真不是只有数据分析，十年数据人给你科普七大数据岗位

很多人在说到数据方向的岗位时，都会想到“数据分析”，但实际上，数据方向的岗位有很多。这篇文章里，作者就对数据方向的岗位做了科普，并对各个岗位的优劣势做了详细解读，一起来看看吧。

一、一个简单的自我介绍

硕士毕业从业9年，呆过北京、杭州、深圳，去过百度、阿里、腾讯，做过数据分析、策略产品、数据产品，最近5年专注数据产品方向，爱看书，年均精读 40 本左右，但更爱猫猫狗狗，以后希望能做点跟宠物相关的事情吧～

二、数据方向岗位都有哪些

真的不是只有数据分析，也不是只有带「数据」俩字的才是。有些岗位特别「数据」，是内环：数据分析、数据工程、策略产品、数据产品；有些岗位不太「数据」，是外环：数据运营、经营分析、商业分析、算法工程。

三、体系化理解上述岗位定位

零散的介绍无益于理解，我们可以按照数据的流向来对号入座，理解上述各个岗位。有些岗位会横跨多个环节，有些岗位会固守一个环节，但并不会因为跨的多就更好，但确实有个趋势叫「全栈」～

稍微解释下不同环节的意思：

• 「数据获取」比如app埋点，把数据收集上来；
• 「数据存储」比如数据仓库，简单清洗后入库存放；
• 「数据管理」比如数据治理，理顺数据之间的关系等；
• 「数据加工」比如标签生产，将原始数据按应用场景做加工；
• 「数据分析」比如分析建模，效果评估、专题分析、上线模型；
• 「数据应用」比如推荐策略，将数据直接自动化应用在终端场景。

四、深入理解不同岗位的优劣

从大家求职选择岗位的角度看，比较关心的应该是这个岗位门槛要求高不高、面试卷不卷、入职后收入高不高、有没有价值感、上升空间如何。

我对应的整理了门槛要求、供需比例、收入水平、价值感受、上升空间5个维度，对下面7个岗位先进行一次整体的量化盘点，然后再具体展开介绍：

ps1：每个维度都是满分5分，分数越高越好。比如供需比例5分表示供小于求，3分表示供需平衡，1分表示供大于求。

ps2：分数高低仅限于数据类几个岗位之间比较，不涉及与非数据类其他岗位比较。

1. 数据工程

一句话介绍：数据方向需求量最大的技术工种。

日常工作内容：计算/存储平台的搭建/运维、梳理数据流进行数据建模和数仓搭建、报表或BI平台的设计与实施（含计算逻辑的落地与性能优化）、业务临时或定制需求支持（跑数）。

具象产出内容：数据平台、数据报表。

岗位优势vs劣势：优势是需求量大，尤其是传统行业数字化转型，就有很大缺口、可以钻研技术有一定门槛、收入较高、跟人打交道相对少，烦心事儿少；劣势是距离一线业务很远、价值感低、有飞鸟尽良弓藏的风险、容易被甩锅。

适合哪些人：数据敏感、心细、沉稳有耐心；认可数据价值和带来的成就感（与用户产品看得见摸得到的成就感相差甚远）。

2. 数据分析

一句话介绍：供需比例严重失衡的、重要但价值感较低的综合数据工种。

日常工作内容：数据处理、加工数据表、分析数据、上线数据模型。

具象产出内容：数据仓库表、数据分析报告、数据看板、线上模型。

岗位优势vs劣势：优势比如需求量大、工作环境相对简单稳定；劣势不少，比如加班多、思维固化、远离一线业务、发展空间有限、价值难衡量。

适合哪些人：对数据分析有热爱、逻辑性强、有一定数据专业背景、不那么学究的同学。

其他补充了解：女生比例挺高的、全栈数分越来越多（传统企业不是）。

3. 数据产品

一句话介绍：本质是懂数据、会分析的toB产品经理，有具象的产品作为产出。

日常工作内容：沟通需求、写文档、验收测试、汇报。

具象产出内容：需求文档、数据产品、调研分析报告。

岗位优势vs劣势：优势比如跟老板接触机会多、产出显性化、距离业务近；劣势比如价值不容易衡量、容易被当成工具。

适合哪些人：懂数据懂分析甚至懂策略、有逻辑性、同理心较强、想做产品经理的同学。

其他补充了解：类型很丰富、未来很重要、定位不清晰。

4. 策略产品

一句话介绍：衔接算法和产品的桥梁，很多数分转型的好选择，也是产品经理。

日常工作内容：沟通需求、写文档、分析数据、评估效果。

具象产出内容：需求文档、调研分析报告、线上策略。

岗位优势vs劣势：优势比如门槛高、离业务近、价值容易衡量；劣势比如夹在产品与算法之间。

适合哪些人：懂分析、懂算法、愿意理解业务、有点极客风的同学。

其他补充了解：细分类型很多样、很烧脑很全能。

5. 数据运营

一句话介绍：既可以是运营中的数据分析师，也可以是数据分析能力突出的运营。

日常工作内容：数据指标体系搭建、数据跟踪计算、效果评估分析、专题分析。

具象产出内容：指标体系、数据分析报告、数据模型。

岗位优势vs劣势：优势是身处一线业务对需求理解的更透彻、分析的内容更落地；劣势是可能会陷入琐碎的日常数据提取和报表统计需求中、对技术不会有多少提升。

其他补充了解：相比数据分析师更落地，但这个岗位并不那么清晰、主流，经常被兼职。

6. 经营分析

一句话介绍：复合了财务、业务背景的数据分析，常见于传统行业。

日常工作内容：开会、统计数据、分析数据、写报告具象产出内容：分析报告。

岗位优势vs劣势：优势是比较锻炼复合能力、视角更接近老板视角；劣势是大多在传统行业、互联网等新兴行业岗位较少、数据颗粒度较大导致弱化技术占比。

其他补充了解：更多从企业财务、经营视角分析数据，从分析方法技术上看距离互联网的数据分析师相差较大，数据量级也没那么大，但视角不同更宏观；在互联网公司岗位职能上，一般经营分析是商业分析的一个分支

7. 商业分析

一句话介绍：大老板的近卫军，相比数据更看重思维方法论。

日常工作内容：组织大家开会、调研访谈、写汇报材料、分析经营情况、做些战略规划。

具象产出内容：汇报材料、分析报告、调研报告。

岗位优势vs劣势：优势是距离大老板很近很近、掌握信息相对全局视野；劣势是容易飘在上面不太落地、发展路径略单一、初级阶段琐事比较多。

其他补充了解：最佳路径就是空降去某个业务做负责人，从中央军师变地方部队长官；在互联网公司，商业分析会细分成经营分析和战略两个方向。

五、继续叠加行业领域的差异

1. 互联网vs金融/电信vs传统行业

其实职业选择不仅仅是岗位选择，更多是行业的选择，可以通过下表了解上面介绍过的不同岗位在不同行业的现状。

为了便于盘点对比，我按照行业的数字化程度做了简单的3个归档，其中互联网行业整体对数据的应用是最全面深入的、紧接其后的是金融/电信行业、最后是众多传统行业。虽然在传统行业内部不同领域的公司在数字化程度上也有差异，但整体来看“方差”不大。

2. 降本增效vs开源变现

除了行业，在选择岗位的时候也要考虑到它是更多给企业挣钱的还是省钱的。有个人性上的弱点和盲区，就是省钱的没有赚钱的感知高，所以能选挣钱的肯定还是别选省钱的！从这个角度我们模拟上图也做个表格看看。

六、作为过来人的选择建议

我们上面罗列了那么多信息，综合来说就是希望大家能结合行业情况、岗位要求、自身能力性格等多种因素，给自己在这些格子里找一个最适合的。

喜欢很重要，但很多时候大家的喜欢是处于对某个岗位的幻想。比如很多同学对数据分析师都以为是用数据驱动业务，但实际工作中并非如此，该岗位存在感比较低，做决策的还是人。所以选择岗位的时候也可以破除幻想，走进现实。

再有就是网上很多对行业的误导性信息，比如现在加入互联网就是49年加入国军？我很难完全认同，因为对我们每个人而言，我们当下就需要一个较好的环境和收入，我们没法用今天换取10年之后的未来，尤其是这个未来还是概率性的。

所以抓住每一个当下，在下一次浪潮来临之前及时转换赛道，才是普通人切实可行的操作。我建议大家在遵从自己的喜好以及客观条件基础的同时，多多找对的人请教匹配的问题。