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：

开拓新的数据源产出表资产沉淀分析方法论搭建与维护指标体系建设与维护数据产品输出商业洞察

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