数据分析岗的职责（终于有人把数据岗的职能）

中秋回家，一家人围着餐桌闲聊。谈及工作，我妈问我：“你每天都在公司做些什么呀？”

我竟一时语塞，不是因为不知做了什么事；而是因为我们好像做了各种各样的事（维护指标体系、做专题分析、建数据表、建设数据产品、等等不一而足），但却很难简单明了的告诉我妈“我在做什么？有什么价值？”。顿时感觉有点沮丧，因为“一件事情如果我没办法跟我妈讲清楚，说明我自己没有思考清楚。”。

“‘数据岗的职能是什么（做什么工作）？（对公司）贡献了什么样的价值？’是一件非常重要的母题”我说时来不及思索，但思索之后，还是这样说。

因为一旦思考清楚这个母题，对个人而言，就可以回答个人成长与职业规划的问题；对组织而言，就可以回答能力发展与组织建设的问题。为什么这么说？

图1：个人与组织待解的问题

因为工作的最小单元是一个个的任务。相似的任务聚合在一起，形成了职能；相关的职能组合起来形成了岗位。相关的岗位组合在一起，形成了部门；所有的部门组合在一起，构成了组织。

图2：知识技能、职能岗位、部门组织之间的关系

而对个人而言，待完成的任务，决定了所需的知识技能；所以弄清楚数据岗的职能，以及自己想要履行的职能，就可以明白自己要掌握哪些知识与技能。即，解决了个人成长的问题。从承担单一职能，到承担多个职能（职责扩大化），到职能丰富化，进而到承担主要的协作职能（管理职能），就是职业规划与职业发展的一种路径图。

而对组织而言，明确哪些是需履行而目前未履行好的数据职能，就能明确能力发展的方向；对职能的重组和对岗位的重组，使得整体的工作更加顺滑、高效，就是一定程度上的组织建设。

PS：这里以职能为主要的颗粒度，是因为：不同的组织由于实际状况的不同，对于相同名称的岗位，会设计不同的岗位职能。

“数据分析岗”在目前阶段就是一个非常典型的例子，在有些组织，这个岗位会归属与独立的数据部门，而有些组织内它会归属于业务部门（产品/营销/研发/等等）。在有的组织内部，对产品、运营等等岗位有不低的数据能力要求；而在有些组织内，则并非如此。这些现象的本质是不同的岗位设计，不同的职能组合。

这也是为什么，有的同学说，在他们公司，数据分析师从不跑SQL；有的同学说，数据分析师要懂数据产品设计；有的同学说，数据分析师要熟悉各类算法；等等。这些同学说的都对，都是实际情况；但这不意味着数据分析师什么都要会，什么都要懂，什么都要做。

一、核心职能：数据岗位的核心职能是什么？

谈到数据岗的工作有哪些，大家的脑海里肯定会浮现出特别多的词：ETL、取数、做报表、专题分析、指标体系。绩效管理，不一而足…… 但是究竟什么才是数据岗的核心职能？如何通过一句话总结性地告诉父母，我们在做什么工作呢？

图3：数据岗的工作事项

好好认为，数据岗的核心职能有两个：① 产出数据资产；② 提升信息的价值密度。

• 数据资产：所谓数据资产，是个人/企业所控制的，预期会带来未来经济利益的数据资源。这种资源可以是以物理形式存储，例如文档资料；也可以是以电子的方式记录，例如电子文件。
• 价值密度：所谓价值密度，是指一个数据集预期可带来的经济收益，与其数据量的比值。这里的数据集，可以是51字节的一句商业判断，也可以是3M的数据分析报告，也可能是PB/EP级别的数据库。

我们不妨一起来检验一下这个定义：

图4：典型数据工作的职能归属

“千举万变，其道一也。”——《荀子》

现在，我们弄清楚了数据岗的两个核心职能。那么这两个核心职能对于组织（企业）而言，有什么样的价值呢？

给大家分享一些最近整理的数据分析资料，全部打包好了，直接领。

二、生产关系：数据职能对于组织而言贡献了什么价值？

两个核心职能，对应了组织的两个核心能力：

• “产出数据资产”是一个量化业务的过程，对应着组织“业务数据化”的能力。
• “提升信息的价值密度”是一个驱动业务的过程，对应着组织“数据业务化”的能力。

简而言之，数据职能在组织中贡献的价值就是：量化业务与驱动业务。

图5：数据职能的价值

这么说稍微有点抽象，这里以问答社区（知乎）为例，简要说明一下“业务数据化”与“数据业务化”的含义。

大家可以稍微回忆一下：当我们在访问问答社区（刷知乎）时，都会产生哪些行为？

简单列举一下，例如：阅读、播放、点击、滑动、跳转、点赞（双击屏幕即刻体验）等等。这些用户的行为，都可以归属为知乎运营业务中的一部分。

而知乎记录这些“用户行为”的过程就是一种“业务的数据化”。但如果仅仅是用一个又一个的分区，记录这些行为日志，只是产生了数据，而没有产生价值。

当知乎加工、分析、利用这些数据进行产品设计，对用户进行信息推送时，就完成了一个“数据业务化”的过程。

图6：“业务数据化”与“数据业务化”案例示意

在上述的例子中，相较于数据业务化，业务数据化好像是一个相较而言比较简单的能力，涉及的主要工作事项就是数据埋点和落库。

但实际上“业务数据化”并不简单。仅仅是一个页面的PV的统计，就要考虑、是否弹窗、用户是否切换Tab、是否最小化窗口，等等实际操作场景；最终，可能要经过长时间的多次迭代，才能得到一个较好的埋点标准。

通过“业务数据化”和“数据业务化”，组织可以建立起一个正向的闭环数据流。在这个正循环的过程中，数据越用越多、越用越好。

图7：闭环数据流

三、知识技能：各岗位有哪些数据类工作，需要哪些知识技能？在明确了数据职能在组织中的价值之后，我们最后来回答关于个人职业发展的问题：数据分析如何入门？数据岗需要储备哪些知识与技能？如何成长？

我们常说，有些事是我们擅长的，有些事是我们热爱的，有些事是这个世界所需要的。而我们职业发展的目标就是找到这三者的交集。

图8：职业发展的目标

所以：

• 首先我们要弄清楚组织需要各个岗位做什么工作。在了解工作内容之后，我们就可以对自己是否感兴趣做一个初步的判断。当然很多时候，还需要通过尝试的方式，去探索自己的兴趣。
• 然后，我们根据工作的内容来补充自己的知识与技能，逐步从入门到精通。

1

数据岗位的工作内容

前文提到， 公司的目标是通过“业务数据化”与“数据业务化”建立起一个正向的、闭环的数据流。

而数据岗的工作内容，抽象而言，就是支撑起整个数据流运转；具体而言可以分为：生产数据、处理数据和消费数据三大模块。

下图简单示意了，不同岗位在数据流中所处的位置：

图9：不同岗位在数据流中所处的位置

PS：以上仅为示意，不同企业可根据实际状况进行调整。

因为很多同学，对数据分析师的工作非常感兴趣。这里以阿里集团为例，简单介绍一下中台数据分析师日常的工作内容。

在阿里巴巴，中台数据分析师的日常工作中，主要的交付物有6类：

1. 开拓新的数据源
2. 产出表资产
3. 沉淀分析方法论
4. 搭建与维护指标体系
5. 建设与维护数据产品
6. 输出商业洞察

图10：数据分析师日常工作中的主要交付物

• 开拓新的数据源：例如，信息爬取、竞对分析等。
• 产出表资产：例如，在DWD（明细数据层）的基础上，建立DWM（数据中间层）和DWS（数据服务层）的数据表。
• 沉淀分析方法论：例如，指标拆解、异常监控、因果推断等。
• 搭建与维护指标体系：例如，指标设计、指标体系建设等。
• 建设与维护数据产品：例如，指标管理系统、数据报表、数据看板、分析引擎等。

关于“临时取数需求”，好好将其归属与“数据产品”这一个工作分类下。这是因为：找分析师跑SQL取数的根本原因，在于数据产品没有建设好，或是没有建立起良性的合作机制。进而导致了各方需要“绕道”数据分析师这个“产品”来取数。

• 输出商业洞察：如分析报告等。

这里再简单介绍下其他岗位的工作：

○ 数仓工程师的主要工作包括生产与加工数据。

• 生产数据：比如埋点设计，将业务事实转化为数据落表等。
• 加工数据：比如数据治理，通过ETL的流程，保证数据的质量。或是数据架构设计，使得数据的存储、加工、调用等有保障的同时，控制成本与风险等。

○ 算法工程师的主要工作包括加工和消费数据。

• 加工数据：比如用户打标，通过算法对用户原始的数据信息进行加工，进而给用户打上标签，描述TA现在可能的状态，或是未来可能发生的行为。
• 消费数据：比如算法推荐，基于用户的历史数据，给出推荐。或是时序预测，对未来的业务状况进行预测，进而作为决策的依据。

○ 用户研究岗的工作内容涉及到生产和消费数据。

• 生产数据：比如调研问卷、焦点访谈等。
• 消费数据：比如消费者洞察报告、UI设计建议等。

其他岗位，好好在此就不一一列举说明了，因为不同的公司，对相同岗位也会有不同的职能安排。以上介绍也仅为抛砖引玉，还望有不同看法的同学，不吝赐教。但方法是可以复用的。当你在开展工作时，可以分析一下，你所在的公司的数据流情况，以及不同的岗位，在整个数据流中承担的职责与贡献的价值。

希望以上的介绍，能让大家对数据岗的日常工作有一个简要的了解。

2

数据岗所需的知识与技能

就工作内容而言，这中台数据分析师的工作既涉及到“业务数据化”（开拓数据源、表资产），也涉及“数据业务化”（指标体系、分析方法论、数据产品、商业洞察）。所以说，所需的知识与技能是比较广域的。

根据这6类工作内容，我们来逐一梳理一下数据分析岗所需的专业知识与技能：

通用的职业技能，如沟通方式与方法、时间管理、预期管理等，好好在此不多赘述。

开拓新的数据源

• 知识方面：学习搜索技能、积累公开数据源的路径、掌握竞对分析的方法论。如有余力，可以学习一些用户研究相关的知识，如调研问卷设计、访谈设计等。
• 技能方面：如有余力，掌握一些初步的爬虫技能；至少知道什么信息可以通过网页爬取的方式获得。

产出表资产

• 知识方面：学习基础的数据库相关知识。有志于更深入了解数据资产管理的同学，可以《数据中台》 与《大数据之路》为切入点。

• 技能方面：掌握SQL。在有基础编程与数据库知识打底的情况下，可以直接通过牛客的SQL题库边练边学。搜索引擎是一位很好的老师，何况工作之后也大多数时候是面向Google编程。

如果暂时还没有基础的编程知识，可以考虑通过北京理工大学，嵩天教授的《Python语言程序设计》入门。学习曲线非常适中。

沉淀分析方法论

• 知识方面：需要有一些数学/统计学的基础知识，并且掌握一些通用的逻辑思维方法，如金字塔原理等。如有余力的，可以学习一些算法模型相关的知识，如回归、分类、聚类等。

• 技能方面：掌握一些处理数据的工具，如Excel、Python等。

搭建指标体系

• 可参考之前的推文《终于有人把怎么搭建数据指标体系给讲明白了》。
• 当然最重要的，依旧是理解业务。

那么怎么理解“理解业务”这件事呢？

好好也没有想到一个非常好的形式上的定义。这里好好给一个举例式的定义：如果你是一个保险从业者，最基本的要求是知道“一张保单是如何流转的”。如果你是一个电商从业者，最基本的要求是知道“消费者从登陆到交易完成的整个链路是怎么样的”。

沉淀数据产品

• 知识方面：掌握一定的数据可视化相关的知识，在此推荐电子工业出版社出版的《数据可视化》。对于数据治理相关的知识，可以参照上文提到的《数据中台》 与《大数据之路》；如要更加深入的介入数仓建设，可参阅Kimball的《数据仓库工具箱》

• 技能方面：掌握至少一样BI看板设计工具，如FineBI等。如有余力可以学习一些产品设计原理，如尼尔森十大可用性原则等。

输出商业洞察

• 知识方面：可参照《「经营分析报告」怎么做？》。
• 技能方面：掌握一些基本的PPT制作方法，即保证一定的美观性、又提升工作的效率，最重要的是保证信息传递的有效性与高效性。当然，在实际工作中，直接套用模板是非常省事的。文末分享PPT模板，记得领取哦！

四、小结一下

• 数据岗的核心职能：数据岗的核心职能有两个，第一，产出数据资产；第二， 提升信息的价值密度。
• 数据职能的价值：通过数据量化与驱动业务，帮助组织实现“业务数据化”与“数据业务化”。进而，建立起一个正向的闭环数据流，使得数据越用越多，越用越好。
• 数据分析岗的工作内容：① 开拓新的数据源、② 产出表资产、③ 沉淀分析方法论、④ 搭建与维护指标体系、⑤ 建设与维护数据产品、⑥ 输出商业洞察。
• 如何积累所需的知识与技能：任务驱动、目标导向。

转载/好好的数据分析师

,