文章轉(zhuǎn)載自*秦路老師的微信公眾號(hào)
最近有不少同學(xué)在后臺(tái)問我數(shù)據(jù)分析的職業(yè)發(fā)展相關(guān)祭隔，這里先列一個(gè)簡易大綱疾渴。它更多是以我所在的互聯(lián)網(wǎng)行業(yè)展開的搞坝。
入門和職業(yè)規(guī)劃應(yīng)該從兩個(gè)角度考慮：領(lǐng)域和路線桩撮。
領(lǐng)域是不少新人常忽略的要素，其實(shí)數(shù)據(jù)分析不會(huì)脫離業(yè)務(wù)存在融师。你進(jìn)入哪個(gè)行業(yè)旱爆，很大程度會(huì)決定你初期的技能樹和技能點(diǎn)怀伦。譬如金融領(lǐng)域的風(fēng)控模型浩淘、營銷領(lǐng)域的生命周期张抄、廣告領(lǐng)域的點(diǎn)擊率預(yù)估等署惯，各有各的特色极谊。
如果是一位應(yīng)屆生，不妨多了解自己感興趣的領(lǐng)域域那，和專業(yè)相關(guān)是最好的次员，并且積累相關(guān)的經(jīng)驗(yàn)市殷，為面試做準(zhǔn)備醋寝。
如果已經(jīng)有一定行業(yè)履歷甥桂，只是想要轉(zhuǎn)崗數(shù)據(jù)分析師，那么跨崗不跨行貌夕，避免跳到一個(gè)陌生的領(lǐng)域啡专。
領(lǐng)域經(jīng)驗(yàn)太寬泛，我給不了太多的指點(diǎn)鲸鹦，主要也就三點(diǎn)：1.自己感興趣的齐板，2.自己擅長的，3.有錢途的济舆。從職場生涯看吗冤，成為某領(lǐng)域的數(shù)據(jù)專家，會(huì)是一個(gè)更好的籌碼。
而路線大致可以劃分成四大方向：
數(shù)據(jù)分析儡羔，數(shù)據(jù)挖掘汰蜘，數(shù)據(jù)產(chǎn)品族操，數(shù)據(jù)工程色难。
** 數(shù)據(jù)分析/數(shù)據(jù)運(yùn)營/商業(yè)分析**
這是業(yè)務(wù)方向的數(shù)據(jù)分析師娇昙。
絕大部分人笤妙，都是從這個(gè)崗位開始自己的數(shù)據(jù)之路冒掌，也是基數(shù)最大的崗位。
因?yàn)榛鶖?shù)大蹲盘，所以這類崗位通常魚龍混雜股毫。有些雖然叫數(shù)據(jù)分析師，但是每天只需要和Excel打交道辜限，完成leader布置的表格整理工作就行皇拣。混個(gè)幾年薄嫡，成為一位數(shù)據(jù)分析主管，給下面的新人繼續(xù)布置Excel任務(wù)。
又有一種數(shù)據(jù)分析師腥沽，崗位職責(zé)要求你掌握常用的機(jī)器學(xué)習(xí)算法墓臭，面試首先推導(dǎo)一個(gè)決策樹或者邏輯回歸妙痹。入職后也是各類代碼，和分析打交道的情況不多迹炼。
都叫數(shù)據(jù)分析師增蹭，其實(shí)天差地別。
這里更多指互聯(lián)網(wǎng)行業(yè)证舟，偏業(yè)務(wù)的數(shù)據(jù)分析師抵知，一般屬于運(yùn)營部門浊闪。不少公司也稱數(shù)據(jù)運(yùn)營或者商業(yè)分析。
這類崗位的職位描述一般是：
負(fù)責(zé)和支撐各部門相關(guān)的報(bào)表栗菜；
建立和優(yōu)化指標(biāo)體系；
監(jiān)控?cái)?shù)據(jù)的波動(dòng)和異常涯捻，找出問題摄欲；
優(yōu)化和驅(qū)動(dòng)業(yè)務(wù)，推動(dòng)數(shù)據(jù)化運(yùn)營；
找出可增長的市場或產(chǎn)品優(yōu)化空間；
輸出專題分析報(bào)告；
實(shí)際情況是，不少業(yè)務(wù)端的數(shù)據(jù)分析師，主要工作只做第一點(diǎn)饿这。別管它用匯總串结、分析、數(shù)據(jù)支持什么修飾詞，基本是跑SQL掉奄，做報(bào)表。硬生生活成了業(yè)務(wù)端的表哥措译。
這是很常見的情況塌衰，也是入門新人的第一個(gè)坑。因?yàn)閺念^到尾蝠嘉，這類分析師最疆，都沒有解決問題。
業(yè)務(wù)部門往往更關(guān)心蚤告，某個(gè)指標(biāo)為什么下跌或者上升努酸。產(chǎn)品的用戶是什么樣的？怎么能更好的完成自己的KPI罩缴。
以活躍指標(biāo)的下跌舉例：
活躍指標(biāo)下跌了多少蚊逢？是屬于合理的數(shù)據(jù)波動(dòng)，還是突發(fā)式箫章？
什么時(shí)候開始的下跌烙荷？
是整體的活躍用戶下跌，還是部分用戶檬寂？
為什么下跌终抽？是產(chǎn)品版本，還是運(yùn)營失誤桶至？
怎么解決下跌的問題
這是一套標(biāo)準(zhǔn)的解決思維昼伴。分別對(duì)應(yīng)what、when镣屹、who圃郊、why、how女蜈，每一部分都不是三言兩語可以解釋清楚持舆。不要看它簡單，例如你通過多維分析伪窖，發(fā)現(xiàn)某個(gè)地區(qū)的活躍下跌了逸寓，不要急著把它作為分析的結(jié)論，這是不合格的數(shù)據(jù)分析覆山。某地區(qū)的活躍下跌竹伸，只是現(xiàn)象，不是原因簇宽，把它作為結(jié)論提交勋篓，肯定會(huì)被罵的吧享。
你要解決的是禾酱，為什么這個(gè)地區(qū)的活躍下跌了呻袭。是該地渠道，是該地競爭對(duì)手疟赊，是該地市場環(huán)境孤荣？這些問題都是細(xì)化深入的范疇。并且须揣，它們要能以量化解釋盐股，而不是我認(rèn)為。
做好了這點(diǎn)耻卡，才是一個(gè)真正的業(yè)務(wù)端的數(shù)據(jù)分析師疯汁。
當(dāng)然，這一點(diǎn)看的是leader卵酪。leader能否帶你進(jìn)入業(yè)務(wù)分析的大門幌蚊，決定你將來是不是成為一個(gè)表哥。新人切記切記溃卡。
解決問題是一方面工作溢豆，另外一方面，數(shù)據(jù)分析師的職責(zé)是將業(yè)務(wù)數(shù)據(jù)體系化瘸羡，建立一套指標(biāo)框架漩仙。活躍下跌的問題，本質(zhì)上也是指標(biāo)問題犹赖。什么時(shí)候開始下跌队他，哪部分下跌，都能轉(zhuǎn)化成對(duì)應(yīng)指標(biāo)峻村，如日活躍用戶數(shù)麸折，新老用戶活躍數(shù)，地區(qū)活躍數(shù)粘昨。
你不能衡量它垢啼，就無法增長它，指的就是指標(biāo)體系雾棺。指標(biāo)體系可以是業(yè)務(wù)部門建立膊夹，但數(shù)據(jù)分析師也挺合適。一方面他們比數(shù)據(jù)挖掘這類技術(shù)崗位更貼合業(yè)務(wù)捌浩，一方面不像業(yè)務(wù)崗位對(duì)數(shù)據(jù)抓瞎放刨。
兩者結(jié)合，這崗位也能稱為數(shù)據(jù)運(yùn)營尸饺。
指標(biāo)體系如果工程化自動(dòng)化进统，也就是BI助币，所以數(shù)據(jù)分析師可以算半個(gè)BI分析師，這里不包括BI報(bào)表開發(fā)螟碎。BI如果采購第三方眉菱，數(shù)據(jù)分析師負(fù)責(zé)BI沒問題，如果自有開發(fā)掉分，那么BI崗技術(shù)的色彩更濃厚俭缓。
數(shù)據(jù)分析思維和業(yè)務(wù)的理解，是分析師賴以生存的技能酥郭。很多時(shí)候华坦，工具是錦上添花的作用。掌握Excel+SQL/hive不从，了解描述統(tǒng)計(jì)學(xué)惜姐，知道常見的可視化表達(dá)，足夠完成大部分任務(wù)椿息。機(jī)器學(xué)習(xí)這類能力歹袁，對(duì)此類數(shù)據(jù)分析師不是必須的，Python也一樣寝优，只是加分項(xiàng)条舔。畢竟為什么下跌，你無法用數(shù)據(jù)挖掘解答乏矾。
數(shù)據(jù)分析師是一個(gè)基礎(chǔ)崗位逞刷，如果專精于業(yè)務(wù)，更適合往管理端發(fā)展妻熊，單純的工具和技巧很難拉開差距夸浅。數(shù)據(jù)分析的管理崗，比較常見的有數(shù)據(jù)運(yùn)營經(jīng)理/總監(jiān)扔役，數(shù)據(jù)分析經(jīng)理等帆喇，相對(duì)應(yīng)的能力是能建立指標(biāo)體系，并且解決日常的各類「為什么」問題亿胸。
商業(yè)/市場分析是另外一個(gè)方向坯钦，更多見于傳統(tǒng)行業(yè)。你要開一家超市侈玄，你得考慮哪里開婉刀，這就要考慮居民密度，居民消費(fèi)能力序仙，競爭對(duì)手的多寡突颊，步行交通距離，開車交通距離等。這些數(shù)據(jù)是宏觀的大指標(biāo)律秃，往往靠搜索和調(diào)研完成爬橡，這是和互聯(lián)網(wǎng)數(shù)據(jù)分析師最大的差異。
若往其他分支發(fā)展棒动，比如數(shù)據(jù)挖掘工程師糙申，則要繼續(xù)掌握Python和機(jī)器學(xué)習(xí)等。從業(yè)務(wù)型發(fā)展上來的好處是接地氣船惨，具備商業(yè)洞察力（天天搞報(bào)表柜裸，怎么可能不熟），這點(diǎn)是直接做數(shù)據(jù)挖掘粱锐，或者程序員轉(zhuǎn)崗粘室，所不具備的。
新人卜范，比較普適的發(fā)展路線是先成為一位數(shù)據(jù)分析師。積累相關(guān)的經(jīng)驗(yàn)鹿榜，在一兩年后海雪，決定往后的發(fā)展，是數(shù)據(jù)挖掘舱殿，還是專精數(shù)據(jù)分析成為管理崗奥裸。
學(xué)習(xí)資料：
這里對(duì)學(xué)習(xí)資料不再多做推薦，看歷史文章：如何七周成為數(shù)據(jù)分析師
** 數(shù)據(jù)挖掘/算法專家**
這是技術(shù)向的數(shù)據(jù)崗沪袭，有些歸類在研發(fā)部門湾宙，有些則單獨(dú)成立數(shù)據(jù)部門。
數(shù)據(jù)挖掘工程師要求更高的統(tǒng)計(jì)學(xué)能力冈绊、數(shù)理能力以及編程技巧侠鳄。
從概念上說，數(shù)據(jù)挖掘Data mining是一種方式死宣，機(jī)器學(xué)習(xí)Machine Learning是一門方法/學(xué)科伟恶。機(jī)器學(xué)習(xí)主要是有監(jiān)督和無監(jiān)督學(xué)習(xí)，有監(jiān)督又可劃分成回歸和分類毅该，它們是從過去的歷史數(shù)據(jù)中學(xué)習(xí)到一個(gè)模型博秫，模型可以針對(duì)特定問題求解。
數(shù)據(jù)挖掘的范圍則大得多眶掌，即可以通過機(jī)器學(xué)習(xí)挡育，而能借助其他算法。比如協(xié)同過濾朴爬、關(guān)聯(lián)規(guī)則即寒、PageRank等，它們是數(shù)據(jù)挖掘的經(jīng)典算法，但不屬于機(jī)器學(xué)習(xí)蒿叠，所以在機(jī)器學(xué)習(xí)的書籍上明垢，你是看不到的。
除此之外市咽，還有一個(gè)領(lǐng)域痊银，屬于最優(yōu)化問題的運(yùn)籌學(xué)。現(xiàn)實(shí)中的問題往往有很多約束施绎，比如護(hù)士排班溯革，一共有三班（早、中谷醉、晚）致稀，現(xiàn)在要求每班滿足最低護(hù)士人數(shù)，每位護(hù)士盡量不能連班俱尼，每位護(hù)士不能連續(xù)工作5天抖单。每位護(hù)士的夜班數(shù)要均衡，每位護(hù)士每月的班數(shù)要均衡…這些問題很難用機(jī)器學(xué)習(xí)的方法完成遇八，而在最優(yōu)化領(lǐng)域矛绘，則有遺傳算法、模擬退火算法刃永、蟻群算法等货矮。
實(shí)際的應(yīng)用場景中，如外賣行業(yè)斯够，如何尋找騎手效率最大化的最優(yōu)路徑囚玫，同樣屬于最優(yōu)化，也是數(shù)據(jù)挖掘的工作范疇读规。
數(shù)據(jù)挖掘工程師抓督，除了掌握算法，同樣需要編程能力去實(shí)現(xiàn)束亏，不論R本昏、Python、Scala/Java枪汪，至少掌握一種涌穆。模型的實(shí)施，往往也要求Hadoop/Spark的工程實(shí)踐經(jīng)驗(yàn)雀久，精通SQL/Hive是必須的宿稀。
常見數(shù)據(jù)挖掘項(xiàng)目的閉環(huán)如下：
定義問題
數(shù)據(jù)抽取
數(shù)據(jù)清洗
特征選取/特征工程
數(shù)據(jù)模型
數(shù)據(jù)驗(yàn)證
迭代優(yōu)化
單看環(huán)節(jié)，數(shù)據(jù)挖掘?qū)Ψ治瞿芰]有業(yè)務(wù)型那么高赖捌。這不代表業(yè)務(wù)不重要祝沸，尤其在特征選取方面矮烹，對(duì)業(yè)務(wù)的理解很大程度會(huì)影響特征怎么選取，進(jìn)而影響模型質(zhì)量罩锐。用戶流失是一個(gè)經(jīng)典的考題奉狈，如何選取合適的特征，預(yù)測用戶會(huì)否流失涩惑，能夠考察對(duì)業(yè)務(wù)是否深刻洞察仁期。
數(shù)據(jù)挖掘的業(yè)務(wù)領(lǐng)域一樣可以細(xì)分。金融行業(yè)的信用模型和風(fēng)控模型/反欺詐模型竭恬、廣告模型的點(diǎn)擊預(yù)估模型跛蛋、電商行業(yè)的推薦系統(tǒng)和用戶畫像系統(tǒng)。從需求提出到落地痊硕，數(shù)據(jù)挖掘工程師除了全程跟進(jìn)也要熟悉業(yè)務(wù)赊级。
因?yàn)橐蟾撸詳?shù)據(jù)挖掘的平均薪資高于數(shù)據(jù)分析師岔绸。
一個(gè)分工明確的團(tuán)隊(duì)理逊，數(shù)據(jù)分析師負(fù)責(zé)將業(yè)務(wù)需求抽象成一個(gè)具體的數(shù)據(jù)假設(shè)或者模型。比如盒揉，運(yùn)營希望減少用戶流失晋被，那么設(shè)立一個(gè)流失指標(biāo)，現(xiàn)在需要預(yù)測用戶流失率的模型预烙。模型可以是數(shù)據(jù)分析師完成，也能是數(shù)據(jù)挖掘工程師道媚。最終由數(shù)據(jù)挖掘團(tuán)隊(duì)部署到線上扁掸。
在一些公司，高級(jí)數(shù)據(jù)分析師會(huì)等價(jià)于數(shù)據(jù)挖掘工程師（其實(shí)行業(yè)內(nèi)最域，對(duì)Title并沒有嚴(yán)格的標(biāo)準(zhǔn)）谴分，只是工程能力可以稍弱，模型部署由專門的工程團(tuán)隊(duì)完成镀脂。
數(shù)據(jù)挖掘工程師牺蹄，往后發(fā)展，稱為算法專家薄翅。后者對(duì)理論要求更嚴(yán)苛沙兰，幾乎都要閱讀國外的前沿論文。方向不局限于簡單的分類或者回歸翘魄，還包括圖像識(shí)別鼎天、自然語言處理、智能量化投顧這種復(fù)合領(lǐng)域暑竟。這里開始會(huì)對(duì)從業(yè)者的學(xué)校和學(xué)歷提出要求斋射，名校+碩士無疑是一個(gè)大優(yōu)勢，也有很多人直接做數(shù)據(jù)挖掘。
深度學(xué)習(xí)則更前沿罗岖，它由神經(jīng)網(wǎng)絡(luò)發(fā)展而來涧至，是機(jī)器學(xué)習(xí)的一個(gè)子集。因?yàn)楦黝惪蚣荛_枝散葉桑包，諸多模型百花齊放南蓬，也可以算一個(gè)全新的分支。除了要求熟悉TensorFlow, Caffe, MXNet等深度學(xué)習(xí)框架捡多，對(duì)模型的應(yīng)用和調(diào)參也是必備的蓖康，后者往往是劃分普通人和大牛的天塹。
算法專家和深度學(xué)習(xí)專家垒手，薪資level會(huì)更高一級(jí)蒜焊，一般對(duì)應(yīng)于業(yè)務(wù)型的數(shù)據(jù)運(yùn)營/分析總監(jiān)。
數(shù)據(jù)科學(xué)家是上述崗位的最終形態(tài)之一科贬，要么理論能力非常強(qiáng)泳梆，往往擔(dān)任研究院的一把手。要么工程能力突出榜掌，上述的系統(tǒng)都能完成平臺(tái)化的部署优妙。
學(xué)習(xí)資料：
這類崗位對(duì)基礎(chǔ)知識(shí)要求扎實(shí)，所以書籍需要比較大的閱讀量憎账，而且要保持領(lǐng)域新論文的吸收套硼。
統(tǒng)計(jì)知識(shí)，除了「商務(wù)與經(jīng)濟(jì)統(tǒng)計(jì)」外胞皱，國外有一本「The Elements of Statistical Learning」邪意，評(píng)價(jià)不錯(cuò)。
機(jī)器學(xué)習(xí)的入門反砌，李航的「統(tǒng)計(jì)學(xué)習(xí)方法」雾鬼，周志華的「機(jī)器學(xué)習(xí)」都是好書，英文好也能看PRML宴树。
Python入門書籍的推薦太多策菜，略過【票幔「用Python進(jìn)行數(shù)據(jù)分析」是必備的又憨，當(dāng)然這本書有點(diǎn)老，活用官網(wǎng)最新文檔和stackoverflow锭吨，基本無礙竟块。Python可視化查閱文檔也夠了，不用看書耐齐。
再進(jìn)一步浪秘，則是機(jī)器學(xué)習(xí)的代碼實(shí)現(xiàn)蒋情，比較知名的有「集體智慧編程」，「機(jī)器學(xué)習(xí)實(shí)戰(zhàn)」等耸携。其實(shí)最近還有不少新書棵癣，「Python DataScience Handbook」等，我當(dāng)然不可能都看過夺衍，所以也不好推(hu)薦(you)狈谊。
除了基礎(chǔ)，行業(yè)領(lǐng)域的也別落下沟沙，諸如推薦系統(tǒng)實(shí)戰(zhàn)河劝、計(jì)算廣告…按需學(xué)習(xí)。如果你們公司對(duì)于人才有較高的挑戰(zhàn)（一個(gè)人當(dāng)兩個(gè)人用）矛紫，大概Spark/Hadoop機(jī)器學(xué)習(xí)相關(guān)的框架也得了解赎瞎。
** 數(shù)據(jù)產(chǎn)品經(jīng)理**
這個(gè)崗位比較新興，它有兩種理解颊咬，一種是具備強(qiáng)數(shù)據(jù)分析能力的PM务甥，一種是公司數(shù)據(jù)產(chǎn)品的規(guī)劃者。
前者喳篇，以數(shù)據(jù)導(dǎo)向優(yōu)化和改進(jìn)產(chǎn)品敞临。在產(chǎn)品強(qiáng)勢的公司，數(shù)據(jù)分析也會(huì)劃歸到產(chǎn)品部門麸澜，甚至運(yùn)營也屬于產(chǎn)品部挺尿。這類產(chǎn)品經(jīng)理有更多的機(jī)會(huì)接觸業(yè)務(wù)，屬于順便把分析師的活也干了炊邦，一專多能的典型编矾。
他們會(huì)運(yùn)用不同的數(shù)據(jù)源，對(duì)用戶的行為特征分析和挖掘铣耘，達(dá)到改進(jìn)產(chǎn)品洽沟。最典型的場景就是AB測試以故。大到頁面布局蜗细、路徑規(guī)劃、小到按鈕的顏色和樣式怒详，均可以通過數(shù)據(jù)指標(biāo)評(píng)估炉媒。
下圖的案例，就是弱化心愿單按鈕的存在感昆烁，讓用戶更多的聚焦在直接購買而不是收藏吊骤，最終讓銷售額提高了35%。
[圖片上傳失敗...(image-c68c66-1542839138747)]
俗話說静尼，再優(yōu)秀的產(chǎn)品經(jīng)理也跑不過一半AB測試白粉。此類數(shù)據(jù)產(chǎn)品經(jīng)理传泊，更多是注重?cái)?shù)據(jù)分析能力，擅長用分析進(jìn)行決策鸭巴。數(shù)據(jù)是能力的一部分眷细。
后者，是真正意義上的數(shù)據(jù)產(chǎn)品經(jīng)理鹃祖。在公司邁大邁強(qiáng)后溪椎，數(shù)據(jù)量與日俱增，此時(shí)會(huì)有不少數(shù)據(jù)相關(guān)的產(chǎn)品項(xiàng)目：包括大數(shù)據(jù)平臺(tái)恬口、埋點(diǎn)采集系統(tǒng)校读、BI、推薦系統(tǒng)祖能、廣告平臺(tái)等歉秫。這些當(dāng)然也是產(chǎn)品，自然需要提煉需求芯杀、設(shè)計(jì)端考、規(guī)劃、項(xiàng)目排期揭厚，乃至落地却特。
我們不妨看幾個(gè)數(shù)據(jù)產(chǎn)品經(jīng)理要求：
負(fù)責(zé)大數(shù)據(jù)產(chǎn)品的設(shè)計(jì)，輸出需求文檔筛圆、產(chǎn)品原型裂明；
負(fù)責(zé)推薦算法的產(chǎn)品策略，完成相關(guān)推薦及個(gè)性化推薦產(chǎn)品的需求分析太援；
負(fù)責(zé)分析和挖掘用戶消費(fèi)內(nèi)容的行為數(shù)據(jù)闽晦，為改進(jìn)算法策略提供依據(jù)；
負(fù)責(zé)客戶端數(shù)據(jù)需求的對(duì)接提岔，制定相關(guān)埋點(diǎn)規(guī)范及口徑仙蛉，相關(guān)業(yè)務(wù)指標(biāo)驗(yàn)證；
報(bào)表展示工具的落地和應(yīng)用碱蒙；
和C端注重用戶體驗(yàn)不同荠瘪，數(shù)據(jù)產(chǎn)品，更注重整體的分析能力和邏輯赛惩。除了產(chǎn)品經(jīng)理最基礎(chǔ)的Axure哀墓、Visio、MindManager等工具喷兼。往往還需要很多技術(shù)型的能力篮绰。比如了解BI/DW原理和實(shí)施、了解常用的推薦算法季惯、了解機(jī)器學(xué)習(xí)模型等吠各。這也很容易理解臀突，C端要求你了解用戶需求，而在數(shù)據(jù)端贾漏，主要用戶就是數(shù)據(jù)惧辈。
這當(dāng)然不是說，用戶體驗(yàn)不重要磕瓷，拿推薦算法來說盒齿，除了滿足用戶最基本的感興趣，也要考慮時(shí)效性困食，考慮新興趣的挖掘边翁，考慮無數(shù)據(jù)時(shí)的冷啟動(dòng)問題…這些一樣是用戶體驗(yàn)，只是解決方案也得從數(shù)據(jù)出發(fā)硕盹。再多思考一步符匾，模型是離線還是實(shí)時(shí)，實(shí)時(shí)怎么實(shí)現(xiàn)它瘩例？技術(shù)細(xì)則不用多考慮啊胶，但你要知道會(huì)有這些坑。后端的數(shù)據(jù)產(chǎn)品垛贤，如報(bào)表焰坪，用戶往往是你隔壁工位的小秦或小路，設(shè)計(jì)得丑一點(diǎn)不要緊聘惦，要是數(shù)據(jù)指標(biāo)口徑不統(tǒng)一某饰，那才會(huì)分分鐘罵街。
雖然數(shù)據(jù)PM需要熟悉各類數(shù)據(jù)模型善绎、指標(biāo)黔漂、數(shù)據(jù)挖掘和數(shù)據(jù)工程的實(shí)現(xiàn)，但是聚焦點(diǎn)是把它作為一個(gè)項(xiàng)目去實(shí)現(xiàn)禀酱，故而不用精通炬守。
數(shù)據(jù)產(chǎn)品經(jīng)理是一個(gè)比較新興的崗位，所以有豐富經(jīng)驗(yàn)的從業(yè)者并不多剂跟，我個(gè)人認(rèn)為减途，還是存在比較大的職業(yè)缺口。當(dāng)然也有其他問題浩聋，一是因?yàn)樾屡d观蜗，部門負(fù)責(zé)人本身也沒有想好他們能干什么臊恋，不少數(shù)據(jù)PM還從事表哥的工作衣洁。二是數(shù)據(jù)產(chǎn)品本身可借鑒的經(jīng)驗(yàn)不多，像APP產(chǎn)品抖仅，可以下載體驗(yàn)坊夫，總歸有一個(gè)學(xué)習(xí)的過程砖第。然而用戶畫像、BI环凿、算法策略梧兼，都是其他公司的內(nèi)部機(jī)密，無從參考智听，我就遇到不少對(duì)用戶畫像實(shí)現(xiàn)非常感興趣的數(shù)據(jù)PM羽杰。
從職業(yè)發(fā)展上看，數(shù)據(jù)分析師做數(shù)據(jù)產(chǎn)品經(jīng)理更合適到推。普通的產(chǎn)品經(jīng)理考赛，對(duì)前端、后端的技術(shù)棧尚未熟悉莉测，何況日新月異的數(shù)據(jù)棧颜骤。這個(gè)崗位，適合對(duì)數(shù)據(jù)特別感興趣捣卤，但是數(shù)理天賦不高的職場人忍抽，那么以溝通、項(xiàng)目管理和需求規(guī)劃為能力董朝，也不錯(cuò)鸠项。
學(xué)習(xí)資料：
數(shù)據(jù)產(chǎn)品經(jīng)理，如果有數(shù)據(jù)挖掘經(jīng)驗(yàn)子姜，那么技術(shù)相關(guān)的書籍倒不重要锈锤，別落伍就行，更關(guān)注產(chǎn)品經(jīng)理本身的能力闲询，包括Axure久免，各類文檔的編寫、項(xiàng)目管理扭弧、需求整理等阎姥，市面上資料比較多。
這里再補(bǔ)充兩本鸽捻，「數(shù)據(jù)挖掘與數(shù)據(jù)化運(yùn)營實(shí)戰(zhàn)」呼巴，沒啥高深技術(shù)，但是能夠了解體系的初步建立御蒲∫赂希「數(shù)據(jù)挖掘技術(shù)—應(yīng)用于市場營銷、銷售與客戶關(guān)系管理」厚满，這本書我推薦它是糾結(jié)的府瞄，它的知識(shí)點(diǎn)比較豐富，業(yè)務(wù)人員也能看懂碘箍，但是翻譯的實(shí)在太糟糕了……
更多書籍參考其他崗位即可遵馆。
** 數(shù)據(jù)工程師**
數(shù)據(jù)工程師其實(shí)更偏技術(shù)鲸郊，從職業(yè)道路上看，程序員走這條路更開闊货邓。
在很多中小型的公司秆撮，一方面數(shù)據(jù)是無序的、缺失的换况、原始的职辨，另外一方面各種業(yè)務(wù)報(bào)表又嗷嗷待哺。沒辦法戈二，分析師只能自己擼起袖子拨匆，一個(gè)人當(dāng)三個(gè)人用。兼做數(shù)據(jù)清洗+ETL+BI挽拂。
經(jīng)歷過的大概都懂惭每，數(shù)據(jù)分析踏上數(shù)據(jù)工程的不歸路如下：
每天都要從五六張表上join，那么不妨加工成一張中間表亏栈；
ETL的依賴關(guān)系越來越復(fù)雜台腥，嘗試用kettle/airflow等框架搞定，弄個(gè)DAG美滋滋绒北；
運(yùn)營部門的周報(bào)次次都要這幾個(gè)指標(biāo)黎侈，看看能否做一個(gè)自動(dòng)化BI；
數(shù)據(jù)量逐日增多闷游，最近T+1的日?qǐng)?bào)需要幾個(gè)小時(shí)完成峻汉，研究下查詢語句的優(yōu)化；
查詢語句的優(yōu)化空間也不大了脐往，開始遷移到Hadoop/Spark分布式平臺(tái)休吠，新技術(shù)棧的學(xué)習(xí)；
新平臺(tái)业簿，原有的工具也不管用了瘤礁，某大牛說apache上有工具能解決這個(gè)問題，于是閱讀文檔梅尤；
公司部署了私有化的埋點(diǎn)采集柜思，數(shù)據(jù)缺失比較厲害，業(yè)務(wù)部門天天罵娘巷燥，繼續(xù)埋Flume/Kafka的坑赡盘；
等等…
如果分析師在技術(shù)方面的靈性不錯(cuò)，那么技能點(diǎn)會(huì)往技術(shù)棧方向遷移缰揪。從最初的SQL陨享，到了解Hadoop集群、了解presto/impala/spark、了解ELK霉咨、了解分布式存儲(chǔ)和NoSQL……
這也是一個(gè)不錯(cuò)的發(fā)展方向，因?yàn)閿?shù)據(jù)挖掘需要了解算法/模型拍屑，理論知識(shí)要求過高途戒，不少碩士和博士還過來搶飯碗，自己不擅長容易遇到天花板僵驰。選擇更底層的工程實(shí)現(xiàn)和架構(gòu)喷斋，也是出路，薪資也不會(huì)低于數(shù)據(jù)挖掘/算法專家蒜茴。
部分歸屬到技術(shù)部的數(shù)據(jù)分析師星爪，雖然Title叫數(shù)據(jù)分析（其實(shí)應(yīng)該叫數(shù)據(jù)分析開發(fā)工程師），很多工作也是圍繞ETL/DW/BI進(jìn)行粉私，那么這就是標(biāo)準(zhǔn)的數(shù)據(jù)工程路線顽腾。
部分公司會(huì)將機(jī)器學(xué)習(xí)模型的部署和實(shí)現(xiàn)交給數(shù)據(jù)工程團(tuán)隊(duì)，這要求數(shù)據(jù)工程師熟悉sparkMLlib诺核、Mahout此類框架抄肖。
數(shù)據(jù)工程師，可以從數(shù)據(jù)分析師的SQL技能窖杀，往數(shù)據(jù)的底層收集漓摩、存儲(chǔ)、計(jì)算入客、運(yùn)維拓展管毙。往后發(fā)展則是數(shù)據(jù)總監(jiān)、或者數(shù)據(jù)架構(gòu)師桌硫。因?yàn)閿?shù)據(jù)分析出身夭咬，與純技術(shù)棧的程序員比，思考會(huì)更貼合業(yè)務(wù)铆隘，比如指標(biāo)背后的數(shù)據(jù)模型皱埠，但是技術(shù)底子的薄弱需要彌補(bǔ)。
另外咖驮，DBA边器、BI這些傳統(tǒng)的數(shù)據(jù)庫從業(yè)者，也是能按這條路線進(jìn)階托修，或者選擇數(shù)據(jù)產(chǎn)品經(jīng)理方向忘巧。
學(xué)習(xí)資料：
數(shù)據(jù)工程類的書籍，我看的不多睦刃，給不了建議砚嘴。主要按各類名詞搜索吧，什么linux、數(shù)據(jù)倉庫际长、Hadoop耸采、Spark、Storm工育、Elasticsearch等虾宇。這類崗位發(fā)展，技術(shù)更新速度比較快如绸，所以需要保持吸收以及活用開源嘱朽。
最后
以上四個(gè)崗位就是數(shù)據(jù)分析的發(fā)展方向，它們互有關(guān)聯(lián)怔接，如果從整個(gè)架構(gòu)圖來看（一篇?dú)v史舊文有更詳細(xì)的描述：從零開始搪泳，構(gòu)建數(shù)據(jù)化運(yùn)營體系）。
[圖片上傳失敗...(image-653de9-1542839138745)]
我們可以將其劃分為數(shù)據(jù)收集—數(shù)據(jù)加工—數(shù)據(jù)運(yùn)營—數(shù)據(jù)觸達(dá)扼脐。
數(shù)據(jù)收集負(fù)責(zé)收集各種各樣的原始數(shù)據(jù)岸军，比如用戶何時(shí)何地做了什么事情。它依賴于埋點(diǎn)采集系統(tǒng)瓦侮，而埋點(diǎn)采集凛膏，需要收集什么類型數(shù)據(jù)，往往由數(shù)據(jù)產(chǎn)品經(jīng)理確定規(guī)范（還是看公司脏榆，數(shù)據(jù)運(yùn)營和數(shù)據(jù)分析師也能負(fù)責(zé)）猖毫。
收集上來的數(shù)據(jù)需要存儲(chǔ)，往往因?yàn)楦咄掏铝啃胛梗枰ＷC數(shù)據(jù)和日志的穩(wěn)定性吁断，會(huì)采用Flume+Kafka，如果有實(shí)時(shí)統(tǒng)計(jì)要求坞生，也得考慮流數(shù)據(jù)仔役。這塊則是數(shù)據(jù)工程的范疇，包括原始數(shù)據(jù)的再加工是己，數(shù)據(jù)清洗又兵，都是專門的數(shù)據(jù)團(tuán)隊(duì)完成。
當(dāng)獲得數(shù)據(jù)后卒废，首先第一點(diǎn)是講各種明細(xì)數(shù)據(jù)加工業(yè)務(wù)指標(biāo)沛厨，沒有指標(biāo)不成方圓，這里由數(shù)據(jù)分析師定義的摔认。有了指標(biāo)逆皮，配合各種數(shù)據(jù)產(chǎn)品輸出，如用戶畫像用戶標(biāo)簽参袱、BI報(bào)表电谣，這些數(shù)據(jù)產(chǎn)品都由數(shù)據(jù)PM統(tǒng)籌排期…另外一方面秽梅，數(shù)據(jù)挖掘工程師和算法專家則憑各種數(shù)據(jù)建立模型，進(jìn)行實(shí)時(shí)或離線運(yùn)算剿牺。
模型可能會(huì)預(yù)測用戶會(huì)不會(huì)購買某個(gè)商品企垦，可能是做出一系列的推薦，可能是判斷用戶屬于哪個(gè)類型晒来，不一而足钞诡。
更上面一層是業(yè)務(wù)相關(guān)，數(shù)據(jù)分析師會(huì)監(jiān)控和分析BI上指標(biāo)的波動(dòng)潜索、數(shù)據(jù)挖掘工程是通過用戶反饋數(shù)據(jù)臭增，衡量算法的優(yōu)劣懂酱、數(shù)據(jù)PM按AB測試的結(jié)果改進(jìn)產(chǎn)品竹习。數(shù)據(jù)工程師保證系統(tǒng)的穩(wěn)定。
所有層次一環(huán)扣一環(huán)列牺，每個(gè)崗位在其中都發(fā)揮特有的作用整陌。數(shù)據(jù)工程偏底層技術(shù)，數(shù)據(jù)分析偏上層業(yè)務(wù)瞎领，數(shù)據(jù)挖掘和數(shù)據(jù)產(chǎn)品處于中間形態(tài)泌辫。不同公司雖然業(yè)務(wù)形態(tài)不一致，架構(gòu)會(huì)有差異九默，但是職責(zé)不會(huì)偏差太大震放。這也是數(shù)據(jù)分析為什么會(huì)有四個(gè)方向。
講到這里驼修，你大概對(duì)數(shù)據(jù)分析的職業(yè)規(guī)劃有了明晰的了解殿遂。當(dāng)然，它們彼此間并不完全獨(dú)立乙各，到后期墨礁，很多界限會(huì)變得模糊。所以規(guī)劃是一方面耳峦，是否愿意執(zhí)行恩静、學(xué)習(xí)和吃透，才是職業(yè)真正的道路呀蹲坷。
**** 用戶贊賞用****
另外驶乾，這次更新確實(shí)久等了
[圖片上傳失敗...(image-4dd199-1542839138744)]
[圖片上傳失敗...(image-3937e7-1542839138750)]
Scan QR Code via WeChat
to follow Official Account
