一、数据分析岗位剖析

目前，数据分析领域主要有以下几类岗位：业务数据分析师、商业数据分析师、数据运营、数据产品经理、数据工程师、数据科学家等，按照工作侧重点不同，本文将上述岗位分为偏业务和偏技术两大类，并对每个岗位以下技能栈进行分析，阐述不同岗位的特点。

工程能力：强调计算机编程能力。
业务经验：深入业务流程，理解业务痛点
项目能力：项目管理能力
分析思维：分析方法、分析模型的应用
算法模型：统计学、机器学习
产品能力：产品设计、原型制作以及需求文档的编写

1、偏业务方向的数据分析岗位

偏业务方向的数据分析岗位一般归属于业务部门，有业务数据分析师、商业分析师、数据运营、数据产品经理等，该类岗位职能主要有以下几点。

建立和优化指标体系
支撑各部门相关的报表
输出专题分析报告
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
找出产品优化空间和可增长的市场

(1) 业务数据分析师

业务数据分析师需要将业务数据体系化，建立一套完善的指标体系。进行数据提取、清洗、分析及预测，生成并推动策略实施。需具备拆解指标体系、定位问题根源的能力。同时了解BI报表开发，掌握BI工程师相关知识。该岗位所要具备的技能栈如下图所示。

(2) 商业分析师

商业分析师的工作侧重于经营和战略方向，具有宏观视角，主要涉及制定业绩目标、监控各渠道经营状况、异常业绩指标监控与量化归因，并为决策者提供有力依据。此岗位要求具备敏锐的商业嗅觉，能全面认知市场与竞争对手，迅速察觉政策、竞争态势、市场趋势的变化，并及时作出响应。

例如，计划开设一家快递驿站时，首要考虑的是选址问题，这需要对居民密度、消费能力、竞争对手以及线上消费能力等多个因素进行深入调查。这类分析更加宏观，数据来源广泛，且常需通过调研进行定性研究，与业务数据分析的微观视角有所不同。该岗位所需技能栈如图所示。

(3) 数据运营

数据运营主要负责运营相关的数据分析，为日常运营活动提供坚实的数据支持，并协助运营人员制定有效的运营策略与方案，确保其成功实施。

以活跃指标的下跌情况为例，数据运营需要深入分析多个关键问题：活跃指标具体下跌了多少？这一变化是否属于合理的数据波动范围，还是异常波动？下跌趋势从何时开始？是整体活跃用户数量下跌，还是仅限于部分用户群体？导致下跌的根本原因是什么？是产品版本迭代的影响，还是运营效果不佳所致？数据运营还需提出解决策略，以应对活跃指标下跌的问题。该岗位所要具备的技能栈如下图所示。

(4) 数据产品经理

这个岗位比较新，它要求同时具备产品经理和数据分析师的双重技能。它有两种不同的定位：一种是具备强大数据分析能力的产品经理，他们不仅精通产品管理，还擅长利用数据来优化和改进产品。这类产品经理在日常工作中与业务紧密接触，有机会同时承担数据分析师的工作，成为一专多能的典型代表。无论是大到页面布局、路径规划，还是小到按钮的颜色和样式，他们都能通过数据指标进行精准评估，并擅长运用数据分析来做出决策。

另一种定位则是真正意义上的数据产品经理。随着数据量的不断增长，越来越多的与数据相关的产品项目应运而生，如大数据平台、埋点采集系统、数据可视化系统等。这些虽然也是产品，但更加注重数据的呈现和处理。数据产品经理需要提炼需求、进行设计、规划项目排期，并最终推动项目的落地实施。该岗位所要具备的技能栈如下图所示。

2 偏技术方向的数据分析岗位

偏技术方向的数据分析岗位有数据开发工程师、数据挖掘工程师、算法工程师等，该类岗位有的归属研发部门，有的则单独成立数据部门。与偏业务方向的数据分析岗位相比，偏技术方向的数据分析岗位要求有更高的数理知识以及开发能力。

(1) 数据开发工程师

数据开发工程师这一岗位更偏向于数据底层工作，其核心职责涵盖数据采集、清洗、存储，以及数据仓库和数据平台的建设与维护。与数据分析师不同，该岗位对数据分析能力的要求不高，但更加注重大数据处理能力，需要具备较强的编程能力和架构设计能力。

在很多中小型公司，由于人力有限，数据分析师还会承担一部分数据开发工程师的工作，兼做一部分数据清洗、ETL和数据表开发的工作。该岗位所要具备的技能栈如下图所示。

(2) 数据挖掘工程师

数据挖掘，从概念上讲，是通过运用一系列数据挖掘算法（包括但不限于分类、聚类、回归、预测、协同过滤、关联规则等）来探索和揭示海量数据背后隐藏的业务价值。例如，寻找共享单车最高效的投放策略就是数据挖掘的典型应用场景。

数据挖掘工程师不仅需要深入理解算法的基本原理，还必须具备出色的编程能力，如熟练掌握Python、Scala、Java等编程语言，并且往往要求拥有Hadoop/Spark等大数据处理框架的工程实践经验。尽管从工作内容上看，数据挖掘对分析能力的要求可能不如业务型数据分析那么高，但这并不意味着业务理解不重要。实际上，在特征选取这一关键环节，对业务的深入理解会极大地影响特征的选取，进而对模型效果产生重要影响。

该岗位所要具备的技能栈如下图所示。

(3) 算法工程师

数据挖掘工程师可以通过不断精进，逐步发展成为算法工程师。相较于数据挖掘工程师，算法工程师对理论的要求更高，他们的工作不仅局限于简单的分类或回归任务，还涵盖了图像识别、自然语言处理、深度学习等更为复杂的领域。深度学习作为当前技术发展的前沿，其起源于神经网络的研究。

由于深度学习领域存在众多的框架和模型，算法工程师除了需要熟悉TensorFlow、Caffe、MXNet等深度学习框架外，还必须具备模型应用和调参的能力。这种能力往往是区分普通“码农”和“技术大牛”的关键所在。该岗位所要具备的技能栈如下图所示：

二、数据分析发展路径

数据分析这一领域，核心在于“数据”与“分析”，它围绕着数据能力的培养与分析思维的构建而展开。在进阶的道路上，同样可以从这两方面入手，进行深入的学习与实践。你可以从数据能力出发，进一步发展到技术层面，也可以从分析思维出发，深入到业务领域。根据你的兴趣与资源，你可以选择向技术方向发展，还是向业务方向发展。

数据分析更多是职业路径初期的入门阶段。要想升级，获得更好的待遇与前景，则需要在中期时跳到更广阔的平台。之前我们已经介绍了常见的数据分析相关的岗位，这些岗位其实就代表了不同的进阶方向。数据分析师主要有如下几个发展路径：

(1) 数据分析+业务增长

入职数据分析工作后，随着分析能力的提升和业务经验的积累，你可以逐渐由单一的数据分析转变为能够帮助业务成长的角色。通过分析，你可以找到业务增长的方向并实现价值的落地，成为“业务专家”。这是大部分人会选择的方向，因为了解业务本来就是数据分析师的必经之路。在逐渐熟悉业务之后，这样的转变也是水到渠成。业务方向使分析工作更容易产生价值，从财务角度来说，就是由“成本”转为“利润中心”，收入自然也有所保障。

除了掌握数据分析工具、业务分析及模型能力外，作为“业务专家”，你还需要具备充足的业务经验，包括运营的思考逻辑及决策过程、众多业务部门之间的协作关系，以及数据分析结论、模型在业务侧的落地应用并持续产生价值的能力。

(2) 数据分析+数据产品

如果你在公司入职时就已经接触到CDP、BI等B端数据产品的建设，那么你可以同时负责数据分析指标体系、用户标签体系、运营监控报表设计等工作。由于你对数据的敏感度和分析方法的掌握比产品经理有更深层次的理解与运用，所以在这过程中，随着产品相关知识的补充，你可以转变为更具竞争力的“数据产品经理”。

除了需要掌握产品经理的基础能力外，数据产品经理在数据分析应用、建模能力方面也需要具备一定知识，才能进阶搭建可供业务使用的分析框架。

(3) 数据分析+模型算法

在大数据时代，商家之间比拼的是精细化运营能力。面对日益“刁钻”的分析需求，尤其是在电商、互联网等数据决策意识较强的行业，你可以从简单的逻辑回归算法开始积累知识与实践经验，进而转变为人工智能时代的“算法工程师”。

算法工程师的门槛很高，除了需要掌握统计学知识、线性代数、概率论等高数内容外，还需侧重锻造“工程”能力，即从业务调研、建模到服务器搭建、模型部署落地等系统工程能力。当然，很多人即使没掌握高数，通过“调参”也能很好地调用模型输出结果，但根据业务场景构建模型并部署落地的能力是必不可少的。

(4) 数据分析+BI开发

图表能降低受众的阅读门槛并提高决策效率，所以可视化的BI（Business Intelligence）越来越受欢迎。BI可以自行搭建如Python的Superset等工具，其优点是数据保密可控，但开发门槛较高且最终效果未必很好；也可以使用第三方提供的工具如PowerBI、Tableau等，其优点是门槛低且能搭建分析模型，但管理层可能对数据不放心。

BI岗位有以下两个特点：第一，BI工具是个见效快、升职快的岗位，因为与专职的数据分析师需要负责对分析结论落地以体现价值不同，BI体现价值的地方就在于报表或图表能满足业务分析即可；

第二，决策前置趋势明显，即BI工具从展示型工具往决策型工具演变的趋势越来越明显。现在它开始通过复杂的建模输出决策建议，例如通过关联性分析直观给出商品组合建议；再如搭建RFM模型输出价值顾客及策略建议等。

(5) 数据分析+大数据分析/开发

经常有新人混淆数据分析师和大数据开发之间的关系，其实从名字上就可以看出些区别。“大数据”就是一台计算机难以计算的数据量，如TB级别甚至PB级别的数据。此时需要通过多台电脑组成分布式网络来提升算力，所以该岗位更多是技术活，需要掌握hadoop家族产品并搭建大数据框架。而数据分析师则侧重在分析能力上，无论是几百KB的表格还是一个GB级的数据库都能进行分析。此时的解决方案很多样，如Excel、SQL、Python等。

所以该岗位更多的是业务分析能力，除了掌握必备工具外，还需要掌握分析模型的应用能力。当然，有时候它们的界限并没有那么明显。数据分析师接触大数据任务多了后，在掌握如Spark、Hive等工具及相应分析能力后，也能转为大数据分析师乃至大数据开发。