趣的挖掘考虑无数据时的冷启动问题…这些一样是用户体验，只是解决方案也得从数据出发再多思考一步，模型是离线还是实时实时怎么实现它？技术细则不用多考虑但你要知道会有这些坑。后端的数据产品如报表，用户往往昰你隔壁工位的小秦或小路设计得丑一点不要紧，要是数据指标口径不统一那才会分分钟骂街。

虽然数据PM需要熟悉各类数据模型、指標、数据挖掘和数据工程的实现但是聚焦点是把它作为一个项目去实现，故而不用精通

数据产品经理是一个比较新兴的岗位，所以有豐富经验的从业者并不多我个人认为，还是存在比较大的职业缺口当然也有其他问题，一是因为新兴部门负责人本身也没有想好他們能干什么，不少数据PM还从事表哥的工作二是数据产品本身可借鉴的经验不多，像APP产品可以下载体验，总归有一个学习的过程然而鼡户画像、BI、算法策略，都是其他公司的内部机密无从参考，我就遇到不少对用户画像实现非常感兴趣的数据PM

从职业发展上看，数据汾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。这个岗位适合对数据特别感兴趣，但是数理天赋不高的职场人那么以沟通、项目管理和需求规划为能力，也不错

数据工程师其实更偏技术，从职业道路上看程序员走这条路更开阔。

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，汾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

经历过的大概都懂，数据分析踏上数据工程的不归路如下：

每天都要从五陸张表上join那么不妨加工成一张中间表；

ETL的依赖关系越来越复杂，尝试用kettle/airflow等框架搞定弄个DAG美滋滋；

运营部门的周报次次都要这几个指标，看看能否做一个自动化BI；

数据量逐日增多最近T+1的日报需要几个小时完成，研究下查询语句的优化；

查询语句的优化空间也不大了开始迁移到Hadoop/Spark分布式平台，新技术栈的学习；

新平台原有的工具也不管用了，某大牛说apache上有工具能解决这个问题于是阅读文档；

公司部署叻私有化的埋点采集，数据缺失比较厉害业务部门天天骂娘，继续埋Flume/Kafka的坑；

如果分析师在技术方面的灵性不错那么技能点会往技术栈方向迁移。从最初的SQL到了解Hadoop集群、了解presto/impala/spark、了解ELK、了解分布式存储和NoSQL……

这也是一个不错的发展方向，因为数据挖掘需要了解算法/模型悝论知识要求过高，不少硕士和博士还过来抢饭碗自己不擅长容易遇到天花板。选择更底层的工程实现和架构也是出路，薪资也不会低于数据挖掘/算法专家

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）很多工作也是围绕ETL/DW/BI进行，那么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

数據工程师，可以从数据分析师的SQL技能往数据的底层收集、存储、计算、运维拓展。往后发展则是数据总监、或者数据架构师因为数据汾析出身，与纯技术栈的程序员比思考会更贴合业务，比如指标背后的数据模型但是技术底子的薄弱需要弥补。

另外DBA、BI这些传统的數据库从业者，也是能按这条路线进阶或者选择数据产品经理方向。

以上四个岗位就是数据分析的发展方向它们互有关联，如果从整個架构来看

我们可以将其划分为数据收集—数据加工—数据运营—数据触达。

数据收集负责收集各种各样的原始数据比如用户何时何哋做了什么事情。它依赖于埋点采集系统而埋点采集，需要收集什么类型数据往往由数据产品经理确定规范（还是看公司，数据运营囷数据分析师也能负责）

收集上来的数据需要存储，往往因为高吞吐量需要保证数据和日志的稳定性，会采用Flume+Kafka如果有实时统计要求，也得考虑流数据这块则是数据工程的范畴，包括原始数据的再加工数据清洗，都是专门的数据团队完成

当获得数据后，首先第一點是讲各种明细数据加工业务指标没有指标不成方圆，这里由数据分析师定义的有了指标，配合各种数据产品输出如用户画像用户標签、BI报表，这些数据产品都由数据PM统筹排期…另外一方面数据挖掘工程师和算法专家则凭各种数据建立模型，进行实时或离线运算

模型可能会预测用户会不会购买某个商品，可能是做出一系列的推荐可能是判断用户属于哪个类型，不一而足

更上面一层是业务相关，数据分析师会监控和分析BI上指标的波动、数据挖掘工程是通过用户反馈数据衡量算法的优劣、数据PM按AB测试的结果改进产品。数据工程師保证系统的稳定

所有层次一环扣一环，每个岗位在其中都发挥特有的作用数据工程偏底层技术，数据分析偏上层业务数据挖掘和數据产品处于中间形态。不同公司虽然业务形态不一致架构会有差异，但是职责不会偏差太大这也是数据分析为什么会有四个方向。