关注小聚,数据分析不迷路
有不少同学问我数据分析的职业发展相关,今天小聚就展开详细讲讲。
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，其实数据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。
01
首先,数据分析师可分为业务向和技术向:
数据分析/数据运营/商业分析
这是业务方向的数据分析师,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任务。
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。
都叫数据分析师，其实天差地别。互联网行业，偏业务的数据分析师，一般属于运营部门。不少公司也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；
建立和优化指标体系；
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；
找出可增长的市场或产品优化空间；
输出专题分析报告；
商业/市场分析更多见于传统行业。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，开车交通距离等。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。
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，决定往后的发展，是数据挖掘，还是专精数据分析成为管理岗。
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，有些则单独成立数据部门。
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。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
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。
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。因为要求高，所以数据挖掘的平均薪资高于普通的数据分析师。
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领域。如果从业者本身有相关的名校高学历，硕士起，这无疑是一个大优势。
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。
02
上述简单介绍了数据分析相关岗位,接着来说说职业规划。
数据相关大概有三种职业进阶路线,分别是市场方向、数据分析/挖掘方向、数据工程师方向。
非数学/计算机/统计学专业毕业的朋友可以走这个方向,数据相关,非技术路线,偏向于市场方向,对技术的要求只是Excel、PPT,最多要求SPSS,很少要求会写SQL,这条路线看起来高大上,可以走外企路线
(图片来源:挖数)
数据分析师方向,很多读数学、统计学、计算机的同学会选到这个方向,终极目标都是成为数据中心的负责人。
中间有2个分叉,一条是从数据分析师到数据产品经理,主要是结合了数据分析和产品经理的能力。一条是数据挖掘方向,这条路线要求比较高,但薪资也高。当然能走数据挖掘路线是很多数据分析师的梦想,但算法和代码实现能力不是谁都能掌握的。
小结:
如果你是一位应届生，不妨多了解自己感兴趣的领域，多积累相关的经验，为面试做准备。
如果你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，尽量避免跳到一个陌生的领域。
最后,在领域上小聚建议,主要也就三点：1.自己感兴趣的，2.自己擅长的，3.有钱途的。成为某领域的数据专家，会是一个更好的筹码。