欢迎关注天善智能，我们是专注于商业智能BI，人工智能AI，大数据分析与挖掘领域的垂直社区，学习，问答、求职一站式搞定！

对商业智能BI、大数据分析挖掘、机器学习，python，R等数据领域感兴趣的同学加微信：tstoutiao，邀请你进入数据爱好者交流群，数据爱好者们都在这儿。

作者：陈老师，在咨询行业打拼了10+年，在如何诊断经营问题、建立分析体系、解决专项问题上有超过30个大型项目积累与实战，天善智能特邀专家。

个人公众号：接地气学堂

“我可能干了个假的数据分析师！”经常有同学发出这种感慨，然后到处发《数据分析师是干什么的》《数据分析师、数据工程师、数据运营、数据挖掘工程师、商业数据分析师、我随便写个什么分析师之间到底有什么区别》一类的帖子。之所以会这样，是因为大家看的常常是理想状态下的数据分析岗位职责与内容。

从本质上讲，数据分析是个技能，人人都可以学，人人都可以用。“数据分析”四个字拆开，可以细分成偏技术的“数据”部分——采集、存储、加工、展示数据；偏业务的“分析”部分——定义问题，设计思路、寻找答案、验证假设、跟踪结果。技能人人可以学，但在企业中，具体的活是得有人干的。在企业里，员工是按组织架构编排的。数据分析工作，最终还是要分配到某一个部门的某一个岗位。

蛋疼就从岗位开始……

因为数据分析不像销售、产品、运营一样是刚性岗位，大部分企业并不依靠数据分析挣钱吃饭。因此，数据分析岗位就不是一个常设岗位或者必须岗位。简单来说，这是个后娘养的部门。因此组织架构的设置就千奇百怪。导致的后果，就是：理想永远是美好的，现实只能自求多福。大家在网上看到的各种科学合理的“数据分析流程”“数据驱动业务”，到了现实里就七零八落。

O(╯□╰)o

理论上，在技术端，至少需要数据仓储，数据分析两个组，才能扛得住工作。数仓组搞掂数据采集、架构、性能问题，分析组搞掂取数问题。可实际上有完整架构的屈指可数，草台班子满地都是：

这就是无数做技术的同学苦恼的根源：公司没有重视数据这回事，指望一个人把数仓到BI到建模全搞了。于是搞得办事的人各种苦逼。尤其这两年，人工智能的东风给领导的朋友圈吹来了无数数据分析如何牛逼的文章。搞得能力向下兼容的招聘风气日盛。领导们想当然的以为“算法那么复杂，那么牛逼，找一个会算法的不就什么问题都能解决了？”

还真搞不掂。因为能力归能力，工作归工作。数据分析的工作方式，决定了一个人能做的是很有限的（如下图）。即使一个人有能力全部做，他也没精力同时出现在业务部门开会的会议室，跑数的工位，开发的机房三个地方。且不说仅仅是清洗数据，就需要消耗大量精力。过度指望一个人大包大揽的结果，就是丫样样都会一点，但样样不精通。

2，3，4步是开发的硬活，5，6，7步是数据分析的本质工作，但做算法、做专题、开发报表的工作细节完全不同，而1、8正是数据分析的起点与终点，不考虑业务需求，不跟踪业务效果，做了分析又有啥用呢？

在业务端，问题恰恰相反，是个人都想搞个分析，结果基层的表哥表姐越养越多（如下图）。

业务部门需要的是分析结论，不是一个数字。单纯告诉业务部门“本月销量350w，客户复购率20%”屁用没用，业务部门需要的是“这到底说明了什么问题”！做技术的同事，往往只能提供数字，而不是分析结论，所以业务部门养“分析专员”的风气就越演越烈。相当多的领导都喜欢安排一两个数据XX在组织下边，这里只列了一点点，实际上的还有更多更多的表哥表姐岗位……

数据砖员们的工作是很辛苦的。虽然名字也带“数据分析”然而做的工作基本就是在excel里搬数据（常常往返于csv格式与excel工作薄格式之间），做图表，贴到ppt里，在折线图下边写上：“本月销量低了，要搞高！”然后就能静静等着领导回复：“分析的一点也不深入！”了

鬼愿意过这种日子啊！（▼㉨▼メ）

业务端的分析，需要对业务本身有认识和较深的分析能力积累。这样才能有勇气和手段从合作部门嘴里了解到业务到底在干什么，才能在经营过程中准确定义问题，才能构建适合自己公司的分析思路。这些都不是花5000雇个表哥表姐能解决的。可怜的基层表哥表姐们，往往都是新入职没两年，在公司人都不认识几个。别说分析问题了，连张嘴问别人问题，都会吃一个白眼：“关你什么事，做你的去”。这样的状态真的分析不了啥。

我非常能理解业务部门老大们对IT的不满。“就知道跑个数字，分析啥了？”这种抱怨从我入行第一天一直听到现在；我也非常能理解业务部门老大们用数据分析当招牌填充人编的做法。问题是这样大量铺专员真的不是解决问题的办法。因为想要分析输出结论，需要的是做分析报告的人有分析思路和解决问题的能力。正如郭德纲讲相声好笑，那是因为他会讲相声，不是因为他长得胖。以为花5000雇个表哥做个ppt就能分析了，就像以为从街上拉个矮胖子就能把人逗笑一样……

所以理论上讲，最好的结构应该是业务端找有资历，有经验的少数人承担。技术端按需求排架构，多一些人把数据质量、数据处理、BI做起来。这样数据质量高，数据形式多，方便使用，同时业务上也能解读出含义，有能力推动数据成果落地——然鹅这又是一个理想。从业那么多年，除了银行体系和少数大型互联网公司外。就没几个企业真的重视这回事，该招表哥继续招表哥，该养阿尔法狗继续养狗。

o(*￣3￣)o那个，开心就好……

正如某位前辈所言：现阶段数据分析领域的主要矛盾，是人民群众日益增长的对大数据人工智能的幻想，与落后的基础数据开发建设之间的矛盾。

这两年能清晰数据的角色和地位的企业相对多了一些，早些年情况更混乱。XX分析师的XX甚至都是HR小妹妹现编的，岗位JD里复制一段话出来百度，都能找出来一堆一模一样的JD。那个年代我接到猎头电话，往往在丫blabla一堆“分析”“挖掘”“模型”名词之后。直接来这么一句：来，我们说点实在的，向什么部门的领导汇报？是写ppt的还是写代码的？区分效果群拔！

哈哈(ﾉﾟ∀ﾟ)ﾉ

总之不要被名字框死了思路，不要太纠结名字的文字。要看自己具体的工作内容，自己挂在哪个部门下边，具体分析，才能看清前途。这是数据分析成长手册的一部分，在整本成长手册里位置如下：

成长手册持续更新中，欢迎大家持续追剧哦

- END -

推荐阅读：

从1到10，数据分析师的晋升之路

2018年终精心整理|人工智能爱好者社区历史文章合集（作者篇）

2018年终精心整理 | 人工智能爱好者社区历史文章合集（类型篇）

公众号后台回复关键词学习

回复 免费                获取免费课程

回复 直播                获取系列直播课

回复 Python           1小时破冰入门Python

回复 人工智能         从零入门人工智能

回复深度学习 手把手教你用Python深度学习

回复 机器学习 小白学数据挖掘与机器学习

回复 贝叶斯算法      贝叶斯与新闻分类实战

回复 数据分析师      数据分析师八大能力培养

回复 自然语言处理  自然语言处理之AI深度学习