数据分析师的红旗，到底能扛多久？我先说这几个问题

导语：又到了一年一度的毕业季，很多学生开始考虑职业发展问题，其中关于数据分析师的问题更是被好多人关注，这篇文章从五个方面来解答大家关于这方面的五个问题，让我们一起来看一下吧！

又一年的3月，很多同学都在思考职业发展路径问题。最近咨询陈老师的也很多，一个很普遍被问到的，就是：数据分析师的红旗，到底能打多久？今天集中解答一下。还是陈老师的一贯风格，不吹不黑，客观说事。我们一起来看看，面向2021年，数据分析师们最纠结的五个问题：

一、数据分析会不会被人工智能取代？

答：不会！

首先，看到提“人工智能”四个字的所有标题，大家都能认为是引发焦虑的伪问题。真正懂行的都说：算法、机器学习，或者干脆直插CV，NLP，推荐等某个具体领域。其次，这俩玩意根本就是两件事。算法的发展不仅不会取代数据分析，反而会让数据分析更轻松。

因为本质上，算法对抗的是低效率。通过人工标注-模型训练-预测检验的循环，算法可以大量替代以往需要耗费人力的工作。但是算法实现这个目的是有前提的：

1. 需要明确的结果：人工标注的图形、信用违约/未违约记录等等。
2. 需要大量的特征数据，用于训练模型。正是因为如此，我们看到算法应用最成功的就是CV领域。比对人脸、比对证件等就是特征丰富，结果明确。传统的风控、推荐等领域，也有相应进步。NLP领域进展相对较慢，就是被复杂的语境折腾的七荤八素。

本质上，数据分析对抗的是不确定性。当我们想要分析问题的时候，更多是：

• 没有数据：新业务刚上线，过往不重视数据采集
• 有假数据：业务操控，流程缺失，利益驱动
• 乱七八糟：口径不统一，流程不规范，使用瞎胡闹
• 人为扭曲：业务方为了保住KPI睁眼睛说瞎话
• 不会判断：只知道写同比环比，不会解读意义
• 主观臆断：做数据只为证明自己是对的，强词夺理

这种时候，就相当于根本没有标注，或者人工瞎标，模型压根训练不出来。还摸个屁。

正是如此，这才有了数据分析的五大问题：

• 是什么（量化结果，获取数据）
• 是多少（树立标准，评价好坏）
• 为什么（寻找原因，验证假设）
• 会怎样（综合评估，做出取舍）
• 又如何（预测前景，探索可能）

通过不断循环地解答这五个问题，最终推动业务持续进步和改善。

• 我们量化监控业务走势，把不确定变成确定；
• 我们做出客观的评估，发现问题，沉淀经验；
• 我们合理预测前景，探索新可能，发现新道路；

这种摸着石头过河的力量，才是算法不可取代的。当然，石头摸清楚了，数据质量好了，经验总结差不多了，这时候有些传统的工作可以用模型来干。

比如在风控、推荐领域，传统业务经验越来越让位给模型。同样地，在新的领域，数据分析继续做着开路先锋。

比如过去两年年，陈老师主导的项目，就有大量的社交电商、分享裂变、网红带货、私域流量转化的项目，这些项目往往是业务模式创新和数据分析齐头并进的。在这些新领域，各个行业都在摸石头，当然得带着有本事测量深浅的水文师。不然一脚下去踩坑里咋死的都不知道。

有意思的是，所谓的“人工智能会取代数据分析师”，正是来自对数据分析工作的无解。在不懂行的人眼里，数据分析师和算命大师没啥区别，不需要数据采集、不需要数据清洗、不需要数据治理、不需要分析建模、不需要积累经验、不需要你测试验证。

只要眉头一皱、掐指一算，咒语一念，符咒一烧，算盘一拨，天上咔嚓一道炸雷掉下一道圣旨：明年业绩1257亿！在不懂行的人眼里，算法、数据分析、算盘、《周易》没啥区别，反正过程他都看不懂，最后咔嚓一声能出个好牛逼的结果。有这种幼稚理念，当然会觉得人工智能会取代数据分析了，毕竟阿尔法狗比算盘听起来屌嘛。

当然还有一种论调，来自：以后能自动提数了，数据分析师就要下岗了。这个更幼稚了，谁TM跟你说数据分析师就是人肉跑sql师了！

要我说，这种智能BI越早出越好！正好把那些每天2000行sql的小哥们解放出来，正好把那些无穷无尽的临时取数挡掉，正好可以让市场部那些只懂心机不懂技术的妹子们对着机器咆哮去：“这是总监要的，下班必须给！”这话都冲着阿尔法狗喊去，那画面想想都爽。

我们就有更多的时间，来分析问题，来设计实验，来挖掘深层因素，以后出的成绩还多一点。

So，时代淘汰的不是数据分析师，而是只会写sql的肉鸡，是只会到处问“有没有模板抄抄”的菜鸡，是只会写同步环比的草鸡。不是你，大家大可安心。

二、数据分析会不会被会写sql的运营取代？

“运营做数据分析是有原罪的，叫：本位主义”。

只要丫的身份还是运营，丫的数据分析结果就是屁股决定脑袋，就是短视且功利的，这一点跳进黄河都洗不清。况且运营也就只会写sql而已，你让他弄数仓，搞ETL，搞数据治理试试，不累死也恶心死。

这又是“只见高楼起万丈，不见地基累又脏”所产生的误解。所以做数据的同学们不要嫌弃这些脏活累活，这反而是我们的一个护城河（虽然里边都是泥巴）。

当然，那些只会写“本月比上月少了1000万业绩，连续三个月下跌”的数据分析师，铁定被运营取代呀。这种玩意只要眼睛不瞎，且识字，都能写呀！连我们家小爷coco都会看着爸比画的条形图说：“这根短了”，他再学会一句“要搞高”，就能去很多互联网公司当“数据分析师”了呀。这种不被取代就见鬼了。

三、数据分析就业难不难？

第一，因为算法被炒得太热，所以很多人会希望数据分析师懂算法，从而增加了面试难度。是滴就是那些不明真相的吃瓜群众，总想着：“算法这么牛逼的都会了，分析还不会吗？”抓着做分析的往死里问算法，进了公司才发现，他喵子的除了交易流水屁数据没有，算法个蛋蛋。

第二，因为很多运营自己开始sql，导致对分析能力的要求更高。一个矛盾点是：很多领导自己也没见过高级的数据分析长啥样，于是会瞎提要求，把很多业务问题归为数据问题，去问数据分析师怎么卖货。这要是正儿八经的数据分析师可能真的就冤死了。

第三，因为互联网行业寒冬，导致释放出来大量劳动力，于是想转行的，算法（只会调参）失业的，做运营的，根红苗正做分析的，都在找数据分析工作，竞争更激烈，自然找工作更难。

综上，难是肉眼可见的难，大家多多努力，少点冲动是正道。

四、数据分析想突围，可以准备什么？

严格来说，这篇可以单独写。这里先列个提纲：

• 连excel，sql，python（速成ESP套餐）都不会的，赶紧学技术，加强能力
• 吃了ESP套餐的，学点数仓，ETL，数据治理，提升基础能力
• 和业务走得近的，多补充业务知识，特别是新领域的数据运用
• 公司数据基础好，本人知识扎实的，挑战一下算法

总之，横行扩宽业务知识面，纵向在数仓方向强化，能力强的看点算法，技多不压身，能力强自然出路多。

五、数据分析想转行，可以哪里走

严格来说，这篇又可以单独写。这里先列个提纲：

• 业务能力强的，可以往用户增长、用户运营等策略性强的部门转，这些部门天生就需要很强的分析能力。
• 技术强的，可以往数据产品方向转，移动BI、大屏、运营助手等产品是很好的出成绩的地方

有两条路吹得很火，可实际上不是特别好的出路：

数据中台。经过这两年爆吹，大家发现：这玩意没鸟用呀。少拿阿里的数据产品举例子，人家天生数据多，可以卖给一堆企业，就我们企业那烂兮兮的数据，建中台有毛用，不是在烂泥巴里起高楼吗，不塌才怪。

数据分析转算法。经过泥沙俱下的18，19，20年，大家也发现只会调参的“算法工程师”有毛线用。真正算法项目，工程的难度是远远高于算法难度的，这使只会数据的人没啥优势。更何况，现在仍然有大量狂热应届生涌进这个领域，和他们比起来半吊子出身的数据分析是没啥竞争力的。所以谨慎选择转行。

以上，大致回答了大家最关心的五个问题。除了问题一，问题二，其他分享都少一点，因为篇幅真的已经很长很长了。有兴趣的话，点一下右下角的“在看”，本篇集齐60个在看，我们继续深入探讨数据分析师的发展。

其实同学们最初的问题是：数据分析师发展前景如何？正如上边五个问题一样，大家会发现：如果你持续进步，你始终能在时代中找到自己的位子，如果你原地踏步，那啥玩意都能把你淘汰。

前景不是看出来的，而是自己努力出来的。能搞掂的具体问题越多，自然越有前途。所以新的一年，我们继续具体问题具体讨论，大家一起进步哦。

作者：接地气的陈老师

来源：公众号：接地气学堂

本文由 @接地气的陈老师 原创发布于运营派。未经许可，禁止转载。

题图来自 Unsplash，基于CC0协议。