[[337238]]

有志于轉行數據分析的朋友們好～古牧君今天大膽開麥，針對近年來網上各路培訓班營造出來的“人人都是數據分析師”熱潮，給出一些個人看法。希望能讓所有沖動轉行的小白們都先冷靜下，想清楚到底要不要做之后，再去行動

本文篇幅適中，內容環環相扣：

• 1，目前市場上數據分析的熱度究竟高不高?
• 2，數據分析師的實際需求量到底大不大?
• 3，為什么會出現“人人都是數據分析師”的現象?
• 4，普通數據分析師日常工作內容都是啥?
• 5，應付日常工作都需要掌握哪些技能、又有什么門檻?
• 6，哪些人不建議零基礎轉行數據分析?

1，目前市場上數據分析的熱度究竟高不高?

除了體感上遍布各大平臺的培訓機構廣告，我們還可以查看產品經理 v.s 數據分析師的百度指數，在對比中量化解答這個問題：

可以發現，這兩個崗位都是源遠流長，從互聯網誕生伊始就存在了。但直到19年之前，產品經理的熱度都是2倍于數據分析師的;而從19年開始，數據分析師的熱度奮起直追，加之產品經理逐漸降溫，導致兩者差距已經縮小到50%以內了

2，數據分析師的實際需求量到底大不大?

既然是市場， 就要講供需關系，供給側那么火熱，需求側呢?我們直接從大型互聯網招聘網站的崗位搜索結果來看，在限制城市、崗位和工作年限的前提下，對比產品經理、看下初級數據分析師在不同城市的實際需求量：

該網站不會直接顯示某個崗位在全國的實際招聘總量，比如超過500時就只會顯示500+，我們只能變通一下，收集全國6大互聯網重鎮初級產品經理 v.s 初級數據分析師的招聘量，在對比中偏定性的了解后者的實際需求量到底有多大：

從上圖中我們能很清晰的得到2個結論：

• 任憑媒體近些年來怎么吹，論互聯網就業機會和豐富性，北京依然是毫無爭議的第一梯隊，上海、深圳、廣州是第二梯隊，杭州、成都妥妥的第三梯隊
• 相對初級產品經理而言，初級數據分析師的需求量遠遠落后。無法像當年人人都是產品熱潮一樣，承受人人都來做數據分析師

3，為什么會出現“人人都是數據分析師”的現象?

僅憑個人主觀感受，有如下兩個見解：

• 近年來所謂的流量紅利差不多見頂，需要做精細化運營了;再加上早年間幾位互聯網巨佬瘋狂輸出“數據公司”的概念，導致大環境對數據分析類崗位的需求和認可都有了階段性的提升
• 近年來生意不好做、錢不好賺，大家普遍滋生焦慮心理。培訓行業作為一門生意，因勢利導的利用焦慮。可產品經理、運營、甚至交互設計、編程在前幾年就已經喊過“人人都是”了，需要有新的水源涌入，目光自然就移到了數據分析上

4，普通數據分析師日常工作內容都是啥?

古牧君人肉整理了招聘網站上1～3年數據分析師的崗位JD，抽取一些共性內容列舉并解讀如下，首先是崗位職責部分：

• 常規監控：日報周報月報這類的，主要是監控下業務的核心指標有沒有變動。如果有的話，就要解釋下原因。原始些的每天手工提取數據然后EXCEL加工制表呈現，正常些的會有對應的BI報表和郵件預警;
• 效果評估：“產品新功能上線后效果好不好?最近搞的一個運營活動效果好不好?”這些都需要數據事后諸葛亮一下，ABtest什么的會經常使用。這部分其實不僅僅是事后的事兒，在開始之前就需要數據分析師來全盤的考慮，設計評估方案并依方案來布置需要監控/收集數據的位置和字段，是一個系統工程;
• 業務決策：“怎樣才能提升用戶的活躍/留存?”這類問題會來自一線業務部門，我們的分析結論和建議會影響他們的決策和操作。這里最關鍵的是拆解業務方提出的問題，之后再給出一個系統性的方案;
• 研究分析：“現在的年輕人都喜歡什么啊?”這類問題往往不是那么功利，可能沒有任何一線業務部門有這類迫切的需求，但為了公司長遠戰略發展和團隊自身影響力等，還是必須的。這里最關鍵的是如何提出有價值的問題，而不是張嘴等著喂飯

其次是崗位技能部分：

• 專業相關：數學、統計、計算機相關專業優先
• 數據思維：能夠量化衡量業務問題，并體系化評估業務發展
• 數據敏感：對指標的波動和相互之間的關聯敏感，能及時發現潛在問題
• 理解溝通：能很好的理解業務問題，順暢的與業務團隊溝通協作
• 熟悉方法：掌握常見統計學方法，有ABtest、機器學習等經驗優先
• 掌握工具：熟練使用SQL/Excel/Python/R等數據處理工具
• 報告展示：可視化數據分析結果，降低理解成本、提升溝通效率

5，應付日常工作都需要掌握哪些技能、又有什么門檻?

我們繼續把上述技能歸納總結，看看為了應付數據分析師的日常工作，到底都需要哪些核心技能：

• 工具型技能：這部分就是各類培訓班和營銷文章的主打，因為它確實是最基礎、最需要的，但隨著工作的深入，也是最不那么重要的。羅列下數據分析師需要掌握的工具，不外乎下面這些：

SQL，提取數據必備技能，學起來也方便，隨便買本講SQL的書就能入門。后續隨著實際使用中遇到各種問題再網上搜復雜的代碼寫法就好，不必前期太磕死書本;不過這種程度只是入門級別，當數據量較大的時候，還要考慮代碼的性能，這些就不強求

EXCEL，也是各種工具書鋪天蓋地。提取完數據后，簡單的數據處理啊、作圖啊制表啊都在這里搞定了，可以說數據分析師80%左右的工作，就靠SQL+EXCEL了。對EXCEL沒必要追求太多的奇技淫巧，工具而已，用到的時候查一查就好，說到底還是要服務應用(對數據可視化感興趣想自學的，推薦下面這本)

Python或R或SPSS等，這些都是數據挖掘的工具，是日常工作中相對“高階”的那一小部分。雖然不鼓勵炫技式的工具使用，但知曉基本的數據挖掘，還是有利于拓寬分析師的思路。比如很多數據集，常規的統計分布可能看不出什么端倪，這時候就需要聚類試試;當我們想要預測些事情的時候，回歸啊分類樹啊這些基礎的模型算法也會有用武之地。Python和R都需要寫代碼來操作，而SPSS則更像EXCEL、鼠標點點點就OK了。重要的是，要理解這些工具背后模型和算法的原理，知道它們適用的場景和優劣勢，才能真的駕馭工具

• 方法論型技能：掌握了基礎的工具后，還有很多人執迷于數據分析方法論。講真，我問到周圍幾個同事(BAT且title為高級XXX)，他們多少都有些為難。很多文章都會列舉各種各樣的方法和模型，但其實那些并不是數據分析獨有的，比如5W2H、MECE、SWOT等，都是通用的邏輯思維方式方法。但為了勸誡那些想要給培訓班送錢的善男信女，我還是想簡要說說：

邏輯思維真是的一切的基礎，有條理分主次的表達自己的觀點，同時也要能抽絲剝繭的分析問題解決問題，對數據分析師來講很關鍵;如果非要說有什么方法論，我覺得對比細分溯源就挺好的。舉個例子，今年騰訊的熱度是1000萬，這個數說明啥?首先要問清楚熱度是怎么定義的，然后要找個參照系，比如跟去年比，才能知道是高是低。進一步，如果比去年高了，那是為什么高的?可以從不同維度進行細分溯源，比如從時間維度上，看看是否僅僅是某個月暴增導致的?再比如從對象維度，看看針對騰訊的討論是說公司、還是說領導人、還是說產品?也可以從數據的來源渠道細分看，是新聞媒體的報道多了、還是網友在論壇貼吧的討論多了?

你說是先有方法論才能做成一件事情，還是先做成一件事情再有的方法論呢?很多時候，方法論已經被我們這個時代過度消費了，它成了成功者的事后諸葛亮。就像歷史一樣，是被掌握話語權的人隨意粉飾打扮的小姑娘

• 業務型技能：還沒完，要想讓自己的分析結果切實可行，就要深入的了解所在的業務，不能閉門造車天馬行空的搞純數據研究。舉個例子，豆瓣要提升商業收入，錢從哪些人那兒掙?這就需要首先對目前業務有一個了解，小組、書影音、廣播、FM的比例如何?豆瓣上不同人群的畫像如何?結合宏觀環境來看，哪些人消費意愿在增強?
• 做人型技能：最后，任何一項工作，都不可能是一座孤島。自稱“社交恐懼”“溝通障礙”的朋友，如果是真的話，甭管數據分析還是寫代碼，都不那么適合你。或者說的委婉一些，你可以做，但肯定很難做的好。我見過的工程師里能做上leader的，也都是相對他們群體而言更懂溝通的藝術、更懂換位思考的那群人。畢竟工作中的事情，很多情況下分工合作資源互換，會比你單槍匹馬來的事半功倍;合格的社交合作外，也要有一定的“敏感性”，就是能洞察出領導們的心思。有一種說法是，工作就是讓領導開心。我雖然覺得這句話太功利，但也不是全無道理。不妨換個角度來看，自古成大事者，更多是心懷理想的現實主義者。我們需要了解這個環境，適應這個環境。很多時候正確的事情也需要看時機，很多時候事情能不能做成，“人”的因素是很重要的。我們需要有能力判斷哪些事情的價值更高、更能做成，在自身利益與公司利益之間，找一個微妙的平衡

6，哪些人不建議零基礎轉行數據分析?

既然門檻都知道了，那么對應哪些人不適合零基礎轉型，也就一目了然了：

• 工具型技能，算數過關就好：
  
  • SQL和EXCEL都很容易上手，高中數學OK就好;Python、R那些工具，其實更重要的是背后的原理，所以需要相對扎實的概率統計+高數底子。不過數據挖掘也不是所有數據分析師都需要會的，所以工具這部分，武斷一點給個標準：高考數學150滿分的話有個100+就差不多了
• 方法論型技能，邏輯嚴謹條理清晰：
  • 稍微武斷一些的說，國內大部分純文科專業背景的同學(尤其是畢業后也一直從事創意類、職能類、銷售類等工作的朋友)，零基礎轉型數據分析難度較大，不太建議。因為長時間的專業背景和工作環境，會重塑人的思維方式，如果已經習慣了發散式、跳躍式思維，日常又更偏重感性而非理性，數據分析類工作就較難適應
• 業務型技能，需要接地氣：
  • 特別學術型的朋友，比如對學習研究以外都缺乏基本認知和興趣的那種，不那么適合數據分析師這種崗位，因為這個崗位其實沒那么高深也沒那么科研，相反，非常需要接地氣。數據分析本質上就是應用學科，需要以應用為導向，從問題出發去倒推解決方案，而非先研究一個東西再看看有什么可應用的場景。是否愿意了解你所在的業務方向，能否理解一線實際工作環境都面臨著什么問題，真不是所有人都能搞定的
• 做人型技能，不能太自我：
  • 過于固執的朋友、缺乏同理心的朋友、不善于溝通的朋友，在數據分析師的崗位上注定不會走的很遠，在其他崗位也同樣。一方面我們需要通過換位思考，真正的理解對方的問題和困難，有時候更是用戶的需求;一方面我們也需要通過溝通，把我們的觀點和看法順滑的輸出出去，并最好能在聽眾的心里生根發芽，最終開花結果

本文轉載自微信公眾號「古牧聊數據」，可以通過以下二維碼關注。轉載本文請聯系古牧聊數據公眾號。