作者 | gongyouliu

编辑 | gongyouliu

笔者本科、研究生学的都是数学专业，2009年工作后基本都是从事跟数据、算法相关的工作，算是跟数据分析渊源颇深。工作后，在2010年开始接触数据分析，2012年开始接触大数据，大约有10年数据分析实践经验。通过多年的实践与总结，对数据分析有了一些思考和感悟。这篇文章分享一下自己对数据分析职业发展的一些思考。

在数据分析的价值这篇文章中，笔者提到：作为数据分析师一定要从业务维度来思考和体现数据分析的价值。是否有业务思维，是否会从用户增长、用户体验、商业变现的角度来体现数据分析的价值是数据分析师的核心竞争力。有数据驱动意识、能够很好地从数据中发现规律并充分利用这些规律的公司才能够在激烈的市场竞争中更好地生存下来。是否能够利用数据来驱动业务发展是公司的核心竞争力。

数据分析不是一个新生的职业，可以说从人类发明计算机开始（甚至更早）就有了数据分析，特别是2006年大数据时代到来后，数据分析变得异常火爆，数据分析师的工资相对较高，人人都想从事数据分析。最近4、5年随着人工智能、区块链等新的技术热点的出现，大数据行业逐步归于平静，数据分析行业回归到了理性状态。

不管是未来想从事数据分析的毕业生，还是想转行做数据分析的职场人士，亦或是正在从事数据分析的从业人员，大家肯定会关注数据分析这个行业的未来发展。所以，这篇文章我就来说说数据分析职业发展相关话题。本篇文章主要从数据分析的时代背景、数据分析师的机遇、数据分析师面临的问题与挑战、数据分析工作的建议、数据分析师的职业发展等5个方面来介绍数据分析相关的话题，期望本文可以给从事数据分析的同行或者期待进入数据分析行业的读者提供一定的参考和借鉴。

一、数据分析的时代背景

数据分析需求其实很早就有了，即使不借助计算机也是可以做数据分析的，最早导弹发射的弹道计算就是采用计算尺算出来的。当计算机出现后，有了电子表格软件，数据分析就更加容易了。最早的电子表格软件是美国莲花公司的Lotus，该公司不敌微软，在与微软的竞争中败下阵来，最终被IBM收购。大家熟知的由微软开发的Excel是电子表格软件的佼佼者，几乎统治了整个电子表格软件的市场。Excel很好用、很实用，常规的数据分析与数据可视化都可以轻松应对。

随着移动互联网的发展，数据量指数增长，数据的形式也更加多样化，出现了种类繁多的非结构化数据（如图片、音频、视频、网页、富媒体等），这时处理数据就没有那么容易了。2003到2006年间，Google发表了3篇具有划时代意义的大数据论文，标志着大数据时代的到来。真正让大数据火起来的触发点是2006年Doug Cutting开源的Hadoop软件（参考Google其中一篇论文的思路开发而成），这之后全世界的开源贡献者围绕Hadoop构建了一系列的大数据组件，大数据逐渐形成了一个庞大的生态系统。

从2007年到2016年的近十年时间，是大数据发展的黄金十年，人人都在谈论大数据，基本每家互联网公司都在招聘大数据分析师。大数据场景下的复杂业务分析让（大）数据分析这个新生的职业为大众所认可和接受。

大数据时代的到来才真正让数据分析从小众到大众化，最终让数据分析走到聚光灯下。数据分析行业的火爆，是跟很多因素有关联的，总体来说，是科技发展和社会进步引领数据时代的到来。这其中最重要的原因有如下3点：

1. 移动互联网的兴起催生了大数据

苹果在2007年发布第一代iPhone智能手机，标志着移动互联网时代的到来。移动互联网最大的特点是人人都可以实时在线，一部智能手机让我们可以连接全世界。手机上的摄像头、麦克风、触屏等输入设备让我们很容易生产数据，可以说，每个人都是一部生产数据的机器。制造业的成熟及原材料价格的下降，制造一部智能手机的成本越来越小，人手拥有一部手机成为可能，据估计全世界至少有50亿部手机在使用，这50亿部手机组成了一个巨大的数字化工厂，源源不断地制造数字化生产资料。

3G、4G及当前的5G技术的发展、成熟与商业化，让数据传输更加稳定、高效、快捷、廉价。互联网公司通过提供人们日常生活必须的（2C）产品（如微信、淘宝、美团、携程、头条、抖音、快手、B站等）让用户沉浸其中，源源不断地为公司生产数据，公司借助数据分析与挖掘技术，在更好地服务用户的同时攫取更多的商业利润。

2. 大数据技术的成熟让大数据分析成为可能

随着以Hadoop为核心的大数据生态系统的完善，处理大数据有了更多、更好的方法和工具。HDFS、HBase、Hive等分布式数据存储系统可以让企业可以更加方便、安全、可伸缩地存储海量数据。Spark、Flink等一系列构筑在Hadoop之上的计算组件让分布式处理大规模数据成为可能。

随着数据仓库和数据建模经验的积累，目前互联网企业基本都有了一套自己的数据仓库系统，数据按照业务进行层次化存储，方便进行各类业务分析。数据仓库建设完备的公司，90%以上的数据分析需求都可以用SQL来完成，数据分析师的工作也变得越来越简单高效。

除了开源的大数据基础工具，云计算公司和大数据的2B创业公司也提供了端到端的数据解决方案，数据分析变成了一件非常容易的事情。现在的创业公司不再需要自己去搭建、运营、维护一套复杂的数据平台，只需要像水电煤一样购买数据服务即可使用。

3. 公司自身发展依赖数据驱动进行决策

互联网行业是一个构建在规模经济之上的、竞争相当激烈的行业，产品更新迭代速度快。只有快速迭代产品，更好、更快地满足用户需求，吸引足够多的用户关注与使用，获得快速增长，才能拿到融资、才能获得较好的现金流，否则很难生存下去。目前2C行业已经到了增长的天花板，竞争只会愈演愈烈。

怎么快速地获取用户、让用户多使用你的产品，以及怎么更好地进行商业化变现，是比较困难的事情，这需要科学的思考和决策。我们处在信息爆炸的高科技时代，行业关系错综复杂，牵一发而动全身，光靠拍脑袋决策是不行的，大脑有太多的主观性，会受到个人经验等外部因素的干扰。单靠大脑思考往往无法正确决策，这时就需要借助其他更科学的方法与工具了，其中数据化决策是一种非常科学有效的思维工具，特别是Google在2000年将AB测试引入互联网企业后，开启了数据决策的先河。

要进行数据决策就需要收集数据并对数据进行分析。互联网企业自身发展的需要及大环境施加的竞争压力让企业对数据分析提出了更高的要求，企业越来越依赖数据化进行决策，从而驱动了数据分析行业的发展。

上面从3个不同维度来说明了在大数据时代下数据分析的重要性和迫切性，这就给数据分析师提供了绝好的发展机遇，有越来越多的数据分析岗位向社会敞开。我们在下一节来说说数据分析师的机遇。

二、数据分析师的机遇

我们在第一节3中提到公司对数据分析有非常大的需求，而数据分析，特别是大数据分析是最近几年才爆发起来的，因此数据分析人才相对稀缺，供不应求。根据经济学原理，当人才供不应求时，价格就上涨，因此，数据分析师的工资普遍会高于IT行业的平均水平。总体来说，数据分析师的机遇与优势表现为如下2点：

1. 数据分析人才需求巨大，更容易找到工作

从大的环境来看，随着移动互联网的爆发，很多2C的互联网公司如雨后春笋般出现，互联网公司竞争激烈，需要靠数据来驱动，因此对数据人才的需求自然增多。前几年市面上招聘数据分析的岗位非常之多，虽然这两年由于大环境的影响，职位相对前几年有所减少，但是总体来看，还是相当多的。

从公司发展维度来看，现在的企业竞争压力大，通过数据化运营是一种比较好的技术手段，可以提升公司决策正确率，让企业少犯错误。数据驱动也可以更好地满足商业化需求。特别是AB测试工具的大规模使用，让数据驱动变得科学高效。要进行数据化决策，就需要招聘相关的数据分析人才。

企业运营也进入了数据化时代，未来数据化运营是企业最重要的一种运营手段，我们熟知的搜索、广告、推荐系统等都可以看成是数据化运营的工具（只不过是算法驱动的自动化的运营）。基于用户画像构建的精细化运营平台也是一类可以人工操控的数据运营工具。在数据化运营时代，对数据分析与数据运营人才的需求是极大的。

可以说互联网改变了整个社会结构，互联网也对实体经济造成了巨大的冲击。现在很多传统公司都在做互联网转型，不转型就无法生存下去。而要做转型的第一步（也是最重要的一步）就是数字化，即将企业运营流程中涉及到的方方面面数据化。数据化后才可以通过数据分析的手段分析流程中可能存在的优化点，挖掘数据中蕴含的经济价值，最终优化流程，提升生产效率，节约成本。传统企业在数字化转型过程中肯定是需要招聘大量数据分析相关人才的。当前2C行业已经发展到了瓶颈期，获取流量成本巨大，增长日益疲软，大的互联网公司（包括BAT）在前两年就开始了2B转型（或者将发展2B业务作为核心），2B转型很重要的一块是帮助传统企业进行数字化改造，这些转型2B的互联网企业也需要大量懂特殊行业具体业务的数据分析型人才。

国家也看到了数据化对社会运行、工业进步和经济发展的好处，进而从各个方面进行支持，包括：给数据相关创业公司更多的税收优惠；国家支持高校开设数据分析专业，甚至是数据科学学院（目前国内有上百所高校设立了大数据相关的专业或者学院）。前几年，科技媒体和国家核心媒体对大数据相关产业和技术进行过大量报道，在这个过程中起到了推波助澜的作用。这些动作向企业传导出数据分析人才非常重要的信号，因此企业更迫切希望招聘到数据分析师。

还有一个现实的原因是科技的发展也迫切需要数据分析人才。视频拍照技术的进步，让生产图片/视频数据变得非常容易。物联网与5G的发展导致更多的数据产生，数据也更容易传输。数据量的增大及数据处理时效性要求越来越高，这也间接催生了对数据分析师的强烈需求。

未来随着智能家居、物联网（无人驾驶汽车、智能音箱、智能设备、智能摄像头等）的发展、应用与普及，越来越多的设备接入互联网，这些联网的设备，时时刻刻都在产生数据，导致数据量爆发增长，增长的数据需要进行处理，也从另外一个侧面也需要更多的数据分析人才。

大数据与数据分析行业的火爆也催生了很多进行数据分析技能培训的知识变现型公司，这些公司也需要相当大规模的懂数据分析技能、有相关业务经验的培训师或者助理讲师。

有了上面多重背景介绍，相信读者也看得出，数据分析师是一个需求量非常大的职位，未来的需求只会更多，因此，数据分析师有更多的就业机会，更容易找到一份相关的工作。

2. 数据分析师的待遇高于行业平均水平

我们可以将人才看成是一种特殊的“商品”（这里只是类比，没有贬低人的意思）。只要是可交换的商品（其实是人才的时间跟公司付给我们的工资进行交换，虽然不是等价交换），一定是满足经济学规律的，这里满足的一个重要规律是供需平衡。当数据分析人才供不应求时，数据分析师的价格（即工资）就会上涨。在大数据发展早期，数据分析人才是供不应求的，自然他们的工资相对较高。移动互联网发展太快速，人才培养没有跟上，这也导致了人才供不应求。

另外，在大数据时代，行业对数据分析提出了更高的技能要求。一般做数据分析是需要懂大数据技术的，常用的Hadoop、Spark、Hive等多少是需要熟悉的。这些新的技术发展历史短，在大数据早期阶段学习材料相对匮乏，要想完全理解透、学精通，还是比较难的，因此有一定的技术壁垒。一旦有了技术壁垒，掌握这种技术的人肯定是可以要到更高工资的。这也可以看成是大数据技术能力的供不应求。

除了技术能力外，数据分析师也是需要有一定的数据思维和直觉的，同时还需要有业务意识、懂业务，但是数据思维/直觉好、懂业务的人还是不太多的。一旦你具备这些能力，你就可以更好地产出业务价值，这样工资肯定会更高。

三、数据分析师面临的问题与挑战

除了上一节讲的机遇外，数据分析师未来还会面临很多挑战。这些挑战如果我们乐观应对，不断学习成长，能力会有极大的提升。如果只是为了完成任务，不逼迫自己精进，未来几年之后一定会面临比较大的职业成长风险。下面我们就对这些可能存在的问题和挑战进行说明，供读者参考，也希望可以警醒读者，在平时工作中要多思考、多积累，一定要有危机意识。

1. 数据分析存在感不强

数据分析师主要的工作是支撑业务部门，为业务部门提供各种数据用于业务决策。业务部门提出的数据需求到底有什么价值，怎么产生价值，数据分析师往往是不知道的（业务方也往往不会跟你说清楚数据的价值在哪里，他们一般只会找你要数据，有时甚至连他们自己也不知道这个数据到底有啥价值），很多数据分析师不太关注业务，也不屑于知道数据的价值在哪里。

如果我们不知道我们做的事情的价值在哪里，一般我们会没有成就感。如果我们每天都做着没有成就感的事情，我们对工作的热情一定不会高，最终自己也会失去存在感。

2. 竞争太激烈

数据分析行业在刚起步时，属于新兴行业，由于职位需求量大，很多刚毕业的学生会尝试应聘这一职位。刚开始时，职位是供不应求的。后面随着大数据概念的普及与流行，媒体对大数据行业的过度正向宣导，也让做其他方向的人大量转行做数据分析，中国人比较从众，这部分转行的人还不在少数，这就让数据分析职位从供不应求逐步过渡到了供过于求了。

前面在第一节中提到，国家层面对大数据行业的支持，结果是上百所学校设置了大数据相关专业或者学院，这些学生毕业做大数据的概率肯定会比较大，这就让未来几年大数据人才爆发增长。虽然刚毕业的学生技能没有那么强，但是他们年轻、听话、工资低、身体好、能加班。再说，数据分析的工作基本SQL都能搞定，刚毕业的大学生即使不熟悉SQL，只要经过一两周的培训就可以轻松胜任。如果入行好几年的数据分析师去跟刚毕业的大学生竞争基础的数据分析，一定是处于下风的。

3. 可替代性强

随着云计算技术的成熟，主流的云厂商（如阿里云、腾讯云等）都提供了比较完善的数据分析型产品，从日志收集、数据存储、数据处理到数据可视化，一应俱全。现在的创业公司基本不需要自己去搭建数据分析平台了，直接采购云端服务就行。除了云计算公司，还有大批做数据相关2B业务的创业公司也提供了定制化的、细分领域的数据分析工具供我们选择。

这些工具我们只需要会用，就基本能够解决工作中的绝大部分数据分析问题（基于完善的数据体系，现在绝大部分[90%以上]的数据分析工作都可以用SQL来完成）。这导致数据分析技能的不可或缺性严重降低，未来只做简单的数据分析工作的数据分析师就类似于富士康工厂的工人，随时都有可能被刚毕业的大学生替代。

一般来说，数据分析师的工作比较零散、杂乱，不成体系，如果自己不在日常工作中归纳总结的话，很难得到较大提升，没有核心竞争力就更容易被取代。

4. 数据分析技能要求更高

随着智能手机摄像头技术的进步、4G、5G技术的成熟、以及视频类APP（如抖音、快手等）的火爆，整个互联网平台上产生了越来越多的数据，这些数据呈现出越来越非结构化的趋势，数据种类也越来越多样化，这些数据包括文本、图片、视频、音频、网页、社交关系等多种数据类型。

针对上面的复杂数据，处理方式也会更加复杂。音频和视频都有一套自己的数据处理方法，这些处理还涉及到专门的软件工具。因此，不光要懂SQL，未来的数据分析师可能还要精通（至少要了解原理、会用工具）很多其他的数据处理技术。这无形给数据分析师提出了更高的要求，工作也会更加有挑战。

目前的数据分析更多是事后分析，也就是事情发生之后（用户在APP上完成了相应的操作）进行的分析。我们一般分析用户的行为日志，日志就是一种事后数据。事后分析主要包括数据可视化（展示）、解释（对出现的情况从数据层面进行说明解释）、归因（从数据中发现某个趋势或者事件出现的原因）。事后分析的最大缺点是事情已经发生了，我们将无法控制。另外一种更高级的分析方式是事先分析，也就是当事情没有发生之前提前做好准备，未雨绸缪。事先分析主要包括预测类、预防类和决策分析。数据分析只有做到了事先决策才算真正意义上的分析驱动业务发展。

5. 需要有业务价值产出

当数据分析行业进入成熟期时，企业会更加在意数据分析的价值产出。企业希望以数据驱动的形式快速迭代产品，产生更多的用户增长和现金流。这就要求数据分析师要以业务为导向，关注商业价值，而企业中的商业价值主要体现两大方面：一是与用户发展相关的，比如DAU、日活、留存等；二是直接与钱相关的，如产生收入、节省成本等。其实发展用户、让用户留下来的目的也是为了变现，可以这么说，用户发展是跟商业变现正相关的。

作为一个数据分析师，一切从业务价值上去思考问题本身就是很难的一件事情，更不用说大脑里时刻关注业务价值产出了。要有业务思维这要求数据分析师多接触业务、多思考业务，要多学习一些商业、产品、运营、心理、经济、社会、文化等跨学科的知识，并且能够活学活用，站在一个比较高的视角从全局思考。建议可以多看看一些商业的公众号文章、书籍，对你所从事的行业及相关重点公司要有所了解。

上面从5个维度讲解了数据分析师面临的问题与挑战，虽然做好数据分析绝不简单，也不代表没有方法可寻。在下一节，笔者就给读者提供几个好的建议，希望对大家的日常工作有所启发，如果能够帮助到大家那就更好了。

四、数据分析工作的建议

下面从思维转变、技能提升等2个角度来讲讲笔者自己的一些思考，这些思考也是给读者提供的建议，希望对大家有用。

1. 思维转变

其实人最难改变的是自己的思维，思维就像牛顿第一定律（惯性定律）一样，不受到一些外界的刺激是很难变化的。如果思维改变了（转换成了正确的思维方式），你就成功了一半了。要想成为一个（对公司）有价值的数据分析师，一定要从关注需求落地转变到关注业务价值实现。下面4大思维是需要我们深刻理解并熟练运用的。

（1）价值度量思维

企业是一个商业机构，企业存在的目的就是追求商业价值，这是企业的根基。数据分析师作为企业中的一员，必须要关注价值产出，价值主要体现在2个方面：一是用户价值，主要包括用户增长（激活、留存等）和用户体验（使用流畅、操作方便等）；二是商业价值，主要体现在为公司挣钱（广告变现、会员变现、商品售卖等）和为公司省钱（优化流程、提升效率、减少资源浪费等）。

作为数据分析师，对于自己负责的某个模块或者某个业务，不管是用户价值还是商业价值，一定要量化出来，只有量化的价值才是可度量的。量化的价值最好形成指标体系。

（2）闭环思维

数据分析师通过数据来驱动公司业务增长，数据的使用一定要形成闭环（提出问题

给出解决方案

方案上线

方案验证

问题复盘

成功解决问题或者引出新的问题），让数据驱动可以不断迭代下去，让（1）中提到的可量化的价值最大化。互联网公司常用的AB测试技术就是一种比较好的工具，可以辅助数据分析师在控制风险足够小的情况下更好地做出正确的抉择。

（3）漏斗思维

用户在产品上的任何一次有商业价值的操作一般是由几个相互关联的步骤组成的，这些步骤按照操作的先后顺序形成一个链条（如购物就可以拆分为浏览

加购物车

付款等几个核心环节），链条后面的步骤依赖前面的步骤（每一步都有用户流失，看成一个漏斗可能更加形象）。最后一步往往才是最关键的（即是真正产生商业价值的一步），为了让最后一步顺利进行，前面每一步都需要关注，特别是需要关注从前一步到后一步的转化，只有当每一步的转化率足够高时，才会有较大比例的用户产生最终的商业化行为（最终的商业行为的转化率是前面各个步骤转化率的乘积）。

作为数据分析师一定要有将用户行为合理地拆解为漏斗的意识和能力，数据分析师的工作是通过数据化的方法，努力让流量漏斗在向下流动的过程中保持每一步都有较高的转化。

（4）遵循抓大放小的原则

往往一个企业中需要做的事情是非常多的，有再多人的还是会觉得不够用，这时一定要分出问题的优先级和主次。一般的原则是在资源可控的条件下，基于公司当前大的目标从所有具备业务价值的需求中选择最匹配公司当前目标的需求，这类需求一般是最重要的，根据二八原则来选择最重要的2-3个需求作为当前的核心需求。怎么判断需求的价值其实也是数据分析师的核心能力之一。

未来企业运营（用户运营、产品运营、流量运营等）的趋势一定是越来越个性化、自动化、智能化、实时化的。数据分析师需要有这种意识，在工作中需要借助其他团队提供的各种工具（推荐系统、算法、实时计算等），让业务朝着这4个方向转变，让业务价值得到最大程度的提升。

2. 数据分析师的技能提升

数据分析师最频繁的工作是取数并对数据进行可视化，基础的技能需要熟练使用Excel、SQL、数据可视化技术（如Tableau）等。在成熟的互联网公司，一般90%的数据需求是可以用SQL实现的（传统公司用关系型数据库、互联网公司一般用Hive数据仓库，这些数据都可以用SQL来查询）。Excel一般大家都比较熟悉，可以说，只要是熟悉SQL，数据分析师在技能上就是胜任的。如果能够掌握Python数据分析技术或者Spark等大数据技术那就更好了。

除了上面提到的基础技能要非常熟悉外，数据分析师还需要学习一些更高阶的技能。比如常用的数据分析方法论，如留存分析、漏斗分析、归因分析、路径分析、热力分析等。另外，前面也提到，未来的数据分析师需要做很多预测性的工作，这就要求数据分析师掌握常用的数据挖掘模型，如分类、聚类、回归等。

总体来看，未来数据分析师要想在这个行业做得好、做得深入，具备不可替代性，一定要注意如下4点：

时刻关注用户价值、关注商业价值；
技术上要深入、精进；
数据分析的工作要从事后分析进化到事先预测；
对所从事的行业要有深刻的领悟和洞察，需要关注细分领域，关注行业动态；

五、数据分析师的职业发展

在本节我们来说说数据分析师的职业发展问题。数据分析师的职业可以从如下几个方向来拓展，这些方向的职业前景我会做简单介绍，希望可以给读者提供一些参考和借鉴。

第一个可选择的方向是数据开发工程师，就是做偏底层的数据基础设施的开发，如构建数仓系统、搭建数据分析平台等。这类职位一般要求编程能力好，这样才能实现数据基础设施的各种功能。该方向虽然对技术要求颇高，可替代性不强，但是随着云计算的深入发展与成熟，云平台会提供更加完善的数据基础设施，未来的企业一定会用数据分析的云基础设施而不是自己去搭建数据分析基础架构（未来的竞争太激烈，公司只有做轻才能跑得更快，否则很容易被自己给拖死）。因此，该职位未来会越走越窄，只有云计算公司、做数据基础设施的2B创业公司及极少数将数据平台作为核心能力的中型公司才会提供这类职位，笔者是不建议往这个方向转的。

第二个方向就是专门的数据分析师，即所谓的取数工程师（被大家戏称为“表哥”、“表姐”，因为每天跟各种数据表打交道）。在数据基础设施和数仓构建比较完善的公司，绝大多数数据分析的工作都可以用SQL来完成，因此，这类职位只需要熟练使用SQL就足够了（当然还需要对平台中的各种表、表的字段非常熟悉，并且对业务有一定了解）。SQL好基本就可以很好地应付各种数据需求了。该职位的日常工作主要是取数（可能还会有数据可视化的工作，如利用Tableau、第三方BI工具或者自己公司自研的可视化工具做数据报表等），这类工作没有太大的挑战，一个刚毕业的大学生，只要经过不长时间的培训就可以熟练使用SQL，因此可替代性很强，毫不夸张地说，这类职位就像是富士康生产流水线上的工人，随时都有被替代的可能。所以，笔者是不建议将取数工程师作为自己长期的职业发展方向的。

前面两个职业方向基本是不直接接触业务的，数据开发是构建数据能力平台，取数工程师是为业务方提供需要的数据。第三个笔者比较推崇的方向是商业数据分析师，这个职位是直接面向业务的，数据分析只是其中的工具，目的是利用数据分析工具分析挖掘用户行为，利用数据来进行决策，提升产品的商业价值（用户增长、用户留存、为公司挣钱、为公司省钱等）。这类职位一般会直接负责某一个商业维度的KPI指标，因此是可以直接看到自己的价值产出的。这类职位的主要工作是进行业务分析，寻找解决方案，利用数据作为工具，更好地进行商业决策。该职位需要对行业、对产品、对用户心理、对渠道发展、对运营、对变现等多种跨领域的知识比较熟悉，要有思想，有解决问题的思路，有价值驱动的意识，需要多尝试，通过借助数据分析更好地、低风险地进行决策，最终提升商业指标。商业数据分析师一般包括数据产品、数据运营、大数据团队中直接负责某类商业化方向的数据分析师等，这几个方向是笔者强烈建议读者未来应该从事的。未来公司一定是非常关注商业价值产出的，因此商业分析师是直接跟公司的目标一致的，更容易看到自己的价值产出，做得好是非常容易得到公司的重用的，也更容易升职加薪。

当然做数据分析师未来还可以往CDO（首席数据官）、CIO（首席信息官）等更高阶的职位发展，这两个职位属于公司的高层了，因此是更难、更好、更有挑战的方向，相应地，对员工的综合能力有更高的要求。

作为一个数据分析师，当工作年限比较长了，如果还是做取数的工作，还看不到发展前景，可以往销售、项目经理等方向转行，这是万不得已的选择。如果可行，笔者还是希望数据分析师转向商业分析师，个人觉得商业分析师是未来的趋势，是数据分析师最好的归宿之一。

总结

在移动互联网时代，任何个人和企业都离不开数字化技术，在数据量指数增长的同时，对数据进行分析处理的需求爆发增长，这给数据分析师创造了绝好的机会。同时，由于数据分析工作的性质及中国整个大环境的影响，数据分析师竞争压力大，可以替代强，不太容易产生业务价值，这给数据分析这个行业提出了巨大的挑战。但是，总体来说，数据分析肯定是一个好的职业选择。未来数据分析师一定要懂产品、懂用户、懂商业，能用数据分析服务好用户、产生商业价值。数据分析师一定要朝着贴近业务、贴近商业价值的方向发展，商业数据分析、数据产品、数据运营可能是未来数据分析师最好的职业选择。如果你正在从事数据分析或者准备从事数据分析，你需要提前做好准备，因为机会只会留给充分准备的人。

在这篇文章中，笔者基于自己多年的经验和对数据分析行业的思考，谈了对数据分析未来发展的思考，期望给从事数据分析和想转行数据分析的读者提供一份参考指南，更好地指导大家思考数据分析的价值，提前做好准备，在未来激烈的竞争中赢得先机。

·················END·················

万字长文 | 数据分析师的机遇与挑战