从技术到管理，数据人如何开展工作？

目录

• 0x00 先沟通

• 0x01 再建模

• 0x02 想分析

• 0x03 自动化

• 0xFF 做一名合格的TL

0x00 先沟通

我一直有个观点，数据仓库&数据分析，是一个跟人打交道的工种，而不是技术。

笔者从事2B方向的数据仓库工作，之前面试过不少的同学，有一些机灵的，会在面试之前，简单问一问岗位的内容，我一般也会照实回答。在得知工作内容是2B之后，一些人就表示了明确的拒绝，更希望从事的工作与2C方向相关。尽管我比较讨厌这种情况的出现，但我会表示尊重，因为搞清楚自己想从事的工作方向，比工作机会更重要。

为什么会说工作方向更重要？因为大多数数据人，所从事的工作内容，都是与业务相关的。并不是说技术方向不可以，而是纯技术的岗位，招聘的人数远比业务岗位少得多，而且要求高得多。出于现实的考虑，从事业务方向的开发，就是大多数人的通常选择。业务开发，说到底，就是要实现业务价值的，而业务价值，并不仅仅指导出报表，也不仅仅指做一个架构完美的数据仓库，而是要产出切实的业务价值。技术人通常比较羞涩，不愿意过多的跟人打交道，那么产品/运营，甚至是老大的很多想法，就很少去了解，到了汇报的时候，往往被质疑的怀疑人生，也就不足为奇了。

工作方向，说到底，就是你感兴趣的，并且能够有动力去跟别人聊下去的爱好。

我并不想多谈业务价值该怎样实现，成功的人思考问题的方式都是类似的，而底层的码农做事的方式却各有各的风格。但实现业务价值的一定要多跟别人交流，思维多碰撞才能产生火花。即便是你在某个领域深耕多年，不交流也很难继续跟上时代的发展。

因此，先锚定自己的兴趣点，并不是指技术，而是指从事的业务方向。在这个基础上，多沟通、多交流，数据人才算是开展了数据工作的第一步。

0x01 再建模

建模的作用，是用来描述清楚当前的业务场景。

建模通常是数据仓库应该做的事情，而数据仓库通常是面向过去的，以描述数据的流动性为目的。数据仓库有几种经典的数据模型：范式模型、维度模型、DataVault。在实际的工作中，不管采用哪一种模型，能够把当前的业务场景讲清楚就可以了。

例如你所从事的行业是2C方向的，那么维度建模就很合适，因为维度能够很好的描述历史状态的变化情况，用事务事实表和快照事实表，能够满足绝大多数的建模场景。但假如你从事的是2B的行业，那么单一的模型就可能适应不了，例如企业管理，通常主数据是以范式建模的方式组织的，或者是星型模型，这时候基础模型就要根据数据库来构建。但很多分析的场景又需要关联其他的数据，例如财务、法务数据，这时候又需要做一些维度建模来分析公司的运行状况。

但建模也不是绝对的，建模本质是你对于商业运行模式的思考，对于数据在其中流动方式的总结。

0x02 想分析

分析的作用，是用来产出有价值的洞察报告。

例如我们在构建宏观矩阵的时候，描述的是公司业务线和对应的数据状况，其行、列一般对应着业务主题和数据主题。业务主题包括了公司所对应的业务线布局，例如电商、游戏、视频、应用商店、新闻资讯和浏览器等；数据主题根据抽象程度和视角的不同，对应了相应的业务形态数据，例如曝光、点击、消费、播放、分享等，又可以通过这些原生的行为进行衍生计算，例如留存、活跃、流失等。

我们每次在启动一个新的项目前，都需要做一个行业的调研，了解业界关于这个项目的解决方案，在分析具体的数据前，其实也要有对应的调研过程。数据分析与公司的商业模型比较强绑定，数据分析应该以数据的关联能力为突破口，将复杂业务过程，以透传和洞察能力展示出来，匹配到管理者的期望值中。

可以说，数据来源于业务，并反作用到业务中，还是逃不出商业价值的牢笼。

0x03 自动化

自动化，也可以叫做平台化&流程化，是指把已经成熟的分析/计算方法，做成一套固定的方案，后续有类似的场景能够再次使用，提升业务价值复用的能力。

自动化的目标，不仅仅是为了节约时间，更是为了将已有的方法论固化下来，后人能够在前人的基础上，做进一步的迭代升级。业务所普及的Hadoop等框架，本质也是后人不断提升前人的工作成果，最终形成一套完整的生态。

以数据中台为例，它的发展有三个阶段：描述阶段、分析阶段、预测阶段。刚开始的时候，一无所有，快速把现有的数据进行整合和建模，就非常重要，这个阶段能够理清楚业务细节就是最大的胜利。在此基础上，随着业务边界扩张、业务逻辑逐渐统一的前提下，多进行横向或者纵向的数据对比工作，能够切实解决一批业务价值的问题，并将分析和解决的思路沉淀下来，这里就有了初步自动化的基础。最终当数据流完全数字化及标准化后，引入模型，建立预测机制，将提升业务价值的能力逐步标准化，并且配置成自动流程，这时候数据的智能化场景，就逐步的体现了出来。

0xFF 做一名合格的TL

技术人有两条发展路线：一条是走技术，一条是走管理。其实，在数据的场景下，大多数的技术能力，在阿里P7阶段就已经学会了，而更深一步的技术能力，每提升一小步，所付出的精力和时间，都是之前的一大步，很多人就被迫走向了管理路线，也就是TL。但是，TL所面对的场景非常复杂，管技术、管团队、管业务，特别忙是一定的，又反向迫使很多人望而却步，真正的变得迷茫起来。

TL的核心职责，其实是可以跨团队组织工作，这其中，要想让别人信服，顶层架构、发展分析、落地策略、团队管理、KPI制定、领域驱动、技术驱动、稳定性建设、质量建设、准确性建设、分布式系统、陌生领域知识…… 要学习的内容太多了。数据人，很多时候，走到这里，就30多岁了，中年危机也来了。

其实，我们放平心态，把工作想象成一场长跑，阶段性跑的快不是胜利、跑跑停停也注定落后，最合理的方式，其实是一点一点提升自己，按照自己的节奏，不被工作和生活所带跑偏，坚持下来，你还是比大多数人跑得快。

尽管TL很难，但这是大多数人最切实可行的路线，就像高考一样，过了独木桥，又是一道美丽的风景线。