要么强化用数据去解决问题的能力,成为 复合型人才 (如战略分析师),要么以技术开发为核心,成为 技术型人才 (如数据科学家)。
具体解析可以参考下文:
客观而残酷的事实是:
大部分数据分析师职业发展前景堪忧!
原因在于数据分析师及商业分析师等职业,它们的 高就业率是和其大部分成长性较低的属于后台性质的岗位绑定的 ,而若想要找到 具备较高职业成长潜力的技术类中台工作 ,门槛很高(数学、计算机软件工程或强相关专业的博士),得有相当强的数学和编程方面底子,显然大部分从业者并不满足。
(关于前中后台的详细解析,可以参考这篇文章:陈思炜:【精】为何很多人不愿做后台工作?——一文带你分清「前中后台」(共8602字,各行业通用))
此外数据分析师的 市场需求 其实并不大:
因为能产生海量一手数据的行业终究是 少数 ,如生物(大健康)、金融、部分制造业、互联网......
而有能力搭建一整个独立数据团队的大型公司更是少数中的 极少数 ,因为从成本方面考虑,大部分公司的数据收集和分析要么交给 第三方 ,要么干脆把这部分工作拆分给 其他部门 。
结合以上两点就会出现这样一个 尴尬的场景 :
数据分析师的工作内容
关于大部分数据分析师的日常的工作,包括以下 内容 。
先把数据从一个个 「小池子」搬到「大池子」 里,包括数据预处理。
然后找出不同数据之间变化的联系, 线性 的最简单,要么xxx增加ooo减少,要么xxx增加ooo增加:
非线性 的复杂些,一会儿xxx增加ooo减少,一会ooo增加xxx也增加,又一会增加得快,一会增加得慢,或种种指数型函数......比如像 下图 的种种曲线:
更复杂的,加个生命周期,搞个不同用户分层,数据量要大些,整个机器学习聚类......
95% 的数据分析师从事的都是这些 重复性、机械性高,思考性、不可替代性低 的工作(往往在 半年到一年 里,就学不到也接触不到新鲜的工作内容了),而不是更具创造力和深度的 算法设计 或 决策制定 。
说的更直白些,他们的工作只是 把数字「搬」到领导眼前 。而数字背后展现了什么现象,暴露了什么问题,更进一步怎么去利用现象、解决问题,服务于更大的商业目标, 这些更有价值的工作却极少涉及 。
冰冷的数字 体现不出数据分析师们的价值与智慧,加之大部分的数据分析师只是「指令」的接收者和执行者,就更别提进一步建立 「人与人」之间的链接与信任了 。
数据分析师会被代替?
既不具备高端的技术中台能力,也没有与人打交道的前台能力,那么大部分数据分析师在 职场中的不可替代性便不会很高 ,这意味着市场上随时都能找到 更高效率 、 更加稳定 、 更加廉价 的劳动力,在过去这被叫做「35岁职场危机」,而随着AI技术的发展,这场危机只会来得更早,甚至替代你的也无需是人。
前段时间,ChatGPT出了一款叫 「Code Interpreter」 的插件,操作者只需要提供 数据 和所期望的 研究方向 ,它就能自动编程、生成模型、得出统计意义上的结论甚至图表。
不客气的说,就上述的这些功能便已能胜任一位低端数据分析师 近六成的工作量 ,而这只是它的alpha测试版。
AI比起学会你的技能(数据分析)并 替代 你,它甚至会让你引以为傲的技能 变得「廉价」 ,让人人都能以极低的学习成本成为「数据分析师」。
就像算盘被计算器替代,而计算器又被计算机替代一样, 单一维度的技能 ,随着科学技术的发展,终会被「自动化」成一个个小的模块,从而囊括进更大的系统里。
因为只有当过去的技术被优化成 更简洁、更易于操作的「工具」 ,下一代人才能以更低的代价去学习和使用这些「工具」,借以提高自己的产出效率,有精力和能力去解决新问题,再在未来创造出新的「工具」,供后人使用,解决更新的问题,这便是人类文明不断延续、发展的 底层逻辑 。
所以, 数据分析师的落寞实际上是人类文明发展的必然结果 ,但好在这不会是一个很快的过程,数据分析师所辛苦掌握的技能并不会顷刻间就变得一文不值。
可能的未来
在未来,大部分公司不一定会简单粗暴地采取 直接裁员 ,而是先进行内部岗位上的 结构调整 。
随着当下AI的发展, 每个数据分析师的效率都会大大提升 ,那么假设原本 100人 才能完成的工作量,如今只需 60人 就能搞定,该职位的总人数便会逐步从100人调整至60人左右。排除个别人主动转岗(而非被淘汰),那这60人大概率会是100人中能力更强的60人,自然该职位的平均薪资也会有所上涨。
另外的40位数据分析师们则会面临以下 几种情况 :
1. 发挥自己的数据解读能力,
调配到 运营岗 中的策略运营部门,
可能 调岗降薪 。
2. 发挥自己的编程能力转到 开发岗位 ,
可能 调岗涨薪 。
3. 没有任何可以胜任的岗位,
无奈吞下被 裁员的苦果 。
随着原本数据分析师的从业者去到其他岗位,其他岗位的人员数量也会受到影响,随即产生 一连串的人员变动连锁反应 。
如此看来,这是一个组织 牵一发而动全身 的过程,表面看是单一岗位的没落,实质上是全体从业者「质量」的大洗牌,能力弱者被强者优化(无关岗位)。
所以「数据分析师」的 名称 或许会随着科技的发展,逐渐淡出人们的视野,但从业者所具备的部分通用技能只要能与不同的能力相融合,依然能产生 1+1>2 的化学反应,让你在职场中保有一席之地。
两条出路
以数据分析师为始,在不变更大赛道的情况下,要想提高职业天花板,要么强化用数据去解决问题的能力,成为 复合型人才 (如战略分析师),要么以技术开发为核心,成为 技术型人才 (如数据科学家)。
不同企业对于数据分析师的称谓可能各不相同,上图只是一种情况,但实际职能不会有太大变化
再次强调:
数据科学家的门槛是数学、计算机软件工程或强相关专业 博士 ,不满足这点的,还是另寻出路吧。
下文的讨论重点会放在以 战略分析师 为代表的复合型人才。
首先摆在我们面前的一个问题是:
什么是战略?
战略是什么
用【孙子兵法】中一句话就是: 胜兵先胜而后战。
这句话的字面意思很容易 理解 ,难点在于如何 做到 ,在解答这个问题之前,我们不妨先来看一个 例子 :
最初爱迪生在发明电灯泡时,一户人家想要点上灯,需要从发电厂专门接一根电线到家里,其费用约是点蜡烛或者油灯的 一百倍 。
但直到都通上了电,点上了灯,大家才发现,原来 电不止可以用于电灯 。
那些纽约最早的几百户宁愿顶着 百倍成本 ,也要接上电线,让家里点上灯的 「冤大头」 ,既支持了最早一批发电站的建成,也 提前 享受到了电气时代的福利,而剩下的 「聪明人」 则要花费更大的成本才能接上电线,用上电器。
从结果倒推来看, 「接上电线」 显然是一次 正确的战略 ,而 「不接电线」 则是一次 失败的战略 。
为了找到是什么因素决定了战略的成败,我们要对上面两张简化的思维模型图进行 「找不同」:
1. 前者以短期的 成本角度 出发,而后者考虑到了接电线带来的 工具效率提升 ;
2. 前者只看到 眼前的电可以用来照明 ,但后者看到了 电的更多用途 :通信、交通......
由此我们可以得出战略最重要的两点要素—— 受过检验的系统化的思维模式 (例中除了考虑短期成本维度,还考虑到了长期工具效率维度,而系统化思维模式能帮助我们的思考覆盖更多的维度,比如麦肯锡7s模型、SWOT分析、六西格玛管理......)和 够多、够接近事实的信息 (认识到电除了照明还有更多的用处,知道别人所不知道的,辨别出正确和错误的信息,就能形成战略上的先发优势)。
而这两点无不需要 持续的积累和不断的学习、练习 ,这也是开头「 胜兵先胜而后战 」的含义:能够在战争中取胜的军队必然是提前作好了充分的准备和积累,再开启战争。
由此可见,对于数据的抓取、分析、解读固然很重要,但它只是 「战略」 众多准备和所需能力中的一环。只有对于 市场调研、业务细节、产品了解程度、商业思维 ......了解得足够多、足够精准,再通过不同的思维模型进行正确的评估(需要反复的练习),才能制定出更优的战略,胜任 战略分析师 的岗位。
类似要求复合能力的岗位还有与 财务相结合 的经营分析师、与 运营相结合 的策略分析师,其共同点都是通过对于复合能力的掌握,最终提高了自己的职业发展天花板。
该如何才能具备这些复合能力?
我的建议是「 把自己的成长当成一个项目去运营 」,落实起来可以拆解成 四点:
1. 不断「追问」手头任务的价值,不需要立刻给出解答,但要及时 记录 ,定期 复盘 ,寻找问题之间的联系。
2. 明确任务的导向,包括理解任务目的、预期结果和具体要求。尽可能从大局出发, 合理配置资源 ,识别任务与组织的整体战略目标之间的关联。
3. 系统学习有价值的知识和技能 ,通过阅读、研讨、培训等各种途径提升自我专业素质,拓展思维广度和深度,勿闭门造车。
4. 建立有效的 时间管理策略 ,理解并明确优先级,减少无效工作,提高工作效率。
总结
数据分析师当下的境遇就像一艘在汹涌大海中航行的船只,既要面对 AI技术的风暴 ,又要把握 商业战略的罗盘 。
作为数据分析师,不能仅仅是数据的 搬运工 或 展示者 ,简单地堆砌数字,让他人眼花缭乱。
而是要成为数据的 解读者 和 利用者 ,从数据中挖掘价值,并提出有分量的见解,制定有效的策略并推动落地的执行,为组织 创造更多的收益 。
其实不只是数据分析师,大部分脑力工作者的岗位在AI的冲击下,都在变得岌岌可危,那么他们又该如何应对呢?不妨参考这篇文章:
其他内容推荐: