如何把握行业缺口机会,成为专业的数据分析人才?

互联网对于商业模式的改进,本质上在于一切皆可数据化。数据化意味着可以更精细化、更高效的运营。所以说,数据一定是互联网时代、以及即将到来的 AI 时代最有价值的生产力之一。

成为专业的数据分析人才

无论企业大小,均愿意为拥有数据分析能力的人才开很高的薪水。但尽管给予高薪,企业依旧找不到适合的人。因为,数据分析是随新商业环境演变而来的新技能,而企业需要的数据技能,学校里特别是国内的学校里,普遍不会教授。

作为一所帮助年轻人提升职业能力、倡导终生学习的在线新职业大学,三节课希望在数据分析的大趋势下,和业内专家展开一次讨论和交流,目标是,面对「提升数据分析技能」这样的诉求,你不会只停留在表面,而是能够基于对「数据分析」以及对应职业选择更清晰的理解,有更为清晰、可落地的实现路径。

因此,我们在 6月12日邀请两位数据分析领域的专家做了一场直播分享,特将精华内容整理出来,供大家学习参考。

本场嘉宾:张涛(神策数据的副总裁、在创业前在腾讯、豌豆荚、映客等公司担任产品经理、产品总监等职位)、张宇晖(前滴滴策略运营专家、前微软高级数据与应用科学家)

本场主题:如何把握行业缺口机会,成为专业的数据分析人才?

1、为什么数据分析能力是当下互联网行业最稀缺的能力?

张涛:我先从业务人员的视角来聊聊数据分析在工作中的使用场景。

对产品经理:

我在加入神策之前一直是做产品经理的。对于这个岗位,一开始可能你只是画原型写 PRD,但是在 4-5 年之后,你会发现,你的事情是做决策:什么样的优先级、什么样子的功能、什么样的设计、什么样的策略等。我在早期的时候更多是靠感觉,就是所谓的「网感」。互联网早期,有网感的人在面试时特别吃香,但是现在的年轻人,都是在互联网时代出生长大的,没有人没网感。网感不再是你的稀缺竞争力了,那么你能用什么来凸显自己的价值呢?我觉得是数据。如果你慢慢地对数据掌控能力越来越强了,你在整个产品的设计过程中会更加自信,而且更有章法有套路。

对运营:

其实我在工作的后几年,是产品和运营团队一起管理的。我觉得运营就是一个做动作的工作,或者说运营很在乎做动作。他们的工作任务就是在一个目标已确定的情况下,通过调动公司的现有资源,或者各种各样的运营套路让目标达成。但是,我要在什么时候、用什么手段去影响什么指标呢?如果对于运营动作的各个节点及其数据表现不清晰,你不知道该出什么招式,或者招式会受到影响。如果你对数据掌握得更清楚,你会知道该在什么时候发招,把这一招打在整个业务流程的哪一个环节上,这就是为什么数据对于运营是非常重要的。

对市场营销:

对于市场营销人员来说,其实初期大家基本都是在做执行工作。但是越到后面你越会发现,市场这事,你光会执行是完全不行的。因为你需要掌握的是市场背后的一套策略,你要关注的是 ROI。在互联网早期,大家都跑得比较快,你会发现其实 ROI 很难计算:可能勉强把一个新用户的平均成本给算出来,但是到底分渠道来看,新增用户是多少?渠道成本是多少?以及渠道用户后续产生的收入情况是什么样?这是一个比较麻烦的事。但是往往把这方面想清楚的公司,他们的市场团队会跑得特别的快,为什么?因为一旦 ROI 算清楚了,我是赚钱的,那就意味着我每投一笔资金出去买来的用户,最后都能赚回来,我就可以很放心地去大规模投放。很多公司和团队就是因为算不清楚这笔账,所以在犹豫中错失了机会。

刚刚是从岗位本身的工作角度,来说明数据分析的价值的。其实从职业发展角度,数据也特别重要。

在互联网公司里,如果想要有好的职业发展和晋升路径,核心一定要懂得总结自己。我经常看到有些人做了三五年了,但是你去看他的简历或者跟他聊的时候,发现他没有什么成长,就他三年前做事的方式,跟三年后没有什么区别。而另一些人完全不同,他很懂得总结自己的工作,每个月、每个季度、每年他都会去总结,我在这个领域里做成了什么事。

在我们这个行业里,你最容易向别人讲明白,你是否做成了一件事——用数据就可以了。所以如果你能够在日常工作中,搞得清楚你手上工作的数据指标是什么,以及你做了半年之后提升的结果是什么,那么你就可以很好地去总结自己。所以我觉得不管是从岗位本身来说,还是从职业发展来说,非数据岗位的同学掌握好了数据能力,对自己是有很大帮助的。

张宇晖:为什么数据分析现在这么热门呢?因为互联网行业里发生的几乎所有行为都是直接数字化的。很直接的例子:如果你去沃尔玛或者家乐福买东西,如果要将你的行为数字化,你还要去安装 APP 或者 IoT 装置去探索你的行为:你先看了什么后看了什么,到最后买了什么。但是如果你去天猫买东西,你的所有行为是直接数字化的,用户的行为数据对天猫来说就是内部数据。所以互联网行业本身就是跟数据紧密关联的。

而且,互联网行业的门槛相对是比较低的,比如,去年开始,美团也在做打车业务,你感觉滴滴已经做得很大了,市场份额 90% 以上,但是美团想要做打车,招一批程序员,该做还是可以做,壁垒很容易被冲破。所以在门槛相对低的互联网行业,如何塑造自己的壁垒?实际上要靠效率,要靠精细化运营。而精细化运营最普遍的手段就是使用现在的数据进行系统细致的分析,然后信息化运营。

由于互联网发展起来也就是这十几二十年的事,而学校的迭代速度相对慢,数据科学这么火,这么多年开设数据科学的院系并不多,在美国可能是两三年前开始有,在中国应该还没有。而且学校的老师科研能力强,但和工业界的联系比较少,要教授目前互联网企业在应用的技术、在探索的业务,其实很难。所以一方面新兴的互联网公司产生了非常多数据分析的需求,另一方面学校跟不上,在这个时候,如果你特别注重自我教育和自我提升的话,你应该抓住这次人才红利,自学数据分析。这可能是改变你未来五到十年职业生涯的最好机会。

2、数据分析师是干啥的?职业发展如何?

主持人:感谢两位老师的分享。其实,互联网及 AI 相关的公司想要真正数据价值,除了一线业务人员要有足够高的数据分析水平和意识,专业的数据分析团队也非常重要。

很多互联网大厂,比如滴滴、美团等,都会有自己非常齐备的数据分析团队。宇晖老师之前在滴滴担任策略运营专家,想问问宇晖老师,在滴滴这样的公司,专业的数据分析师具体是做什么的?对于公司的价值又是什么?

张宇晖:

如何把握行业缺口机会,成为专业的数据分析人才?

我大概可以把滴滴的数据相关岗位分成三类,上图是我总结的一个数据相关岗位的灰度图。从左向右分别是商业分析师、数据分析师、数据科学家还有机器学习算法工程师。左侧代表业务,右侧代表技术,大家可以把这几个职位从业务和技术角度对号入座。

最左侧是商业分析师,更多的是在滴滴的业务团队,他会直接对业务线 Leader 负责,辅助他做业务决策,这是一个更偏业务的岗位。这个职位对于技术的要求相对较低,他的分析更多的是用 Excel 或者神策这样的数据平台,然后把这些数据分析得非常快,也非常简单。

再往右是数据分析师或者数据科学家。这种职位在滴滴是在一个独立的、CTO 下面的一个团队。作为一个中心化的数据团队,他的领导一定是懂数据的。不管是产品团队还是业务团队都会有报表或看数据的需求。这些可以提给这个团队,他们用比较专业的方式去实现数据需求。比如 A/B 测试,从设计到最后的效果评估,都需要这样一个数据分析师或者数据科学家的团队去进行整体跟踪,并有一些深入分析,而这些分析可能不是我们用 Excel 可以马上看到的。

给大家举个业务场景:比如滴滴在几个城市都上线了司机端的同一个活动,有些城市表现好,有些城市表现差。表现好只是城市原因吗?还是这个城市本身的司机有某种属性?可能经过数据分析发现,这个城市的司机有很多是早高峰司机,于是他对这个项目的反应比较好。这样深入的分析需要专业的技术,比如 R/Python 甚至一些机器学习的知识,所以这些比较深入的项目分析发生在我们刚才说的第二种数据岗位——数据分析师,或者数据科学家团队。

最右侧的,也是最靠技术的,即机器学习算法工程师,在滴滴这实际上是在 CTO 下面的团队,做的是这种最硬核的数据相关的工作,比如数据挖掘团队、AI 团队。在滴滴,数据挖掘团队可能给司机通过大数据打一些标签,比如司机的性别,或者他在什么时候出车。但是会不会我们去给司机打一个标签,是勤劳司机标签,或者佛系司机标签,就有一些通过数据不能直接看出来,但通过深入的数据发掘,是可以打上标签的。这样非常硬核的数据团队,是依靠相对比较复杂的机器学习算法来实现的。

所以我再回顾一下,实际上数据相关岗位大体有三类:第一是镶嵌在业务团队里的商业分析师,第二是中心化的独立的数据分析师或数据科学团队,第三是最技术、最硬核的机器学习算法工程师。

在一家公司里,数据分析团队可能会是中心化的,也有可能是去中心化分布在各个业务线的:

如何把握行业缺口机会,成为专业的数据分析人才?
如何把握行业缺口机会,成为专业的数据分析人才?

刚才提到的是横向的数据职位的范畴,接下来讲讲数据分析岗位的晋升通路。

在滴滴这样的公司,大概的 title 会是:初级数据分析师 - 数据分析师 - 高级数据分析师。但是因为我们刚才说数据分析师和数据科学家,实际上是非常相似的,所以他晋升到第四档或者第五档的时候,他就被叫做了数据科学家。然后再往上是,资深数据科学家、高级数据科学家,然后再是首席数据科学家,这样一个进阶的过程。

如何把握行业缺口机会,成为专业的数据分析人才?

张涛:因为我最近也到处在招聘数据分析师的岗位,我发现有的公司里,也有一种叫做「商业分析师」的岗位,它可能不是像你刚才说的,在一线直接支持 BI 这种,而是说在战略部门做偏市场研究或战略研究的事。我跟他聊他的工作内容,其实离数据分析更远一点,他更像是去做一些用研或行研的工作。

张宇晖:我觉得商业分析师这个名称其实叫得挺广,也非常早。早在数据分析师这么普遍之前,已经有很多商业分析师了,所以我觉得商业分析师的分类,应该是可以切一刀的:一种商业分析师偏策略,可以叫他商业策略分析师;另外一种偏数据的,就是商业数据分析师。

3、想要转行/入门作专业的数据分析师,该如何系统性学习?

张宇晖:想要成为专业的数据分析师,我们专门做过能力模型分析,数据分析师的软硬技能大体如下:

数据分析师必备技能
数据分析师必备技能

对于想要入门成为初级数据分析师或者说数据科学家的同学,在硬技能方面,理论基础要扎实,编程语言上至少要掌握 1 门 R 语言,另外,熟练使用 Excel、SQL 和 Power BI 等可视化工具。入门必备技能如下图绿色模块所示:

数据分析师必备技能

如果你现在从事其它职业,想要转行进入数据分析领域,或者是在校学生,想要寻求数据分析相关职位,建议你体系化地去学习和实操数据分析的典型流程,在实操项目中夯实自己的技能。

数据分析师必备技能

我和三节课合作的「数据分析师 P1」课程正是基于想要入门/转行数据分析师的人群来设计的,有兴趣的同学可以关注。

4、产品、运营、市场营销人的数据分析能力应该掌握到什么程度?如何提升?

主持人:感谢宇晖老师的科普,相信现在大家对于数据科学这个领域一定有了一个非常全面的认识。

我理解,但凡使用工具、遵从科学严谨的数据分析流程和方法分析数据,得出置信度高、可指导业务决策结论工作,都属于「数据科学」的范畴。这个范畴内对应的职业,主要有:商业分析师、数据分析师、数据科学家、机器学习算法工程师。这些职业间的边界不是绝对清晰的,有一些交叉,但整体说,在数据分析技术上,一定是难度递进的。

聊完了数据分析师,我们也想和张涛老师聊一下。如果我只是个业务人员,我知道数据分析很重要,但看 JD 我就蒙圈了。看个产品、运营、增长、市场的业务岗位,似乎所有的 JD 都要求「具备突出的数据分析能力」,但我的数据分析能力得优秀到什么程度,我一无所知。

张涛:OK 明白,其实业务人员对于数据分析能力的要求,可能不像数据分析相关岗位一样,能特别明确地用类似的灰度图来表示。比如我是一个产品运营,我在找工作的时候发现,JD 中要求「突出的数据分析能力」。我觉得大致可以会分成三个要求。

第一个基础入门的要求,只需要正常看懂公司内部数据系统的报表,一些指标你要有能力看懂。不要觉得这很简单,很多人真的连一些非常常规的指标比如日活、月活等,都不知道公司内部的统一口径是什么。这样有可能导致,不同部门之间在指标讨论的时候,鸡同鸭讲,争论了半天,发现大家对于同一个指标的计算方式都不一样。这也是为什么我在我的「业务数据课」第一章就带着大家重新认识常见数据指标。

第二个要求是基本的数学基础,加减乘除我就不说了,我就说一个最简单的。我们有时候去面应届生的时候,会提到一些常见的,我本来以为是很常见的「中位数」。你会发现很多非数学专业的同学,其实对于一些常见的数学概念是界定不清的。这些概念往往是实际工作中常用,而且也不难,但学校不教的。

第三个要求是基本的数据分析能力。这个和你所在的行业和公司有关系。如果你是做内容,那么你有些关键指标,比如说文章的发布数、评论数或者阅读量。当这些东西发生一些波动的时候,你能否快速判断是哪个环节出了问题?如果你是一个游戏资讯网站,到了 6 月份数据下跌了,你要能基于这个去做一些基本的假设:首先要理解这个行业本身,6 月份可能学生要高考了,偏游戏性的产品流量下跌正常。你要结合数据,回到业务本身进行思考。

前面说的这三点,就是我认为做产品和运营的同学,应该有的基本数据能力。

如果我在 JD 里对这个岗位的数据能力有要求,我一般指的什么?

首先,市面上常见的数据工具,比如说 BI 工具,统计平台如 GA、友盟或者我们神策这种类型的工具,你用过一两家,精通半家一家的。你懂得去利用已经成型的数据平台,去解决自己业务上的问题。

然后,有一些比较复杂的数据情况发生时,你能够动用一些简单的数据模型,对数据进行多维度的拆分,尽可能找到出现问题的原因。

最后,你要懂得如何去搭建一套数据指标体系,去衡量自己或整个团队的工作效果。其实最后这一点蛮难的,刚工作的人其实很难想明白这一点。首先你要理解你们自己公司的业务是什么,从业务里提炼出一个业务指标,在围绕这个业务指标,拆解到每一个人的工作,变成一个指标体系,这个过程其实蛮难的。

所以你会看到,我们对于产品运营的数据要求,不是深入的技术方向,而是应用导向,就是你懂不懂用工具、你能不能拿工具解决问题、你能不能拿指标体系来衡量你的业务。我们在乎的都是应用本身,而不是技术本身。

我在三节课开设的「业务数据分析实战」课程,基于业务同学在真实场景下的三大模块「指标建模」「数据观测」「数据分析」来设计的,想要提升自己数据能力的产品、运营、市场营销同学,可以关注下这门课程。

主持人:非常感谢两位老师今天分享的超级干货的内容,让我们对于数据分析有了更深的理解,对于其职业路径,也有了更清晰的认知。

我大致总结一下今天探讨的几个问题:

首先,数据分析能力是互联网行业当下最稀缺的能力。从业务人员角度,数据分析是实现职场进阶、提升不可替代性的必备能力。数据是互联网时代,以及即将到来的 AI 时代最有价值的生产力之一,专业的数据分析师是企业面对未来竞争、占据有利地位的最有效的秘密武器。目前来讲,数据分析师需求大,但供给低,正是人才红利期。

接下来,宇晖老师用灰度图的形式向我们生动展示了数据科学的全貌。如果一头代表业务,一头代表技术,商业分析师是和业务有更紧密结合和互动的,而机器学习算法工程师是更依赖技术的,中间的是数据分析师和数据科学家。如果走「数据科学」路线,逻辑能力强、抽象能力强,对数据和工具敏感是基本功,对于技术的掌握程度,看职业目标可以有深有浅,但最浅也需要对于 Excel 的中级操作以及可视化数据工具的灵活应用。对于不走此路线的业务同学来说,也需要具备一定的数据能力,包括数据工具的使用、常用的数据分析方法、对于数据异动 的假设和验证、数据指标体系的梳理。

最后,两位老师分别介绍了两类人群的不同学习路径。对于产品经理、运营、市场营销等业务同学来说,系统掌握「指标建模、数据观测、数据分析」的思路和方法,对于用数据驱动业务是非常有益的,这套方法论也可以通过张涛老师的「业务数据课」学习。而对于想要入门或者转行做数据分析师的同学,哪怕代码零基础、没有理科背景,也可以通过系统性的学习来解决。三节课的「数据分析师 P1」课程用 8 周时间带大家入门数据分析师的职业世界,带大家训练真实工作所需的核心数据分析知识 + 技能。

答疑

问题 1:面试的时候,被面试官说自己的数据敏感度不够,该怎么办?

张涛:这其实是个很好的问题,而且在我的工作中也在思考这个问题。

我们神策的整个分析师团队差不多有四五十人,我平时日常都在分析,我就更需要训练大家的数据敏感性。其实我原来带产品和运营的时候,经常会在团队里做一个悬赏游戏。反正就一个星期悬赏个一两百块的红包,激励大家去思考和训练自己的思维。

比如前段时间我看到「铂爵旅拍想拍就拍」的广告,很洗脑。突然有朋友就问我,铂爵旅拍投那么多的广告,婚纱拍照一辈子可能就拍一次,这个市场用得着那么多渠道,投那么多广告吗?一般人可能听听就过去了,但是我已经有了这种敏感性,他问的时候我脑子里就开始盘算,看到底婚纱摄影在中国是多大的规模,到底能不能支撑起他们现在这么大规模的投放。然后我会在网上去搜一些数据来支撑我这个模型,最后我心里大概有数了,我觉得算得过来,我心里面已经有一些关键的数字。

后来我把这个问题发到我们部门的群里边,我说大家一起来算一算,看谁跟我算得最近,或者跟我在行业里了解到的真实数据,算是最近的。然后我就发两个红包作为团队鼓励。

其实对于自己来说也是,你要对你生活中的很多的事情感到好奇,就比如说一个事情摆在面前,你不要觉得得过且过,或者知道个大概就行。而是你要学会去量化一个东西,不管是量化一个模型,量化一个具体的指标,你要经常去进行这样的锻炼。这是一个方面。

第二个方面就是,你在我们互联网这个行业里具体工作的时候会发现你手上一些现有的数据指标发生波动的时候,一定要有好奇心。为什么它涨,为什么它跌?要去探究背后的原因。其实我这十几年积累下来的大部分关于互联网业务洞察,都来自于一次的好奇的探索,在过程中发现了背后的一些真相。所以说你基本上就靠这两个方法不断锻炼,就变成你日常的个人习惯,你对数据的敏感性就慢慢提升起来。

问题 2: 两位老师的两门课「互联网业务数据分析实战」和「数据分析师 P1」,到底该怎么选?

张涛:如果说大家今天来听直播,只能带走一个信息,那你就简单地记住:如果你想从事数据专业方面的工作,不管是数据科学家和数据分析师,那么首先从我们数据分析 P1 的课程来学习肯定是没错的。如果你现在是从事的是产品、运营或者市场方面的工作,那么可以先从我们业务数据的课程开始学习。

这两门课学完了之后,你可以根据自己实际的需求去选择,当然,也有可能这两门课程交叉学习也是 OK 的。最核心是根据你自己的职业规划或者你现在所处的职业方向来选择。(完)

本文由用户 @黑色斑马发布于新媒体运营,未经许可,禁止转载。

题图来自Unsplash, 基于CC0协议。

本文由 新媒体运营 作者:黑色斑马 发表,其版权均为原作者所有,文章内容系作者个人观点,不代表 新媒体运营 对观点赞同或支持,未经许可,禁止转载,题图来自Unsplash,基于CC0协议。
2

发表评论