查看原文
其他

你有多少数据竞争力?

傅一平 与数据同行 2021-10-16

有处在十字路口的数据职场人写信给我,谈到了职业发展的困惑,谈到了能否跳槽,这是个沉重的话题,今天就来聊一聊,权当回信吧,仅作参考。

从技术通道讲,数据岗位大致分为5类,不同的行业分法和叫法可能不同,大家意会就行,当然管理人员不在讨论范围之内。

1、数据分析师:也可叫作经营分析师,比如撰写经营分析报告,这类工作大多在业务部门,其主要的工具是EXCEL及PPT,基础数据大多需要技术部门提供,可能自己也掌握一些可视化挖掘工具,比如SAS或SPSS,当前跟数据挖掘师的边界开始模糊,互相渗透吧,其核心使命是为公司决策提供服务。

2、数据挖掘师:主要基于数据仓库或大数据平台,通过挖掘算法进行模型的创建和学习,其与经营分析师有很多相似之处,比如都需要理解业务、数据和场景,最大的区别就是具备较高的开发技能,比如掌握了Python、Scala等挖掘语言,能够操作专门的挖掘平台等等,现在很多的岗位如数据科学家啥的,都同出一脉,其核心使命是挖掘数据价值为应用服务。

3、数据开发师:主要根据业务的要求提供取数或报表开发支撑,其在各个行业都是非常庞大的群体,与数据挖掘师的区别就是一般用不到挖掘技能,比如用简单的SQL就能搞定,一般数据挖掘师都经历过数据开发师这个阶段,其核心使命是完成数据需求。

4、数据架构师:这类人员是数据仓库或大数据平台的数据建设和运营者,负责数据的采集、建模及治理,注意这里的建模是数据仓库建模,不是指数据挖掘,其核心使命是建设一个可用的数据系统并确保数据可用。

5、平台架构师:负责数据仓库或大数据平台各类产品的规划和建设,很多时候,其包含了数据架构师的职能,其核心使命是满足数据计算、存储和查询要求。

很多公司没有分这么多岗位,要么是一人承担多种工作,比如数据架构师和数据开发师混编,数据挖掘师和数据分析师混编,要么没有相关岗位,比如没有数据挖掘师,虽然很多岗位是想通的,但其实每类岗位专业技能要求还是有所不同,如果你想做精做深,就需要明白其中的区别,明确自己真正的专业方向,不同企业同样一个数据分析师的称呼,做的可是天壤之别。

比如大家看到大数据很热,以为自己在企业也搞数据,就认为很有竞争力,但仔细剖析一下,就会发现诸如BAT招聘的数据分析师根本不是你以为的数据分析师,大多企业搞数据的其实都不能胜任,因为混淆了概念。

如果你搞清了自己归属哪一种类别,我们就可以来谈谈具体的要求和评估下自己所处的阶段。

吴军把工程师分为五个等级,第五级是能独立完成所分配的工作,第四级是能指导和带领其他人一同完成更有影响力的工作,第三级是能够独立带领人做出一个为公司挣得利润的产品了,第二级是能够做出先前没有的东西的人,第一级是开创一个产业的人。

当然我们不需要像吴军定义的那么的高大上,笔者也只是针对5年以内的数据新人所处阶段给个大致评估,数据科学家或资深人士啥的超出了范围,而且数据工作越往后越强调创造性,因此没法评估。

1、数据分析师的基本要求是懂企业的业务和数据,具备写报告的能力,所处的阶段,跟自己所处的企业强相关,你提交的经营分析报告能够呈送到公司哪一层,就代表了你的水平,比如你主要为科室写,就代表了达到科室的水平,如果你的报告能在公司的市场经营分析会发表,就代表了公司的市场水平,如果你的报告给老大,就代表了公司的水平,经营分析报告考验的一方面当然是你的数据分析水平和业务能力,但更考验的是你的沟通力、理解力和表达力。

数据为根,领导为本,数据分析师从事的工作也算是一门艺术。

2、数据挖掘师所处阶段很难划分,纯粹从技能的角度看,第一阶段是能理解业务和数据,能熟练的处理数据,以经验导向去打造一个模型,这算是入门了,第二阶段是对统计学有一定理解,掌握专门的挖掘引擎,能采用更为科学的方式去打造一个模型,第三阶段是自己搞算法去创造一个模型,这在很多应用型企业不太需要,基本上是数据科学家要干的活了。

上面仅仅是从技能的角度做了划分,数据挖掘最终还是要效果导向,无论你掌握了什么技能,最主要的评估依据是创造了多少效益,即使你经验导向,模型没有采用什么算法,但只要效益高,就可以称是个好的挖掘师,因为你拥的数据和业务经验足以弥补挖掘技能的短板。

传统数据挖掘业务理解和数据处理占到了70%以上精力,因此技能要求并不是那么苛求,但随着大数据的来临,海量数据处理、机器学习的技能要求会大幅加大,比如计算优化啥的,这已经不是业务经验所能弥补的,要靠一定的技术,很多互联网公司对于数据挖掘师都提出了相关的技术要求,由此可见一般。

3、数据开发师本质属于开发人员,就是俗称的码农,只是他操作的平台大多是数据仓库类OLAP平台,使用的语言大多是SQL,展现的方式大多是报表、指标或清单,业务和数据理解力基本代表了其开发水平,因此,评估的方式既有传统的开发人员的及时率啥的,也包括数据准确性等指标,公司的运营报表,KPI指标都依赖于代码质量,影响也不可谓不大。

数据开发师的技术通道较窄,除了上升为管理者,常见的是转型成为数据架构师或数据挖掘师。

4、数据架构师相对于数据开发师内涵更广,视野更宽,其致力于企业数据的采集、整合和治理,如果说数据开发师侧重于满足一个个数据需求,数据架构师则侧重打好数据基础,为前者提供更好的服务保障,我们通常说的数据仓库建模、数据质量管理、元数据管理等等,都是其工作范围,阿里不是在提打造小前台,大中台吗?那么数据的大中台谁来打造,就是数据架构师,可以这么说,数据架构师是公司数据资产的总体设计师。

注意数据架构师和大数据架构师是两个概念,大数据架构师前面的大数据是大数据领域的概念,一般是指大数据平台的架构师,数据架构师的数据才指真正的对于数据的规划。

数据架构师的评估比较难,因为领域覆盖很广,很多企业实际将其职能分散到了多个人手中,比如数据仓库由项目经理建设,数据治理工作则让运维人员负责,这导致了建设和运维的脱离,两张皮现象使得数据治理工作很难真正落地,实际上数据管理领域是最需要DevOps的。

基于实践的认知,笔者觉得初级的数据架构师一般只具备单点能力,比如能规划企业的数据蓝图,能完成企业相关数据管理规范的制定,或是能完成一个数据仓库、数据质量或元数据项目,优秀的数据架构师则能贯通管理、开发和运维线,让数据规范能在实践中真正落地。

没有做过数据开发,就不要轻易让人做数据架构,很容易眼高手低,那种没做过数据仓库的,一上来就谈数据管理的,大多也是无法落地的。

5、平台架构师就不用多说了,完全技术导向,如果懂业务和数据更好,不懂也没关系,一般的技术控走的都是这条路线,之所以将其纳入数据人的范畴,是因为大数据时代系统和数据耦合性越来越高,诸如深度学习、人工智能什么的,算法能否高效,已经不仅仅是个数据问题,也是个平台问题。

但即使你有了很强的能力,也并不代表你对外就有竞争力,比如你在一个企业内可能很厉害,对外却是一文不值,因为你的能力在自己的企业可能是稀缺的,独特的,但对外则要遵循市场的供求关系。

有了这些铺垫,我们就来谈谈数据人跳槽的可行性问题,不同的数据岗位行业需求不一样,决定了你的实际竞争力。

如果你的数据技能越通用,意味着社会需求就多,如果再加上你不俗的能力,你对外就有相当的竞争力。

相比较而言,当前外部最稀缺的是数据挖掘师和平台架构师,大家在招聘网站上看到的,大多都是这类岗位,大数据时代到来,让具备这类技能的数据人员有很大的跳槽优势,这是一条路很宽的康庄大道,如果已经走在这条道上了,就持续的提升这方面的专业能力吧。

每个行业这类岗位的优秀人员,往往是在企业内部的平台上千锤百炼出来的,实践经验很丰富,决定了较其他没有环境的读书派,自学派有独天独厚的优势,比如数据挖掘师,假如你所在的企业有海量的数据,就要用好这个优势,无论于甲方乙方。

数据分析师(经营分析师)实际是最难跳槽的,因为你的专业知识跟你所在的企业相关性很大,你理解的业务和数据可能仅在你的企业有用,如果换了一个企业,知识体系可能需要推倒重来,当然很多数据分析师养成了很好的逻辑思维能力,也有很好的方法论,但这个属于管理层面的技能了,外面评估你也不再会是专业技能,而是你所在企业的职位高低了,因此,你懂的。

数据开发师包含了我们广大的表哥群体,但很遗憾,从专业技能的角度看,在外面也没有什么竞争力,你熟悉的业务和数据圈子太小了,报表和取数实际也并不需要太多的专业技能,如果不想做管理,建议逐步往数据挖掘师、平台架构师进行转型,数据开发师在日常工作中会接触到很多的平台技术,要抓住参与的机会。

最后,谈谈很纠结的数据架构师,也是写信给我的同仁当前所做的工作,从来信中感觉她更侧重于数据治理方面。

从数据建模的角度讲,业务为王,毕竟数据仓库都是分主题的,不熟悉业务和数据就不要来做数据仓库,决定了在数据仓库方面的能力只能在所属的行业有竞争力,比如笔者就没看到过金融行业的建模团队可以马上转到通信行业建模的。

从数据治理的角度讲,虽然其有一套方法论,但笔者没有看到过有专门的外部数据治理团队能从天而降来做好我的企业的数据治理的,销售数据治理产品还可以,但具体的数据治理工作还是依赖自己企业的人员,其牵扯的企业环节太多了。

因此,如果做数据架构师,还是很能锻炼能力的,但数据架构师属于练内功的事情,离业务远了一点,价值较难评估,导致在一些企业并不很受重视,同时数据架构师蛮吃行业,一般企业不会冒险去对外招聘一个数据架构师,毕竟首先得理解自己企业的数据。

但未来数据架构师行情看好,因为大数据成为企业的资产,数据资产管理工作举足轻重,笔者从BI时代走来,深刻感觉到当前企业内的数据架构师变得越发重要,成为稀缺的人才。

以上五类还有一个转型或升级方向是去做数据产品的相关岗位,比如售前啥的,如果你沟通表达不错,善于与客户相处,加上你已有的数据背景,当然这个没有客观评定的标准了,身边这类例子还是蛮多的。

总之,1-5年的数据人,需要客观的认识这五类数据工作的性质,明确自己的专业发展方向,虽然我们强调综合性人才,但对于数据类工作一定要精通一门,知道自己的擅长和局限之处,不要好像什么都懂一点,但其实哪样都不精通,这是大忌,其实任何一门只要沉下心去做,达到出类拔萃的境界,就不会受上面所说的一些限制了。

如果真得想换个环境,其实可以看看招聘网站相关的要求,大致也可以了解自己的竞争力如何,应该如何改进,希望能给予一些启示。

历史足迹

传统BI的认知:

《经分伙伴,我们如何携手度过下一个十年?》

《我们需要什么样的ETL?》

BI一线管理者的二次创业?

《十幅图读懂BI自助取数系统!》

《为什么传统BI没前途?》

《为什么BI取数这么难?》

《BI自助取数是怎么炼成的?》

《报表系统的雄心? 》

《重新认识数据可视化》

《为什么数据挖掘很难成功?》

《如何才能做好一张报表?》


大数据的实践:

《业务人员的革命:从大数据运营是一台“戏”开始》

《我们需要什么样的大数据培训?》

《大数据需要什么样的合作伙伴?》

《不忘初心,大数据不是IT的狂欢!》

《大数据,悟道2016》

《我们缺什么,一次大数据头脑风暴的启示!》

《一个大数据应用是如何炼成的? 》

《一只传统企业大数据平台团队的绽放!》

《大数据,为什么不是传统BI的简单升级?》


数据管理的领悟:

《一本数据字典的三生三世》

《思考|谈谈数据管理的原则》

《重装上阵-大数据管理的实践和思考》

《我如何完成一本企业数据字典的编写!》

《为什么数据管理工作很难成功?》

《七幅图读懂企业的数据字典》

《六把武器? 谈谈DT时代的大数据资产管理》


数据人员的修养:

《这五个灵魂问题,解决BI新人80%的困惑》

《数据分析师的自我修养》

《为什么有些人用3年的时间获得了你12年的数据分析经验?》

《经营分析师如何进一步提升自己的境界》

《数据从业者与PPT的进阶》


运营商大数据:

《浙江移动发布手机终端大数据分析报告》

《联通的大数据反欺诈,依赖互联网公司靠谱吗?》

《电信运营商的反欺诈系统不会侵犯用户隐私!》

《DPI大数据之战,运营商的艰难抉择》

《PK BAT大数据?谈谈运营商大数据的价值》

《唯有数据创新,运营商才能实现大数据变现的突破》

《逆袭 | 运营商吸引大数据人才的七个优势》


我的读书笔记:

《理解深度学习的钥匙–参数篇》

《理解深度学习的钥匙 –启蒙篇》

《读吴军的智能时代

《如何清晰的理解区块链?》

《我如何理解深度学习?》

《进阶: 产品启示录》

《黑客帝国的前奏:工业大数据的崛起》

《互联网广告:大数据变现的颜值担当》

与数据同行

ysjtx_fyp

长按二维码识别,关注此号!



视频 小程序 ,轻点两下取消赞 在看 ,轻点两下取消在看

您可能也对以下帖子感兴趣

文章有问题?点此查看未经处理的缓存