要麽強化用數據去解決問題的能力,成為 復合型人才 (如戰略分析師),要麽以技術開發為核心,成為 技術型人才 (如數據科學家)。
具體解析可以參考下文:
客觀而殘酷的事實是:
大部份數據分析師職業發展前景堪憂!
原因在於數據分析師及商業分析師等職業,它們的 高就業率是和其大部份成長性較低的屬於後台性質的崗位繫結的 ,而若想要找到 具備較高職業成長潛力的技術類中台工作 ,門檻很高(數學、電腦軟體工程或強相關專業的博士),得有相當強的數學和編程方面底子,顯然大部份從業者並不滿足。
(關於前中後台的詳細解析,可以參考這篇文章:陳思煒:【精】為何很多人不願做後台工作?——一文帶你分清「前中後台」(共8602字,各行業通用))
此外數據分析師的 市場需求 其實並不大:
因為能產生海量一手數據的行業終究是 少數 ,如生物(大健康)、金融、部份制造業、互聯網......
而有能力搭建一整個獨立數據團隊的大型公司更是少數中的 極少數 ,因為從成本方面考慮,大部份公司的數據收集和分析要麽交給 第三方 ,要麽幹脆把這部份工作拆分給 其他部門 。
結合以上兩點就會出現這樣一個 尷尬的場景 :
數據分析師的工作內容
關於大部份數據分析師的日常的工作,包括以下 內容 。
先把數據從一個個 「小池子」搬到「大池子」 裏,包括數據預處理。
然後找出不同數據之間變化的聯系, 線性 的最簡單,要麽xxx增加ooo減少,要麽xxx增加ooo增加:
非線性 的復雜些,一會兒xxx增加ooo減少,一會ooo增加xxx也增加,又一會增加得快,一會增加得慢,或種種指數型函式......比如像 下圖 的種種曲線:
更復雜的,加個生命周期,搞個不同使用者分層,數據量要大些,整個機器學習聚類......
95% 的數據分析師從事的都是這些 重復性、機械性高,思考性、不可替代性低 的工作(往往在 半年到一年 裏,就學不到也接觸不到新鮮的工作內容了),而不是更具創造力和深度的 演算法設計 或 決策制定 。
說的更直白些,他們的工作只是 把數位「搬」到領導眼前 。而數位背後展現了什麽現象,暴露了什麽問題,更進一步怎麽去利用現象、解決問題,服務於更大的商業目標, 這些更有價值的工作卻極少涉及 。
冰冷的數位 體現不出數據分析師們的價值與智慧,加之大部份的數據分析師只是「指令」的接收者和執行者,就更別提進一步建立 「人與人」之間的連結與信任了 。
數據分析師會被代替?
既不具備高端的技術中台能力,也沒有與人打交道的前台能力,那麽大部份數據分析師在 職場中的不可替代性便不會很高 ,這意味著市場上隨時都能找到 更高效率 、 更加穩定 、 更加廉價 的勞動力,在過去這被叫做「35歲職場危機」,而隨著AI技術的發展,這場危機只會來得更早,甚至替代你的也無需是人。
前段時間,ChatGPT出了一款叫 「Code Interpreter」 的外掛程式,操作者只需要提供 數據 和所期望的 研究方向 ,它就能自動編程、生成模型、得出統計意義上的結論甚至圖表。
不客氣的說,就上述的這些功能便已能勝任一位低端數據分析師 近六成的工作量 ,而這只是它的alpha測試版。
AI比起學會你的技能(數據分析)並 替代 你,它甚至會讓你引以為傲的技能 變得「廉價」 ,讓人人都能以極低的學習成本成為「數據分析師」。
就像算盤被小算盤替代,而小算盤又被電腦替代一樣, 單一維度的技能 ,隨著科學技術的發展,終會被「自動化」成一個個小的模組,從而囊括進更大的系統裏。
因為只有當過去的技術被最佳化成 更簡潔、更易於操作的「工具」 ,下一代人才能以更低的代價去學習和使用這些「工具」,借以提高自己的產出效率,有精力和能力去解決新問題,再在未來創造出新的「工具」,供後人使用,解決更新的問題,這便是人類文明不斷延續、發展的 底層邏輯 。
所以, 數據分析師的落寞實際上是人類文明發展的必然結果 ,但好在這不會是一個很快的過程,數據分析師所辛苦掌握的技能並不會頃刻間就變得一文不值。
可能的未來
在未來,大部份公司不一定會簡單粗暴地采取 直接裁員 ,而是先進行內部崗位上的 結構調整 。
隨著當下AI的發展, 每個數據分析師的效率都會大大提升 ,那麽假設原本 100人 才能完成的工作量,如今只需 60人 就能搞定,該職位的總人數便會逐步從100人調整至60人左右。排除個別人主動轉崗(而非被淘汰),那這60人大機率會是100人中能力更強的60人,自然該職位的平均薪資也會有所上漲。
另外的40位數據分析師們則會面臨以下 幾種情況 :
1. 發揮自己的數據解讀能力,
調配到 營運崗 中的策略營運部門,
可能 調崗降薪 。
2. 發揮自己的編程能力轉到 開發崗位 ,
可能 調崗漲薪 。
3. 沒有任何可以勝任的崗位,
無奈吞下被 裁員的苦果 。
隨著原本數據分析師的從業者去到其他崗位,其他崗位的人員數量也會受到影響,隨即產生 一連串的人員變動連鎖反應 。
如此看來,這是一個組織 牽一發而動全身 的過程,表面看是單一崗位的沒落,實質上是全體從業者「品質」的大洗牌,能力弱者被強者最佳化(無關崗位)。
所以「數據分析師」的 名稱 或許會隨著科技的發展,逐漸淡出人們的視野,但從業者所具備的部份通用技能只要能與不同的能力相融合,依然能產生 1+1>2 的化學反應,讓你在職場中保有一席之地。
兩條出路
以數據分析師為始,在不變更大賽道的情況下,要想提高職業天花板,要麽強化用數據去解決問題的能力,成為 復合型人才 (如戰略分析師),要麽以技術開發為核心,成為 技術型人才 (如數據科學家)。
不同企業對於數據分析師的稱謂可能各不相同,上圖只是一種情況,但實際職能不會有太大變化
再次強調:
數據科學家的門檻是數學、電腦軟體工程或強相關專業 博士 ,不滿足這點的,還是另尋出路吧。
下文的討論重點會放在以 戰略分析師 為代表的復合型人才。
首先擺在我們面前的一個問題是:
什麽是戰略?
戰略是什麽
用【孫子兵法】中一句話就是: 勝兵先勝而後戰。
這句話的字面意思很容易 理解 ,難點在於如何 做到 ,在解答這個問題之前,我們不妨先來看一個 例子 :
最初愛迪生在發明電燈泡時,一戶人家想要點上燈,需要從發電廠專門接一根電線到家裏,其費用約是點蠟燭或者油燈的 一百倍 。
但直到都通上了電,點上了燈,大家才發現,原來 電不止可以用於電燈 。
那些紐約最早的幾百戶寧願頂著 百倍成本 ,也要接上電線,讓家裏點上燈的 「冤大頭」 ,既支持了最早一批發電站的建成,也 提前 享受到了電氣時代的福利,而剩下的 「聰明人」 則要花費更大的成本才能接上電線,用上電器。
從結果倒推來看, 「接上電線」 顯然是一次 正確的戰略 ,而 「不接電線」 則是一次 失敗的戰略 。
為了找到是什麽因素決定了戰略的成敗,我們要對上面兩張簡化的思維模型圖進行 「找不同」:
1. 前者以短期的 成本角度 出發,而後者考慮到了接電線帶來的 工具效率提升 ;
2. 前者只看到 眼前的電可以用來照明 ,但後者看到了 電的更多用途 :通訊、交通......
由此我們可以得出戰略最重要的兩點要素—— 受過檢驗的系統化的思維模式 (例中除了考慮短期成本維度,還考慮到了長期工具效率維度,而系統化思維模式能幫助我們的思考覆蓋更多的維度,比如麥肯錫7s模型、SWOT分析、六西格瑪管理......)和 夠多、夠接近事實的資訊 (認識到電除了照明還有更多的用處,知道別人所不知道的,辨別出正確和錯誤的資訊,就能形成戰略上的先發優勢)。
而這兩點無不需要 持續的積累和不斷的學習、練習 ,這也是開頭「 勝兵先勝而後戰 」的含義:能夠在戰爭中取勝的軍隊必然是提前作好了充分的準備和積累,再開啟戰爭。
由此可見,對於數據的抓取、分析、解讀固然很重要,但它只是 「戰略」 眾多準備和所需能力中的一環。只有對於 市場調研、業務細節、產品了解程度、商業思維 ......了解得足夠多、足夠精準,再透過不同的思維模型進行正確的評估(需要反復的練習),才能制定出更優的戰略,勝任 戰略分析師 的崗位。
類似要求復合能力的崗位還有與 財務相結合 的經營分析師、與 營運相結合 的策略分析師,其共同點都是透過對於復合能力的掌握,最終提高了自己的職業發展天花板。
該如何才能具備這些復合能力?
我的建議是「 把自己的成長當成一個計畫去營運 」,落實起來可以拆解成 四點:
1. 不斷「追問」手頭任務的價值,不需要立刻給出解答,但要及時 記錄 ,定期 復盤 ,尋找問題之間的聯系。
2. 明確任務的導向,包括理解任務目的、預期結果和具體要求。盡可能從大局出發, 合理配置資源 ,辨識任務與組織的整體戰略目標之間的關聯。
3. 系統學習有價值的知識和技能 ,透過閱讀、研討、培訓等各種途徑提升自我專業素質,拓展思維廣度和深度,勿閉門造車。
4. 建立有效的 時間管理策略 ,理解並明確優先級,減少無效工作,提高工作效率。
總結
數據分析師當下的境遇就像一艘在洶湧大海中航行的船只,既要面對 AI技術的風暴 ,又要把握 商業戰略的羅盤 。
作為數據分析師,不能僅僅是數據的 搬運工 或 展示者 ,簡單地堆砌數位,讓他人眼花繚亂。
而是要成為數據的 解讀者 和 利用者 ,從數據中挖掘價值,並提出有分量的見解,制定有效的策略並推動落地的執行,為組織 創造更多的收益 。
其實不只是數據分析師,大部份腦力工作者的崗位在AI的沖擊下,都在變得岌岌可危,那麽他們又該如何應對呢?不妨參考這篇文章:
其他內容推薦: