風水大師 or 企業醫生？張明明談數據分析師的職業之路

導讀：6月21-23日，2019 GIAC全球互聯網架構大會將於深圳舉行。GIAC是面向架構師、技術負責人及高端技術從業人員的年度技術架構大會，是中國地區規模最大的技術會議之一。今年GIAC邀請到了眾多佈道師、明星講師以及105位來自Google、微軟、Oracle、eBay、百度、阿里、騰訊、商湯、圖森、位元組跳動、新浪、美團點評等公司專家出席。

在大會前夕，高可用架構採訪了本屆 GIAC 數據商業化分論壇的出品人張明明，就目前大家廣泛關注的數據分析師的職業方面的問題進行了訪談。

張明明，現擔任美菜網數據運營高級總監，歷任貝殼鏈家數據運營總監、阿里巴巴商業分析專家、電力大數據公司聯合創始人。 跨國消費品公司、國企以及市場研究公司從業經歷，積累了大量商業數據研究、系統搭建與企業信息整合相關實踐經驗，對企業整合分析、市場與消費者研究、數據應用市場等有深入的理解。北京大學國家發展研究院MBA，在行高分講師。個人公眾號數據八卦仔。

張明明：我叫張明明，在零售與消費品行業十多年，期間在多家跨國消費品公司、國企以及市場研究公司工作，具有運營、市場、研究以及數據多部門從業經歷，擔任過全國商業智能經理，數據運營VP，阿里巴巴數據分析專家，貝殼/鏈家數據運營總監等職務。目前在美菜網擔任數據運營高級總監。

一名數據愛好者，積累了一些商業數據研究，系統搭建與企業信息整合相關的實踐經驗。

個人公眾號數據八卦仔，會分享數據應用的一些經驗。希望感興趣的小夥伴可以關注，共同探討提升。

張明明：個人認為從事數據分析師最重要的一點是本身需有對於數據分析工作極大的熱愛。原因是對於數據分析師，不僅需要掌握綜合技能，要求技術、數學、業務三位一體，還會要求數據分析師時刻實事求是，到業務一線去調查，這裡的調查地點有時候環境惡劣，業內有些分析師從來不去業務一線，沒有調查就沒有發言權，很難得出深入的、對業務有價值的結論；甚至得出正確的結論都存在風險。對於一名分析師來說，經常要挑戰自己不熟悉的業務場景，從現實世界中進行關鍵信息點抽象，找到聯結關係，再放回到現實世界中進行驗證，從全局到細節都需要在腦中進行診斷和判斷。

針對這樣挖掘真相的工作，會要求分析師不斷學習，也具備探索動力，熱愛是保持動力的最核心要素。所以在面試的時候，我都會跟每一位候選人說明數據分析工作會遇到什麼樣的困難，也會說明有趣的點在哪裡。希望找到可以長久在這個行業中發展的高潛力年輕人。

張明明：在企業中負責數據分析職能的人員，隨著數據在企業經營活動中的作用越來越重要，也經歷了一個演變的過程。

最開始，數據從業人員起源於信息技術部，協助各部門做一些簡單的數據收集處理工作，隨著數據日益增多，各個職能演化出專門的人員從事數據統計分析彙報工作，這部分人往往是企業內部較為初級的人員，所做工作也非常基礎，除了做簡單的數理統計之外，還承擔部分溝通協調工作，薪資收入處於企業內部較低的水平。

之後隨著數據規模增大，數據展示在企業內部形成通用語言，對於專門技能的需求逐漸形成了專業的數據團隊，比如市場數據團隊、運營數據團隊、人力、財務數據團隊等。這個時期的數據從業人員往往招募自一類院校的統計學，市場營銷學和經濟學專業，也有來自數學，物理或者其他理工類專業畢業的本科或者研究生。以外資企業為主，為該領域的人才提供了良好的培訓機制和具有競爭力的薪酬，以及優秀的發展空間，比如調任亞太總部或者全球總部從事更大範圍研究的機會。自此，企業內部專業的數據團隊，逐漸完成專業化的轉變，形成規模。

其中，市場數據團隊，發展階段處於初級階段的團隊會以嫻熟的統計軟體、辦公軟體的使用集中處理部門數據，穩定階段的市場數據團隊主要負責市場類數據分析，如市場份額，品類增長，趨勢研究，用戶增長等，一般會對接市場部內其他團隊，如媒介，產品，營銷等，支持產品定位開發，媒體投放策略，市場推廣策略制定等，對外對接外部數據公司，市場研究公司等。市場數據團隊的出現在發展階段和時間上，晚於市場調研團隊。

市場調研團隊，前期主要從事市場調查研究工作，比如，後期隨著業務需求越來越多，逐漸承擔更多的研究職能，成為市場研究中心，從屬於市場部或者獨立存在，協助市場進行用戶調研，開展所需研究工作，如創新研究，渠道研究，數字化營銷，用戶研究，媒介研究，戰略研究，ROI等。傳統企業對於調研的理論和實踐多繼承於西方的科學企業管理決策方法和市場營銷理論。此外，用戶調研這一職能在互聯網公司往往從屬於產品部門。傳統的調研團隊具體的工作有需求確認，調研設計，信息採集，數據清理，統計分析五個主要步驟，常用的調研方式有觀察法和詢問法，具體應用較多的有問卷調查，桌案研究法，小組座談法（focus group）和觀察法。大量市場數據的整合，逐漸在市場研究中心內部產生了專門的市場數據團隊。

以數據驅動的市場團隊，在互聯網時代衍生成增長團隊。這也是在大部分線上線下融合企業中，CMO和CGO職責有重合，甚至CGO替代CMO的本質原因。

由於支撐企業最大的利潤中心，與業務直接且密切相關，企業內部規模最大的數據團隊，往往是支持銷售工作的銷售數據團隊。在強執行力的企業中，銷售數據團隊往往在各級管理層與銷售團隊中均有人員編製，直線向企業總部經營負責人COO彙報，虛線向當地銷售團隊彙報。銷售數據團隊一般可分為銷售工程團隊，需求預測團隊，物流效率團隊，渠道商（主要是中間渠道商，如供應商等）數據團隊，績效管理團隊和銷售信息團隊。

• 銷售工程團隊負責系統的開發統籌，需求反饋，模塊更新等，一般採用外包的形式，對接外部系統開發商，系統諮詢公司。

• 需求預測團隊會根據各地銷售的實際情況預測未來的生產需求，從而進行供應鏈的管理和生產優化，對於預測數據的準確度要求很高，對接銷售團隊與工廠管理團隊。

• 物流效率團隊負責管理從工廠到各地的倉儲物流進度，效率管理和優化，倉儲物流合作商管理，優秀的物流效率團隊還會推進物流商基於業務需求開發專屬物流工具，制定物流方案。

• 渠道商數據團隊負責合作的渠道商分級和管理等，比如，渠道商區域管理範圍的劃分等，績效管理團隊負責制定各級銷售團隊的績效規則，並負責核算績效，同時承擔部分人效和編製原則制定和評估工作。

• 銷售信息團隊則負責給各級團隊提供業務分析並支持各級銷售決策。與此同時，財務部和人力部出現少量的專門從事數據分析的人員。

在這段時間裡，幾乎所有部門都設置了自己的數據分析崗位，數據分析人員大量增多，在一定程度上解決部門內部的信息需求，然而不同的分析立場、角度、內容和能力導致各部門輸出的決策無法融合，甚至南轅北轍，不同的分析標準、邏輯、體系，以及接駁環節的缺乏也讓部門間的信息溝通無法有效進行。很多管理會議討論到最後才發現分歧產生的原因來自彼此間的數據定義不同，經營會議變成了數據會議。

隨著企業內部數據的大量出現和解析的複雜性，衍生出了專門處理數據，承擔分析職能的商業智能(BI, Business Intelligence)團隊。傳統企業里的商業智能部一般直接彙報給CEO，主要負責公司內外部所有信息的整合分析，通常需要同時具備資深的業務經驗和數據分析能力，協助企業高級管理層，董事會完成經營分析，市場決策。商業智能部的經營分析往往會覆蓋市場部、銷售部、客戶服務部、人力部、財務部多個部門，並負責管理會議、董事會會議上的經營彙報，並提供預算分配，目標制定建議，同時，提供市場行業研究，競爭對手分析，並提供企業戰略、策略支持。

互聯網企業里的商業智能部，職責範圍略有不同，大部分跟戰略發展部獨立，主要承擔經營分析工作和支持CEO的研究需求，並拆分出支持各個業務線的BI，在支持業務線發展的同時協助CEO及時了解各個事業部的發展，並進行戰略，策略的上傳下達，溝通推進工作。經營分析的範圍往往不涉及人力財務，而主要集中經營業務層面。互聯網公司數據的豐富性，讓企業內部每個人都具備使用數據的能力，在這個階段，似乎「人人都是數據分析師」，所有的內部溝通和決策均廣泛的使用數據來溝通。實際的工作中，為了得到靈活且客觀的結果，互聯網公司均有專業的數據團隊，一般分為演算法，技術，分析三個主要職能，承擔底層數據獲取（數據埋點），建立數據倉庫與中間層，建立指標與指標樹，開發數據分析工具，提供整合數據分析，以及數據可視化。除了按照職能來分，還會按照業務、事業部，分成支持不同業務單元的分析師。

到近些年，企業內部數據整合的需求催生了首席數據官(CDO, chief data officer)的出現，雖然在發展不同階段里的企業里，數據所屬於階段也不同，就算同樣的職位名稱「數據分析師」，其實際所從事的具體事務也大相徑庭。其本質是，企業不斷開創和建立數據組織，以期望從數據中獲得有用的信息情報。隨著數據在企業內部進一步深入和應用，預測將依次產生兩個新的職能，新型的數據運營團隊和數據價值團隊。

對比傳統的運營團隊，新型的數據運營團隊提供了效率更高的運營模式，無論從人力需求、響應速度、培訓成本上都具備明顯的優勢，需要藉助數據做決策的環節會直接由數據做決策建議，人僅僅只需依據標準參考值和實際產生值做決定即可。由於數據是商業世界的通用語言，溝通和協調的工作可以全部由數據完成，從而極大提高運營效率，傳統企業里幾十人的運營團隊的工作，在搭建完數據運營模式之後，往往只需要四至五人即可。在未來五年，企業將出現很大一個趨勢是，運營數字化，這一趨勢里蘊含著巨大機會。在此基礎上，會出現統籌整個企業數據工作的數據價值官(Data Value Office)，這一職能不僅僅是管理企業內部的數據，數字化運營企業，還會結合外部各類情報信息，整合解析，運用數據為企業創造價值，並最終為企業的利潤負責。

數據運營在替代傳統運營的同時，會拆分為追求增長的市場/用戶運營（增長線），以及，提升內部效率的銷售運營（運營線）。目前已經普遍存在的BI部門則仍會繼續存在，以管理層智囊決策層的角色切入日常運營，從某種意義上說，承擔的是企業內部各職能部門統籌整合的決策運營，未來或屬於數據運營的一部分，支持頂層。

王淵命：再問個比較實際的問題，這個職位的前景如何？薪酬大約是什麼樣的水平？

傳統企業的數據分析師薪酬分為兩部分，基準工資與業務績效。

直線歸屬的數據部門決定招募、定級、基準工資水平；虛線歸屬的業務部門是人員的實際使用部門，分析師的績效與所支持的業務績效掛鉤。比如，支持城市的數據分析師，如果城市的目標完成，分析師也會獲得績效激勵，支持全國的數據分析師，只有全國的績效完成，才可以得到績效激勵。與傳統企業不同，線上企業的絕大多數數據分析師的績效不與其支持的業務掛鉤，而來源於周期性的管理層定性評價。由於並不用為自己的分析建議引致的結果負責，分析師往往只會完成上級交代的工作，而對於分析結果對於業務的實際作用不做深入的理解及評估。這一點，有點類似內部的諮詢公司，基於需求方的要求，提供數據諮詢服務和支持的角色，但是不為結果負責。這裡涉及數據分析師的定位問題。

無論是在傳統企業，還是互聯網企業，好的數據分析人才在內部均成為稀缺的資源，對應的企業數據多樣的需求與高強度的工作。成熟的數據行業人才，更像經驗豐富的企業醫生，為企業診斷關鍵所在，提供解決方案，對症下藥。由於數據行業屬於新興行業，並在這幾年逐漸趨於成熟，海內外院校在2016年開始逐漸開設商業分析專業以應對市場需求，以香港大學商業分析(MSBA, MSc in Business Analytics)為例，課程長度為1年，2個學期，課程費用為25萬港幣。從課程上可以看出，對於BA的技能培養，覆蓋了三個方面：信息技術能力，數學計算能力和商業理解、經營能力。不僅教授基礎數據涉及的技術和語言，還會涉及數學建模，其中，非常具有應用性的開設了市場、運營、財務、供應鏈數據相關課程，並以商業智能分析為主修核心課程。這一設計基本滿足了市場需求，並為商業分析人才在未來快速構建成形的數據世界裡發展提供了能力基礎。

張明明：優勢是技術能力比較強，劣勢是業務感可能較弱，對於業務模式的體系化思考會欠缺一些。

Sql/Python是常用語言，有優勢會加分；在補全業務感上，推薦兩本書給計劃轉型的技術同學，《商務智能：數據分析的管理視角》這本書已經出了好幾個版本，我都有購買，乾貨很多。想學習的同學購買最新版本即可，機械工業出版社的《市場營銷原理》，[美] 菲利普·科特勒。

除此之外，建議學習一點經濟學，對於物理世界的抽象化能力提升會很有幫助。分析方法多以基礎數學作為基礎，統計學應用最多。大數據技術轉型分析師可以先從場景化的問題著手，比如搭建預測演算法並評估效果開始，逐步擴展到更廣闊的商業分析中去。

王淵命：

張明明：跨國消費品公司的系統能力強，SAP、Salesforce、PowerBI、Tableau的應用率高，同時擁有沉澱多年的分析框架，體系化強，對於不同的業務場景均沉澱了一些經典的分析方法論，部分模型已經固化到系統里，同時還擁有靈活友好的全球分享機制，模型庫等。無論是分析工具還是分析方法論都更依賴公司歷史的沉澱而非分析師本身的技術。

互聯網公司里，個人認為阿里是當之無愧的國內數據環境最佳的公司，無論是底層數據質量，還是工程師們做出的燦若星辰的各種各樣數據產品，雖然可能有一部分數據產品開發了之後應用不多，不過，仍然有大量的優秀數據產品出現，靈活又輕量級的分析師工具。

互聯網的分析方法中有一部分是來自於跨國消費品人力的加入帶入的方法，大部分是來自分析師基於業務的理解進行個性化的探索，相對跨國公司的分析方法來說，體系化較弱，不過優勢在於靈活，應用性強。

張明明：數據分析不能證偽是一個偽命題。數據分析可以證偽。

由於業內存在廣泛的數據分析結論沒有得到應用的情況，導致這個誤區。不應用於業務的數據分析結論沒有意義，沒有形成閉環。在目前的情況下，數據運營和商業分析最大的區別在於，數據運營需要將數據分析應用在實際的業務場景下，測試結果，並最終獲得價值，同時還需提供價值評估。

針對同一套數據，不同人得出不同結論的問題。這裡有2個層面的關鍵：

1. 對於業務理解的深入程度

2. 對於數據的敏感性

均會導致以上偏差，我有時候被問起職業的時候也會說自己是做大數據算命的；其實比起像看風水的，數據分析師更像企業醫生，有醫術高超的，也有醫術一般的，關鍵在於日常的積累和醫生本身的修養，是否嚴謹，是否客觀，願意說出真實的情況，也懂得在不同的時機進行適當的表述。

希望數據分析師都能成為好醫生。

王淵命：

張明明：數據屬於互聯網的後半場，主要是用於效率的提升，無論是提升用戶獲取的效率，還是降低運營的成本，協助決策，都在為公司提供實際的價值。有公司把數據產品做成公司內部付費產品，來量化數據的價值，內部員工如對數據有需求，需要付出積分或者真實的現金進行購買。對於量化和顯性化數據價值很有幫助。

張明明：數據商業化場很有趣，內容也很豐富，我們邀請到了3位非常給力的講師，他們是：

CBRE世邦魏理仕 大中華區研究部主管 蔡詠嘉Ada.Choi

廣州圖匠數據科技有限公司 聯合創始人兼CTO 黃耀鴻

永洪科技 研發部CTO 邵文龍

蔡詠嘉女士從事亞太地區地產市場研究工作逾十年，發布過多篇區域研究報告，並為全球五百強企業和主要國際性地產基金提供房地產策略建議，專長領域包括寫字樓、零售物業、資本市場等。加入世邦魏理仕以前，她曾在港交所等機構從事金融市場研究。

黃耀鴻碩士畢業於中山大學，大數據及人工智慧應用資深開發者、AI 工程化專家、福布斯中國30U30精英榜、新銳精英人物、曾任新三板上市的大數據公司「數說故事」聯合創始人及技術負責人， 2016年作為聯合創始人共同創立ImageDT，帶領公司演算法團隊和研發團隊，研究出業界領先的人工智慧商品識別演算法，並實現在消費品零售領域的快速落地。

邵文龍畢業於北京交通大學，電子工程碩士學位。北京大學國家發展研究院MBA。十年來一直在通信和軟體跨國企業擔任重要研發管理職位。在加入永洪之前，在VMware北京研發中心擔任研發總監，成功組建桌面雲研發團隊，研發的iPad桌面客戶端在蘋果應用商店免費商業應用軟體中下載量曾排名第一。擁有8項美國專利。

這裡也介紹一下我的議題：如何應用數據為業務帶來商業價值。

由於企業內部現在數據量逐漸增多，各行各業都想挖掘這一企業內部存在的金礦，卻苦於沒有辦法和方案，我的議題主要想解決這個痛點，基本上聽了回去就能做起來。內容豐富，期待對於數據商業化感興趣的同學們一起來探討溝通。深圳見！

喜歡這篇文章嗎？立刻分享出去讓更多人知道吧！