多同學都在思考職業發展路徑問題。最近諮詢陳老師的也很多，一個很普遍被問到的，就是：
數據分析師的紅旗，到底能打多久？今天集中解答一下。還是陳老師的一貫風格，不吹不黑，客觀說事。我們一起來看看，面向2020年，數據分析師們最糾結的五個問題：▌問題一：數據分析會不會被人工智能取代？
答：不會！
首先，看到提“人工智能”四個字的所有標題，大家都能認為是引發焦慮的偽問題。真正懂行的都說：算法、機器學習，或者乾脆直插CV，NLP，推薦等某個具體領域。其次，這倆玩意根本就是兩件事。算法的發展不僅不會取代數據分析，反而會讓數據分析更輕鬆。
為啥？
因為本質上，算法對抗的是低效率。通過人工標註-模型訓練-預測檢驗的循環，算法可以大量替代以往需要耗費人力的工作。但是算法實現這個目的是有前提的：第一，需要明確的結果：人工標註的圖形、信用違約/未違約記錄等等。第二，需要大量的特徵數據，用於訓練模型。正是因為如此，我們看到算法應用最成功的就是CV領域。比對人臉、比對證件等就是特徵豐富，結果明確。傳統的風控、推薦等領域，也有相應進步。NLP領域進展相對較慢，就是被複雜的語境折騰的七葷八素。
本質上，數據分析對抗的是不確定性。當我們想要分析問題的時候，更多是：
- 沒有數據：新業務剛上線，過往不重視數據採集
- 有假數據：業務操控，流程缺失，利益驅動
- 亂七八糟：口徑不統一，流程不規範，使用瞎胡鬧
- 人為扭曲：業務方為了保住KPI睜眼睛說瞎話
- 不會判斷：只知道寫同比環比，不會解讀意義
- 主觀臆斷：做數據只為證明自己是對的，強詞奪理
這種時候，就相當於根本沒有標註，或者人工瞎幾把標，模型壓根訓練不出來。還摸個屁。
正是如此，我才有了數據分析的五大問題：
- 是什麼（量化結果，獲取數據）
- 是多少（樹立標準，評價好壞）
- 為什麼（尋找原因，驗證假設）
- 會怎樣（綜合評估，做出取捨）
- 又如何（預測前景，探索可能）
通過不斷循環的解答這五個問題
- 我們量化監控業務走勢，把不確定變成確定；
- 我們做出客觀的評估，發現問題，沉澱經驗；
- 我們合理預測前景，探索新可能，發現新道路；
- 最終推動業務持續進步和改善。
這種摸著石頭過河的力量，才是算法不可取代的。當然，石頭摸清楚了，數據質量好了，經驗總結差不多了，這時候有些傳統的工作可以用模型來幹。比如在風控、推薦領域，傳統業務經驗越來越讓位給模型。同樣的，在新的領域，數據分析繼續做著開路先鋒。
比如2019年，陳老師主導的項目，就有大量的社交電商、分享裂變、網紅帶貨、私域流量轉化的項目，這些項目往往是業務模式創新和數據分析齊頭並進的。在這些新領域，各個行業都在摸石頭，當然得帶著有本事測量深淺的水文師。不然一腳下去踩坑裡咋死的都不知道。
有意思的是，所謂的“人工智能會取代數據分析師”，正是來自對數據分析工作的無解。在不懂行的人眼裡，數據分析師和算命大師沒啥區別，不需要數據採集、不需要數據清洗、不需要數據治理、不需要分析建模、不需要積累經驗、不需要你測試驗證。只要眉頭一皺、掐指一算，咒語一念，符咒一燒，算盤一撥，天上咔嚓一道炸雷掉下一道聖旨：明年業績1257億！
在不懂行的人眼裡，算法、數據分析、算盤、《周易》沒啥區別，反正過程他都看不懂，最後咔嚓一聲能出個好牛逼的結果。有這種幼稚理念，當然會覺得人工智能會取代數據分析了，畢竟阿爾法狗比算盤聽起來屌嗎。
當然還有一種論調，來自：以後能自動提數了，數據分析師就要下崗了。這個更幼稚了，誰TM跟你說數據分析師就是人肉跑sql師了！要我說，這種智能BI越早出越好！正好把那些每天2000行sql的小哥們解放出來，正好把那些無窮無盡的臨時取數擋掉，正好可以讓市場部那些只懂心機不懂技術的妹子們對著機器咆哮去：“這是總監要的，下班必須給！”這話都衝著阿爾法狗喊去，那畫面想想都爽。我們就有更多的時間，來分析問題，來設計實驗，來挖掘深層因素，以後出的成績還多一點。
So，時代淘汰的不是數據分析師，而是隻會寫sql的肉雞，是隻會到處問“有沒有模板抄抄”的菜雞，是隻會寫同步環比的草雞。大家大可安心。
▌問題二：數據分析會不會被會寫sql的運營取代？
答：不會
這個問題陳老師有專門的分享，想看的可以戳文末的鏈接。這裡不再贅述，只說結論：“運營做數據分析是有原罪的，叫：本位主義”。只要丫的身份還是運營，丫的數據分析結果就是屁股決定腦袋，就是短視且功利的，這一點跳進黃河都洗不清。況且運營也就只會寫sql而已，你讓他弄數倉，搞ETL，搞數據治理試試，不累死也噁心死。這又是“只見高樓起萬丈，不見地基累又髒”所產生的誤解。所以做數據的同學們不要嫌棄這些髒活累活，這反而是我們的一個護城河（雖然裡邊都是泥巴）。
當然，那些只會寫“本月比上月少了1000萬業績，連續三個月下跌”的數據分析師，鐵定被運營取代呀。這種玩意只要眼睛不瞎，且識字，都能寫呀！連我們家小爺coco都會看著爸比畫的條形圖說：“這根短了”，他再學會一句“要搞高”，就能去很多互聯網公司當“數據分析師”了呀。這種不被取代就見鬼了。
▌問題三：數據分析就業難不難？
答：難
第一，因為算法被炒得太熱，所以很多人會希望數據分析師懂算法，從而增加了面試難度。是滴就是那些不明真相的吃瓜群眾，總想著：“算法這麼牛逼的都會了，分析還不會嗎？”抓著做分析的往死裡問算法，進了公司才發現，他喵子的除了交易流水屁數據沒有，算法個蛋蛋。
第二，因為很多運營自己開始sql，導致對分析能力的要求更高。一個矛盾點是：很多領導自己也沒見過高級的數據分析長啥樣，於是會瞎提要求，把很多業務問題歸為數據問題，去問數據分析師怎麼賣貨。這要是正兒八經的數據分析師可能真的就冤死了。
第三，因為互聯網行業寒冬，導致釋放出來大量勞動力，於是想轉行的，算法（只會調參）失業的，做運營的，根紅苗正做分析的，都在找數據分析工作，競爭更激烈，自然找工作更難。
綜上，難是肉眼可見的難，大家多多努力，少點衝動是正道。
▌問題四：數據分析想突圍，可以準備什麼？
嚴格來說，這篇可以單獨寫。這裡先列個提綱：
- 連excel，sql，python（速成ESP套餐）都不會的，趕緊學技術，加強能力
- 吃了ESP套餐的，學點數倉，ETL，數據治理，提升基礎能力
- 和業務走的近的，多補充業務知識，特別是新領域的數據運用
- 公司數據基礎好，本人知識紮實的，挑戰一下算法
總之，橫行擴寬業務知識面，縱向在數倉方向強化，能力強的看點算法，技多不壓身，能力強自然出路多。
▌問題五：數據分析想轉行，可以哪裡走
嚴格來說，這篇又可以單獨寫。這裡先列個提綱：
- 業務能力強的，可以往用戶增長、用戶運營等策略性強的部門轉，這些部門天生就需要很強的分析能力。
- 技術強的，可以往數據產品方向轉，移動BI、大屏、運營助手等產品是很好的出成績的地方
有兩條路吹的很火，可實際上不是特別好的出路：
- 數據中臺。經過一年爆吹，大家發現：這玩意沒鳥用呀。少拿阿里的數據產品舉例子，人家天生數據多，可以賣給一堆企業，就我們企業那爛兮兮的數據，建中臺有毛用，不是在爛泥巴里起高樓嗎，不塌才怪。
- 數據分析轉算法。經過泥沙俱下的18,19年，大家也發現只會調參的“算法工程師”有毛線用。真正算法項目，工程的難度是遠遠高於算法難度的，這使只會數據的人沒啥優勢。更何況，現在仍然有大量狂熱應屆生湧進這個領域，和他們比起來半吊子出身的數據分析是沒啥競爭力的。所以謹慎選擇轉行
以上，大致回答了大家最關心的五個問題。除了問題一，問題二，其他分享都少一點，因為篇幅真的已經很長很長了。有興趣的話，以後我們繼續深入探討數據分析師的發展。
其實同學們最初的問題是：數據分析師發展前景如何？陳老師不喜歡探討這麼虛的話題，正如上邊五個問題一樣，大家會發現：如果你持續進步，你始終能在時代中找到自己的位子，如果你原地踏步，那啥玩意都能把你淘汰。前景不是看出來的，而是自己努力出來的。能搞掂的具體問題越多，自然越有前途。所以新的一年，我們繼續具體問題具體討論，大家一起進步哦。
文章來自社區簽約作者：接地氣的陳老師，微信公眾號：接地氣學堂。十年資歷的數據分析師，擁有多個行業的CRM經驗。
閱讀更多 PMTalk產品經理社區 的文章
