开局一张图

有志于转行数据分析的朋友们好～古牧君今天大胆开麦，针对近年来网上各路培训班营造出来的“人人都是数据分析师”热潮，给出一些个人看法。希望能让所有冲动转行的小白们都先冷静下，想清楚到底要不要做之后，再去行动。

本文篇幅适中，内容环环相扣：

1，目前市场上数据分析的热度究竟高不高？

2，数据分析师的实际需求量到底大不大？

3，为什么会出现“人人都是数据分析师”的现象？

4，普通数据分析师日常工作内容都是啥？

5，应付日常工作都需要掌握哪些技能、又有什么门槛？

6，哪些人不建议零基础转行数据分析？

01 目前市场上数据分析的热度究竟高不高？

除了体感上遍布各大平台的培训机构广告，我们还可以查看产品经理 v.s 数据分析师的百度指数，在对比中量化解答这个问题：

可以发现，这两个岗位都是源远流长，从互联网诞生伊始就存在了。但直到19年之前，产品经理的热度都是2倍于数据分析师的；而从19年开始，数据分析师的热度奋起直追，加之产品经理逐渐降温，导致两者差距已经缩小到50%以内了。

02 数据分析师的实际需求量到底大不大？

既然是市场， 就要讲供需关系，供给侧那么火热，需求侧呢？我们直接从大型互联网招聘网站的岗位搜索结果来看，在限制城市、岗位和工作年限的前提下，对比产品经理、看下初级数据分析师在不同城市的实际需求量：

该网站不会直接显示某个岗位在全国的实际招聘总量，比如超过500时就只会显示500+，我们只能变通一下，收集全国6大互联网重镇初级产品经理 v.s 初级数据分析师的招聘量，在对比中偏定性的了解后者的实际需求量到底有多大：

从上图中我们能很清晰的得到2个结论：

• 任凭媒体近些年来怎么吹，论互联网就业机会和丰富性，北京依然是毫无争议的第一梯队，上海、深圳、广州是第二梯队，杭州、成都妥妥的第三梯队

• 相对初级产品经理而言，初级数据分析师的需求量远远落后。无法像当年人人都是产品热潮一样，承受人人都来做数据分析师

03 为什么会出现“人人都是数据分析师”的现象？

仅凭个人主观感受，有如下两个见解：

• 近年来所谓的流量红利差不多见顶，需要做精细化运营了；再加上早年间几位互联网巨佬疯狂输出“数据公司”的概念，导致大环境对数据分析类岗位的需求和认可都有了阶段性的提升

• 近年来生意不好做、钱不好赚，大家普遍滋生焦虑心理。培训行业作为一门生意，因势利导的利用焦虑。可产品经理、运营、甚至交互设计、编程在前几年就已经喊过“人人都是”了，需要有新的水源涌入，目光自然就移到了数据分析上。

04 普通数据分析师日常工作内容都是啥？

古牧君人肉整理了招聘网站上1～3年数据分析师的岗位JD，抽取一些共性内容列举并解读如下，首先是岗位职责部分：

• 常规监控：日报周报月报这类的，主要是监控下业务的核心指标有没有变动。如果有的话，就要解释下原因。原始些的每天手工提取数据然后EXCEL加工制表呈现，正常些的会有对应的BI报表和邮件预警；

• 效果评估：“产品新功能上线后效果好不好？最近搞的一个运营活动效果好不好？”这些都需要数据事后诸葛亮一下，ABtest什么的会经常使用。这部分其实不仅仅是事后的事儿，在开始之前就需要数据分析师来全盘的考虑，设计评估方案并依方案来布置需要监控/收集数据的位置和字段，是一个系统工程；

• 业务决策：“怎样才能提升用户的活跃/留存？”这类问题会来自一线业务部门，我们的分析结论和建议会影响他们的决策和操作。这里最关键的是拆解业务方提出的问题，之后再给出一个系统性的方案；

• 研究分析：“现在的年轻人都喜欢什么啊？”这类问题往往不是那么功利，可能没有任何一线业务部门有这类迫切的需求，但为了公司长远战略发展和团队自身影响力等，还是必须的。这里最关键的是如何提出有价值的问题，而不是张嘴等着喂饭

其次是岗位技能部分：

• 专业相关：数学、统计、计算机相关专业优先

• 数据思维：能够量化衡量业务问题，并体系化评估业务发展

• 数据敏感：对指标的波动和相互之间的关联敏感，能及时发现潜在问题

• 理解沟通：能很好的理解业务问题，顺畅的与业务团队沟通协作

• 熟悉方法：掌握常见统计学方法，有ABtest、机器学习等经验优先

• 掌握工具：熟练使用SQL/Excel/Python/R等数据处理工具

• 报告展示：可视化数据分析结果，降低理解成本、提升沟通效率

05 应付日常工作都需要掌握哪些技能、又有什么门槛？

我们继续把上述技能归纳总结，看看为了应付数据分析师的日常工作，到底都需要哪些核心技能：

• 工具型技能：这部分就是各类培训班和营销文章的主打，因为它确实是最基础、最需要的，但随着工作的深入，也是最不那么重要的。罗列下数据分析师需要掌握的工具，不外乎下面这些：

1. SQL，提取数据必备技能，学起来也方便，随便买本讲SQL的书就能入门。后续随着实际使用中遇到各种问题再网上搜复杂的代码写法就好，不必前期太磕死书本；不过这种程度只是入门级别，当数据量较大的时候，还要考虑代码的性能，这些就不强求

2. EXCEL，也是各种工具书铺天盖地。提取完数据后，简单的数据处理啊、作图啊制表啊都在这里搞定了，可以说数据分析师80%左右的工作，就靠SQL+EXCEL了。对EXCEL没必要追求太多的奇技**巧，工具而已，用到的时候查一查就好，说到底还是要服务应用（对数据可视化感兴趣想自学的，推荐下面这本）

3. Python或R或SPSS等，这些都是数据挖掘的工具，是日常工作中相对“高阶”的那一小部分。虽然不鼓励炫技式的工具使用，但知晓基本的数据挖掘，还是有利于拓宽分析师的思路。比如很多数据集，常规的统计分布可能看不出什么端倪，这时候就需要聚类试试；当我们想要预测些事情的时候，回归啊分类树啊这些基础的模型算法也会有用武之地。Python和R都需要写代码来操作，而SPSS则更像EXCEL、鼠标点点点就OK了。重要的是，要理解这些工具背后模型和算法的原理，知道它们适用的场景和优劣势，才能真的驾驭工具

• 方法论型技能：掌握了基础的工具后，还有很多人执迷于数据分析方法论。讲真，我问到周围几个同事（BAT且title为高级XXX），他们多少都有些为难。很多文章都会列举各种各样的方法和模型，但其实那些并不是数据分析独有的，比如5W2H、MECE、SWOT等，都是通用的逻辑思维方式方法。但为了劝诫那些想要给培训班送钱的善男信女，我还是想简要说说：

1. 逻辑思维真是的一切的基础，有条理分主次的表达自己的观点，同时也要能抽丝剥茧的分析问题解决问题，对数据分析师来讲很关键；如果非要说有什么方法论，我觉得对比细分溯源就挺好的。举个例子，今年腾讯的热度是1000万，这个数说明啥？首先要问清楚热度是怎么定义的，然后要找个参照系，比如跟去年比，才能知道是高是低。进一步，如果比去年高了，那是为什么高的？可以从不同维度进行细分溯源，比如从时间维度上，看看是否仅仅是某个月暴增导致的？再比如从对象维度，看看针对腾讯的讨论是说公司、还是说领导人、还是说产品？也可以从数据的来源渠道细分看，是新闻媒体的报道多了、还是网友在论坛贴吧的讨论多了？

2. 你说是先有方法论才能做成一件事情，还是先做成一件事情再有的方法论呢？很多时候，方法论已经被我们这个时代过度消费了，它成了成功者的事后诸葛亮。就像历史一样，是被掌握话语权的人随意粉饰打扮的小姑娘

• 业务型技能：还没完，要想让自己的分析结果切实可行，就要深入的了解所在的业务，不能闭门造车天马行空的搞纯数据研究。举个例子，豆瓣要提升商业收入，钱从哪些人那儿挣？这就需要首先对目前业务有一个了解，小组、书影音、广播、FM的比例如何？豆瓣上不同人群的画像如何？结合宏观环境来看，哪些人消费意愿在增强？

• 做人型技能：最后，任何一项工作，都不可能是一座孤岛。自称“社交恐惧”“沟通障碍”的朋友，如果是真的话，甭管数据分析还是写代码，都不那么适合你。或者说的委婉一些，你可以做，但肯定很难做的好。我见过的工程师里能做上leader的，也都是相对他们群体而言更懂沟通的艺术、更懂换位思考的那群人。毕竟工作中的事情，很多情况下分工合作资源互换，会比你单枪匹马来的事半功倍；合格的社交合作外，也要有一定的“敏感性”，就是能洞察出领导们的心思。有一种说法是，工作就是让领导开心。我虽然觉得这句话太功利，但也不是全无道理。不妨换个角度来看，自古成大事者，更多是心怀理想的现实主义者。我们需要了解这个环境，适应这个环境。很多时候正确的事情也需要看时机，很多时候事情能不能做成，“人”的因素是很重要的。我们需要有能力判断哪些事情的价值更高、更能做成，在自身利益与公司利益之间，找一个微妙的平衡

06 哪些人不建议零基础转行数据分析？

既然门槛都知道了，那么对应哪些人不适合零基础转型，也就一目了然了：

• 工具型技能，算数过关就好：
  

• SQL和EXCEL都很容易上手，高中数学OK就好；Python、R那些工具，其实更重要的是背后的原理，所以需要相对扎实的概率统计+高数底子。不过数据挖掘也不是所有数据分析师都需要会的，所以工具这部分，武断一点给个标准：高考数学150满分的话有个100+就差不多了

• 方法论型技能，逻辑严谨条理清晰：

• 稍微武断一些的说，国内大部分纯文科专业背景的同学（尤其是毕业后也一直从事创意类、职能类、销售类等工作的朋友），零基础转型数据分析难度较大，不太建议。因为长时间的专业背景和工作环境，会重塑人的思维方式，如果已经习惯了发散式、跳跃式思维，日常又更偏重感性而非理性，数据分析类工作就较难适应

• 业务型技能，需要接地气：

• 特别学术型的朋友，比如对学习研究以外都缺乏基本认知和兴趣的那种，不那么适合数据分析师这种岗位，因为这个岗位其实没那么高深也没那么科研，相反，非常需要接地气。数据分析本质上就是应用学科，需要以应用为导向，从问题出发去倒推解决方案，而非先研究一个东西再看看有什么可应用的场景。是否愿意了解你所在的业务方向，能否理解一线实际工作环境都面临着什么问题，真不是所有人都能搞定的

• 做人型技能，不能太自我：

• 过于固执的朋友、缺乏同理心的朋友、不善于沟通的朋友，在数据分析师的岗位上注定不会走的很远，在其他岗位也同样。一方面我们需要通过换位思考，真正的理解对方的问题和困难，有时候更是用户的需求；一方面我们也需要通过沟通，把我们的观点和看法顺滑的输出出去，并最好能在听众的心里生根发芽，最终开花结果

最后再讲一个大道理：哪儿有什么岗位是人人都能做的？如果真有，那咱又何必去趟这红海的浑水呢？作为岗位的数据分析，不必纠结死守；但作为能力的数据分析，还是非常值得每个人了解一下的。

-END-