难找,也难招。
我觉得会有这么几个方面的因素:
1、缺乏职业的认知。大部分人,对数据分析的职业发展、工作内容、职责边界、价值创造都不太清晰,往往是人云亦云,应该会什么、要会什么,说不清楚、讲不明白。
2、都在做数据需求。在做数据分析的时候,大部分情况可能是糊里糊涂的做了事情,把需求解决掉了,平时不复盘,也不交流,到面临选择的时候又不知道接下来该往哪个方面提升,怎么提升。
3、AIGC大模型挑战。大模型会替代分析师么?会,而且是颠覆性的。以前要写的SQL、Python代码,以及一些基础性的数据整理工作,都可以让AI工具替换掉。
不得不承认的事实,在这个时代下,数据分析群体正在面临着职业上的挑战。
要从事数据分析的职业,再到把数据分析做好,还是需要有一个全面的认识和了解。了解头部的分析师都在做什么、忙什么,可以提前做好知识储备和技能学习,拿到更好的机会。
建议全面了解数据分析内容,谋而后定!
可以做个对比,下面说的是不是都会了,一些案例引用了《数据分析实践》书里面的配图,供参考。
数据分析的岗位职责
了解不同类型分析师的职责,有助于快速瞄准方向。
-
数据分析师:侧重于商业化分析。工作内容主要围绕企业的经营状况展开,涉及所在业务领域现状及机遇探索,与收入、净利休戚相关。根据工作内容,可划分为两种类型:一种是偏"防守方向"的经营分析师;另一种是偏"进攻方向"的战略分析师。
-
经营分析师:主要负责对业务的营收状况、财务健康度进行监控,并根据内部财务数据,探索未来发力点,反推业务进行改进优化。
-
战略分析师:主要负责俯瞰公司业务市场份额、监控竞争对手动向、探索市场机遇、思考如何扩大自身在市场的影响度。通过公司内外数据,提出对业务发展有战略意义的建议。
日常的分析工作内容
数据分析的工作内容主要包含五个层面,分别为数据埋点层、数据仓库层、数据分析层、数据BI层、数据报告层。
从专项分析上看
- 指标体系
做数据分析,最重要的事情是找到可度量、可衡量的指标,一语戳中。
- 分析结论
一个避讳:只做分析,不下结论,等于纯工具,价值不高
- 指标统计
添加图片注释,不超过 140 字(可选)
知识品类年龄越大,消费越充足;
明星、运动品类,年龄越小,消费越充足。
年长群体的兴趣分布相比年轻群体更广,绿色占比越多,说明在多个品类都更加偏向,兴趣更为广泛。
- 指标分析
- 趋势分析
- 拟定策略
深入业务:数据来源于业务和产品,作用于业务,发现问题之后,拟定不同的策略推送给不同的用户,他们感兴趣的内容,或者想要他们知道的内容。
添加图片注释,不超过 140 字(可选)
- AB实验
- 算法特征
要降本提效,一定离不开算法和大模型,而在实际场景中对算法的实践非常依赖业务特征的抽取和提炼。
数据分析面试
面试成功的关键在于细节,面试前的准备阶段至关重要,直接决定面试成功的概率,因此需要在
此环节多下些功夫。
自主学习路径
推荐一个学习路线:
了解数仓、深入分析、深度挖掘、学会画图、擅用工具,最后是学会演讲和说话
小结
更多的信息可以看一下《数据分析实践》这本书,一定会有一些帮助和启发。