最近听到一期播客，牛油果烤面包的《互联网公司的数据分析》，说如果企业考虑裁员，优先会考虑裁掉数据分析师。想了想，我比较认可。下面说说我的理由。

如果只是 1-2 名数据团队，并且归属到业务组。向业务主管汇报（产品/运营/市场主管）。日常 SQL 取数，整理 Excel 报表，做常规分析。项目发起、决策、流程把控都属于业务角色。这种情况，对于数据分析师来说，既没有技术能力沉淀（业务部门也不考核，也不会要求技术能力有多厉害），也不能主导业务决策，甚至很少参与（推广资源在运营手里，产品主导权在产品手里）。裁员肯定优先裁数据分析师…

实际情况里，没多少数据（或数据思维）的公司，自然也没太多可做的东西。能力强的数据分析师，也不会去这类公司。所以这里还有一点，站在公司角度，需要做什么事情，就招什么水平，很正常。问题出在「数据分析师」这个Title 被概括了。细分应该是「Excel 分析师」或「策略分析师」或 「Python建模分析师」之类。不然就和只会切图的前端工程师一样。都是这个 Title，其实并不一样。

说到数据分析师的价值。得先说数据应用。数据应用的前提。一方面是要有一定规模的数据。巧妇难为无米之炊，如果仅几千个数据总量，也没有必要用到 A/B Test。另一方面是要有数据经营的意识。最后才谈数据的具体应用。

数据应用体系层级，在《用户画像：方法论与工程化解决方案》这本书有提及，大意是：

  • 第 1 层。基础平台搭建。需要做到数据平台建设、数据仓库建设、统一 SDK；
  • 第 2 层。报表与可视化。应用到可配置数据报表以及报表的可视化展现；
  • 第 3 层，产品运营与分析。可以让业务同学自助提取数据，以及做好报表分析工具；
  • 第 4 层，精细化运营工具。应用到用户行为分析、用户画像、数据挖掘、个性化推荐；
  • 第 5 层，战略决策。把数据结论用作战略决策论据。

这是数据的价值。再聊到数据分析师的价值。之前看到 Google 有 EOI 的说法，按照这个说法可以覆盖数据分析的任务范围。划分方式：

  • 对核心任务来讲，数据分析是助力（Empower），帮助公司更好的盈利，提高盈利效率；
  • 对战略任务来说是优化（Optimize），如何能够辅助战略型任务找到方向和盈利点；
  • 对于风险任务，则是创新（Innovate），努力验证创新项目的重要性 。数据负责人需要对公司业务及发展趋势有着清晰的认识，合理分配数据分析资源、制定数据分析目标方向。

EOI 是以项目阶段的形态来分，它能帮数据分析师厘清项目重点。但 EOI 解决不了文章开头数据分析师的尴尬情况。最终，我自己的解是：

  • 往数据挖掘、数据技术相关方向发展。这个方向空间大，可以钻研得更深。既能提高决策质量，也能提高技术能力；
  • 加入数据中台团队，而不是零星的散落在业务团队。数据中台团队有横向/纵向发展路线，空间也更大；
  • 业务方向发展，最终也许会成为策略分析、策略产品；

当然还有另外的商业数据分析之类，那些已经更倚重业务/行业了，这里不讨论。