学长答疑时间6—聊聊数据分析师的方向选择
我们今天不聊求职面试时候具体的差别，务虚的聊聊数据分析师的几种细分的方向。
在聊具体的工作方向之前，我们先聊聊中台的概念。因为数据分析师这个岗位，在不同的公司的组织里面，通常有两种不同的组织形式。一种是数据分析中台，另一种是归属于某一个业务的独立的数据分析师。
可能很多还未踏出校门的同学们对公司的组织架构没什么概念。我先简单解释一下。
打个比方，中台更像是班上的学习委员，任何同学，不管哪一科具体的学习问题都可以找你聊聊，比如请教你难题等等。作为学习委员，针对具体的题目，就需要提供一些自己力所能及的辅导和帮助。但比如班上某一科出了成绩，好像跟你关系也不是很大。你的核心贡献和考核指标，在于能不能系统性的提供一个学习方法，让全班的学习效率都上一个台阶。
而归属于各个业务独立的部门，有点类似于班上的各科的课代表，比如数学课代表，意味着数学课上遇到的所有事情，从跟老师联系、布置作业、收作业、统计分析谁没有交作业、解答老师的高难度作业题目等等都是你会涉及到的事情；与之相应的，你只需要关心这个学科内的成绩。如果这个学科学习成绩提升了，你的功劳就很大。
不同的组织架构，对日常的工作的分配方式、产出的考核、合作方式以及晋升等等都有比较深远的影响，大家在比较的时候不要轻视这一点。建议大家在找工作的时候，尽量多了解、注意与比较一下。
中台的好处在于视野足够广，因为各种业务部门都会产生类似的业务需求。但是可能一件事情做不彻底；自己对于业务上的想法不是由自己落地的，很容易跟丢。
而业务部门的好处在于，可以作为业务的发起方，完成整体的从想法、到执行、到分析效果、到最终的落地方案的闭环。但就是视野受限，而且上限很容易受到业务部门本身的影响。比如所在团队不是核心业务，那么可能事情推进就会受到一些影响。
而数据分析师究竟应该是在中台好，还是在业务部门好。在不同的公司，甚至不同的产品线，都不尽相同。
中台数据分析师
一般而言，业务部门的数据分析师的主要工作，主要跟自己所在业务的团队的具体工作相关。
我们这里先聊一下中台部门的数据分析师。主要的工作可能集中在以下几点：
制作一些全局的核心指标指标数据建设与报表分析
做一些统计报告与分析。比如最近的DAU变化情况、各渠道的新增用户的数量以及相应的留存变化情况，出现了整体的异常指标，到底异常在什么地方。这个异常值对于业务发展本身有没有什么可以借鉴和利用的地方：不好了有没有什么招可以应对；好了有什么方式可以放大效果
做一些功能性的分析，主要以各种AB实验为主。这种事情可能会比较多且繁杂。比如产品功能上的改进和迭代，每一项功能是否应该上线，可能都需要AB实验看下数据效果，作为分析师这时候就要产出一些分析报告，作为最终上线与否的决策参考
在当下的互联网环境中，数据是重要的，谁熟悉数据就更有可能做出更科学更好的判断。所以上述这些工作本身是很重要且有价值的。
作为一个中台的数据分析师，可能手上同时有5个项目等待着结论产出，可能就不太有时间细致的思考。比如数据产出了一些insights，这些insights怎么转化为实际的产品运营的策略或者方案，作为中台的数据分析师就是属于可以参与，但是有时候会力不从心。
好处就是，中台数据分析师做的事情相对有比较明确的规范，组内大家都是分析师，可以互相借鉴讨论，数据处理的方法也可以互相参考。
业务部门的数据分析师
业务向的数据分析师一般有两种。一种是纯业务向的团队自己养的数据分析师，比如是在运营序列，专门负责这个业务的数据分析和产出；另外一种是在策略组的数据分析师，比如在算法工程师的团队中，做偏分析一点的工作。
做业务部门的数据分析师，我个人觉得，一定要注意策略的闭环。什么是闭环呢？就是说，这个项目，从最开始立项，到数据分析，到结论产出，到最后变成线上的策略方案取得效果，到最终上线，一定要全链路的都要闭环掌握在自己手里，或者是要作为主导的一方。否则的话，自己辛辛苦苦分析好多，很容易最终为他人做嫁衣。如果在同样都不能掌握最终的策略的情况下，我个人觉得不如去中台。
当然，这个也要看不同公司的行事风格，应该都是有一些大家约定俗成的合作规律的。
相对来说，作为策略或者算法组的数据分析师，在对一个业务闭环的掌控上的掌控力更强一些。大家都知道，算法工程师在日常其实也会有一些数据分析的工作。比如分析样本比例，特征情况等等。算法工程师中的偏分析的同学，主要就是在分析定义模型的相关的一些指标，在有了这些结果之后，可以直接作为建模或者测试策略的依据，然后就直接上线测试了，作为自身就了解算法的同学，这一整个闭环自然牢牢掌握在自己的手里。
不过相对来说，这个岗位对想做数据分析的同学来说，要求也会高一点比中台的数据分析师略高一点。主要需要稍微会一点代码，因为毕竟你要在一个策略组，还是要能改基本的代码的。但是这个要求，也会比正常的算法分析师的同学更低一些。其中的度不可言说，全看面试官一念之差。
长期发展
我们再来聊聊长期发展，还是主要以中台数据分析师为例。
数据分析从纯技术的角度来说，可能主要有这几个可以做功课的方向：
各种实验的检验。要是深究的话，统计学假设检验知识可以很深。
因果推断。
LTV的测算与建模。(如果不知道LTV是什么的同学，可以自行搜索引擎一下，简单说是平均下来一个用户对一个App贡献的收入)
比较尴尬的点在于，这几种可能更多的是偏向策略验证，相对来说不能对公司产生直接价值。比如大多数情况下的假设检验，如果全部都用正态分布做近似的话，可能也能得到一个不算太差的结果。
如果一定要用非常先进精确的统计检验才能区分显著性的策略，可能本身策略的收益也是比较微小的。对公司来说，更应该做的不是纠结我到底使用哪一种检验方法去得到一个稳健的结论，而是应该尝试去找一些更有价值的策略。
所以对公司来说，对数据分析的技术栈的要求其实并不高。一般工作一两年可能在数据分析这个领域已经够能打了。但是这时候是可以积累更多的经验的。比如说，当这个业务所有的重要报表都是你产出的，就不由得你不知道这个领域内最关键的数据指标了，而这些数据本身，在现在这个时代是非常具有价值的。
除了继续在分析师领域深挖之外，后续还有两条道路：一种向上走管理，另一种是转业务(比如转产品或者转各种业务)。前者比较看自身的机遇(比如是否有业务出现快速增长)，后者的优势在于，有机会把自己做数据分析师培养成的数据感觉，真真切切的变成一些线上的策略和方案，取得实际的效果，而不是仅仅帮助他人完成他人的梦想。
其实不同的工作岗位方向本质上并没有什么优劣之分。不管做哪个方向，最后需要回答的问题都是：怎么样可以把我们的App做大做好，吸引到更多的用户，赚取更多的收入和利润。不同的职业选择方向，只是说大家在面临这个问题时候的所处的视角不一样。比如产品经理视角，就是怎么样优化更多的产品功能；运营视角，就是怎么样可以让大家在应用内有更多的玩法活跃起来；推荐算法视角，就是怎么样更科学的建模；数据分析视角，就是怎么样更科学保证数据的有效性和产出。
不同方向的人，在面临这个终极问题的时候，都是可以建言献策的。俗话说旁观者清，大家也常常从非本职业的人的讨论中，获得一些做事的方法和启发。所以大家不要过于纠结这个问题。不管从哪个视角，对公司来说，能够把事情推动做成才是最重要的。
我是峰池，这是我的第六篇学长答疑。欢迎点赞在看转发三连，也欢迎你在评论区和我一起讨论，我们下期再见~