来源：古牧聊数据

开局一张图?

今天这篇是个大汇总，因为每逢春秋招就会有很多读者朋友私信问我数据分析太卷了怎么办？也有很多1-2年的数据分析感觉岗位价值太低想跳槽不知道还能干什么？我都会感叹数据方向的求职选择信息gap，所以我把自己知道的整理一下，有偏颇的地方大家就辩证的看。我做个抛砖的，让大家有一个讨论的基础，真理总是越辩越明的嘛～

1. 数据方向岗位都有哪些

真的不是只有数据分析，也不是只有带「数据」俩字的才是

有些岗位特别「数据」，是内环：数据分析、数据工程、策略产品、数据产品

有些岗位不太「数据」，是外环：数据运营、经营分析、商业分析

2. 体系化理解上述岗位定位

零散的介绍无益于理解，我们可以按照数据的流向来对号入座理解上述各个岗位。有些岗位会横跨多个环节，有些岗位会固守一个环节，但并不会因为跨的多就更好，但确实有个趋势叫「全栈」～稍微解释下不同环节的意思：

「数据获取」比如app埋点，把数据收集上来；

「数据存储」比如数据仓库，简单清洗后入库存放；

「数据管理」比如数据治理，理顺数据之间的关系等；

「数据加工」比如标签生产，将原始数据按应用场景做加工；

「数据分析」比如分析建模，效果评估、专题分析、上线模型；

「数据应用」比如推荐策略，将数据直接自动化应用在终端场景

3. 深入理解不同岗位的优劣

从大家求职选择岗位的角度看，比较关心的应该是这个岗位门槛要求高不高、面试卷不卷、入职后收入高不高、有没有价值感、上升空间如何。我对应的整理了门槛要求、供需比例、收入水平、价值感受、上升空间5个维度，对下面7个岗位先进行一次整体的量化盘点，然后再具体展开介绍：

ps1：每个维度都是满分5分，分数越高越好。比如供需比例5分表示供小于求，3分表示供需平衡，1分表示供大于求

ps2：分数高低仅限于数据类几个岗位之间比较，不涉及与非数据类其他岗位比较

3.1. 数据工程

「一句话介绍」：数据方向需求量最大的技术工种

「日常工作内容」：计算/存储平台的搭建/运维、梳理数据流进行数据建模和数仓搭建、报表或BI平台的设计与实施（含计算逻辑的落地与性能优化）、业务临时或定制需求支持（跑数）

「具象产出内容」：数据平台、数据报表

「岗位优势vs劣势」：优势是需求量大尤其是传统行业数字化转型就有很大缺口、可以钻研技术有一定门槛、收入较高、跟人打交道相对少烦心事儿少；劣势是距离一线业务很远、价值感低、有飞鸟尽良弓藏的风险、容易被甩锅

「适合哪些人」：数据敏感、心细、沉稳有耐心；认可数据价值和带来的成就感（与用户产品看得见摸得到的成就感相差甚远）

3.2. 数据分析

「一句话介绍」：供需比例严重失衡的、重要但价值感较低的综合数据工种

「日常工作内容」：数据处理、加工数据表、分析数据、上线数据模型

「具象产出内容」：数据仓库表、数据分析报告、数据看板、线上模型

「岗位优势vs劣势」：优势比如需求量大、工作环境相对简单稳定；劣势不少，比如加班多、思维固化、远离一线业务、发展空间有限、价值难衡量

「适合哪些人」：对数据分析有热爱、逻辑性强、有一定数据专业背景、不那么学究的同学

「其他补充了解」：女生比例挺高的、全栈数分越来越多

3.3. 数据产品

「一句话介绍」：本质是懂数据、会分析的toB产品经理，有具象的产品作为产出

「日常工作内容」：沟通需求、写文档、验收测试、汇报

「具象产出内容」：需求文档、数据产品、调研分析报告

「岗位优势vs劣势」：优势比如跟老板接触机会多、产出显性化、距离业务近；劣势比如价值不容易衡量、容易被当成工具

「适合哪些人」：懂数据懂分析甚至懂策略、有逻辑性、同理心较强、想做产品经理的同学

「其他补充了解」：类型很丰富、未来很重要、定位不清晰

3.4. 策略产品

「一句话介绍」：衔接算法和产品的桥梁，很多数分转型的好选择，也是产品经理

「日常工作内容」：沟通需求、写文档、分析数据、评估效果

「具象产出内容」：需求文档、调研分析报告、线上策略

「岗位优势vs劣势」：优势比如门槛高、离业务近、价值容易衡量；劣势比如夹在产品与算法之间

「适合哪些人」：懂分析、懂算法、愿意理解业务、有点极客风的同学

「其他补充了解」：细分类型很多样、很烧脑很全能

3.5. 数据运营

「一句话介绍」：既可以是运营中的数据分析师，也可以是数据分析能力突出的运营

「日常工作内容」：数据指标体系搭建、数据跟踪计算、效果评估分析、专题分析

「具象产出内容」：指标体系、数据分析报告、数据模型

「岗位优势vs劣势」：优势是身处一线业务对需求理解的更透彻、分析的内容更落地；劣势是可能会陷入琐碎的日常数据提取和报表统计需求中、对技术不会有多少提升

「其他补充了解」：相比数据分析师更落地，但这个岗位并不那么清晰、主流，经常被兼职

3.6. 经营分析

「一句话介绍」：复合了财务、业务背景的数据分析，常见于传统行业

「日常工作内容」：开会、统计数据、分析数据、写报告

「具象产出内容」：分析报告

「岗位优势vs劣势」：优势是比较锻炼复合能力、视角更接近老板视角；劣势是大多在传统行业、互联网等新兴行业岗位较少、数据颗粒度较大导致弱化技术占比

「其他补充了解」：更多从企业财务、经营视角分析数据，从分析方法技术上看距离互联网的数据分析师相差较大，数据量级也没那么大，但视角不同更宏观。在互联网公司中，经营分析有时候是商业分析的一个分支方向

3.7. 商业分析

「一句话介绍」：大老板的近卫军，相比数据更看重思维方法论

「日常工作内容」：组织大家开会、调研访谈、写汇报材料、分析经营情况、做些战略规划

「具象产出内容」：汇报材料、分析报告、调研报告

「岗位优势vs劣势」：优势是距离大老板很近很近、掌握信息相对全局视野；劣势是容易飘在上面不太落地、发展路径略单一、初级阶段琐事比较多

「其他补充了解」：最佳路径就是空降去某个业务做负责人，从中央军师变地方部队长。在互联网公司中，商业分析有时候会细分成经营分析和战略两个方向。随着各大厂中台化的解体，越来越多商分下放到业务中，会让很多原本期待高屋建瓴高举高打的同学有较多不适应

4. 继续叠加行业领域的差异

4.1. 互联网vs金融/电信vs传统行业

其实职业选择不仅仅是岗位选择，更多是行业的选择，可以通过下表了解上面介绍过的不同岗位在不同行业的现状

为了便于盘点对比，我按照行业的数字化程度做了简单的3个归档，其中互联网行业整体对数据的应用是最全面深入的、紧接其后的是金融/电信行业、最后是众多传统行业。虽然在传统行业内部不同领域的公司在数字化程度上也有差异，但整体来看“方差”不大

4.2. 降本增效vs开源变现

除了行业，在选择岗位的时候也要考虑到它是更多给企业挣钱的还是省钱的。有个人性上的弱点和盲区，就是省钱的没有赚钱的感知高，所以能选挣钱的肯定还是别选省钱的！从这个角度我们模拟上图也做个表格看看

5. 作为过来人的选择建议

我们上面罗列了那么多信息，综合来说就是希望大家能结合行业情况、岗位要求、自身能力性格等多种因素，给自己在这些格子里找一个最适合的

喜欢很重要，但很多时候大家的喜欢是处于对某个岗位的幻想。比如很多同学对数据分析师都以为是用数据驱动业务，但实际工作中并非如此，该岗位存在感比较低，做决策的还是人。所以选择岗位的时候也可以破除幻想，走进现实

再有就是网上很多对行业的误导性信息，比如现在加入互联网就是49年加入国军？我很难完全认同，因为对我们每个人而言，我们当下就需要一个较好的环境和收入，我们没法用今天换取10年之后的未来，尤其是这个未来还是概率性的。所以抓住每一个当下，在下一次浪潮来临之前即是转换赛道，才是普通人切实可行的操作

我建议大家在遵从自己的喜好以及客观条件基础的同时，多多找对的人请教匹配的问题

okk，希望这篇汇总就可以一劳永逸的解决类似的数据领域岗位选择问题啦～

作者：古牧聊数据

来源：鸟哥笔记

原文地址：https://www.niaogebiji.com/article-600707-1.html

来源：古牧聊数据

开局一张图?

今天这篇是个大汇总，因为每逢春秋招就会有很多读者朋友私信问我数据分析太卷了怎么办？也有很多1-2年的数据分析感觉岗位价值太低想跳槽不知道还能干什么？我都会感叹数据方向的求职选择信息gap，所以我把自己知道的整理一下，有偏颇的地方大家就辩证的看。我做个抛砖的，让大家有一个讨论的基础，真理总是越辩越明的嘛～

1. 数据方向岗位都有哪些

真的不是只有数据分析，也不是只有带「数据」俩字的才是

有些岗位特别「数据」，是内环：数据分析、数据工程、策略产品、数据产品

有些岗位不太「数据」，是外环：数据运营、经营分析、商业分析

2. 体系化理解上述岗位定位

零散的介绍无益于理解，我们可以按照数据的流向来对号入座理解上述各个岗位。有些岗位会横跨多个环节，有些岗位会固守一个环节，但并不会因为跨的多就更好，但确实有个趋势叫「全栈」～稍微解释下不同环节的意思：

「数据获取」比如app埋点，把数据收集上来；

「数据存储」比如数据仓库，简单清洗后入库存放；

「数据管理」比如数据治理，理顺数据之间的关系等；

「数据加工」比如标签生产，将原始数据按应用场景做加工；

「数据分析」比如分析建模，效果评估、专题分析、上线模型；

「数据应用」比如推荐策略，将数据直接自动化应用在终端场景

3. 深入理解不同岗位的优劣

从大家求职选择岗位的角度看，比较关心的应该是这个岗位门槛要求高不高、面试卷不卷、入职后收入高不高、有没有价值感、上升空间如何。我对应的整理了门槛要求、供需比例、收入水平、价值感受、上升空间5个维度，对下面7个岗位先进行一次整体的量化盘点，然后再具体展开介绍：

ps1：每个维度都是满分5分，分数越高越好。比如供需比例5分表示供小于求，3分表示供需平衡，1分表示供大于求

ps2：分数高低仅限于数据类几个岗位之间比较，不涉及与非数据类其他岗位比较

3.1. 数据工程

「一句话介绍」：数据方向需求量最大的技术工种

「日常工作内容」：计算/存储平台的搭建/运维、梳理数据流进行数据建模和数仓搭建、报表或BI平台的设计与实施（含计算逻辑的落地与性能优化）、业务临时或定制需求支持（跑数）

「具象产出内容」：数据平台、数据报表

「岗位优势vs劣势」：优势是需求量大尤其是传统行业数字化转型就有很大缺口、可以钻研技术有一定门槛、收入较高、跟人打交道相对少烦心事儿少；劣势是距离一线业务很远、价值感低、有飞鸟尽良弓藏的风险、容易被甩锅

「适合哪些人」：数据敏感、心细、沉稳有耐心；认可数据价值和带来的成就感（与用户产品看得见摸得到的成就感相差甚远）

3.2. 数据分析

「一句话介绍」：供需比例严重失衡的、重要但价值感较低的综合数据工种

「日常工作内容」：数据处理、加工数据表、分析数据、上线数据模型

「具象产出内容」：数据仓库表、数据分析报告、数据看板、线上模型

「岗位优势vs劣势」：优势比如需求量大、工作环境相对简单稳定；劣势不少，比如加班多、思维固化、远离一线业务、发展空间有限、价值难衡量

「适合哪些人」：对数据分析有热爱、逻辑性强、有一定数据专业背景、不那么学究的同学

「其他补充了解」：女生比例挺高的、全栈数分越来越多

3.3. 数据产品

「一句话介绍」：本质是懂数据、会分析的toB产品经理，有具象的产品作为产出

「日常工作内容」：沟通需求、写文档、验收测试、汇报

「具象产出内容」：需求文档、数据产品、调研分析报告

「岗位优势vs劣势」：优势比如跟老板接触机会多、产出显性化、距离业务近；劣势比如价值不容易衡量、容易被当成工具

「适合哪些人」：懂数据懂分析甚至懂策略、有逻辑性、同理心较强、想做产品经理的同学

「其他补充了解」：类型很丰富、未来很重要、定位不清晰

3.4. 策略产品

「一句话介绍」：衔接算法和产品的桥梁，很多数分转型的好选择，也是产品经理

「日常工作内容」：沟通需求、写文档、分析数据、评估效果

「具象产出内容」：需求文档、调研分析报告、线上策略

「岗位优势vs劣势」：优势比如门槛高、离业务近、价值容易衡量；劣势比如夹在产品与算法之间

「适合哪些人」：懂分析、懂算法、愿意理解业务、有点极客风的同学

「其他补充了解」：细分类型很多样、很烧脑很全能

3.5. 数据运营

「一句话介绍」：既可以是运营中的数据分析师，也可以是数据分析能力突出的运营

「日常工作内容」：数据指标体系搭建、数据跟踪计算、效果评估分析、专题分析

「具象产出内容」：指标体系、数据分析报告、数据模型

「岗位优势vs劣势」：优势是身处一线业务对需求理解的更透彻、分析的内容更落地；劣势是可能会陷入琐碎的日常数据提取和报表统计需求中、对技术不会有多少提升

「其他补充了解」：相比数据分析师更落地，但这个岗位并不那么清晰、主流，经常被兼职

3.6. 经营分析

「一句话介绍」：复合了财务、业务背景的数据分析，常见于传统行业

「日常工作内容」：开会、统计数据、分析数据、写报告

「具象产出内容」：分析报告

「岗位优势vs劣势」：优势是比较锻炼复合能力、视角更接近老板视角；劣势是大多在传统行业、互联网等新兴行业岗位较少、数据颗粒度较大导致弱化技术占比

「其他补充了解」：更多从企业财务、经营视角分析数据，从分析方法技术上看距离互联网的数据分析师相差较大，数据量级也没那么大，但视角不同更宏观。在互联网公司中，经营分析有时候是商业分析的一个分支方向

3.7. 商业分析

「一句话介绍」：大老板的近卫军，相比数据更看重思维方法论

「日常工作内容」：组织大家开会、调研访谈、写汇报材料、分析经营情况、做些战略规划

「具象产出内容」：汇报材料、分析报告、调研报告

「岗位优势vs劣势」：优势是距离大老板很近很近、掌握信息相对全局视野；劣势是容易飘在上面不太落地、发展路径略单一、初级阶段琐事比较多

「其他补充了解」：最佳路径就是空降去某个业务做负责人，从中央军师变地方部队长。在互联网公司中，商业分析有时候会细分成经营分析和战略两个方向。随着各大厂中台化的解体，越来越多商分下放到业务中，会让很多原本期待高屋建瓴高举高打的同学有较多不适应

4. 继续叠加行业领域的差异

4.1. 互联网vs金融/电信vs传统行业

其实职业选择不仅仅是岗位选择，更多是行业的选择，可以通过下表了解上面介绍过的不同岗位在不同行业的现状

为了便于盘点对比，我按照行业的数字化程度做了简单的3个归档，其中互联网行业整体对数据的应用是最全面深入的、紧接其后的是金融/电信行业、最后是众多传统行业。虽然在传统行业内部不同领域的公司在数字化程度上也有差异，但整体来看“方差”不大

4.2. 降本增效vs开源变现

除了行业，在选择岗位的时候也要考虑到它是更多给企业挣钱的还是省钱的。有个人性上的弱点和盲区，就是省钱的没有赚钱的感知高，所以能选挣钱的肯定还是别选省钱的！从这个角度我们模拟上图也做个表格看看

5. 作为过来人的选择建议

我们上面罗列了那么多信息，综合来说就是希望大家能结合行业情况、岗位要求、自身能力性格等多种因素，给自己在这些格子里找一个最适合的

喜欢很重要，但很多时候大家的喜欢是处于对某个岗位的幻想。比如很多同学对数据分析师都以为是用数据驱动业务，但实际工作中并非如此，该岗位存在感比较低，做决策的还是人。所以选择岗位的时候也可以破除幻想，走进现实

再有就是网上很多对行业的误导性信息，比如现在加入互联网就是49年加入国军？我很难完全认同，因为对我们每个人而言，我们当下就需要一个较好的环境和收入，我们没法用今天换取10年之后的未来，尤其是这个未来还是概率性的。所以抓住每一个当下，在下一次浪潮来临之前即是转换赛道，才是普通人切实可行的操作

我建议大家在遵从自己的喜好以及客观条件基础的同时，多多找对的人请教匹配的问题

okk，希望这篇汇总就可以一劳永逸的解决类似的数据领域岗位选择问题啦～

作者：古牧聊数据

来源：鸟哥笔记

原文地址：https://www.niaogebiji.com/article-600707-1.html