近年来，很多传统行业都开始紧锣密鼓地提升数据能力。卖药的、卖酒的、卖挖掘机的等等公司都意识到要数据赋能。
有些有软件研发技术能力的大企业，直接大手笔。部署一整套的数据产研分析团队，算法、开发、BI……
没有互联网研发背景的企业，也不甘落后。招聘几个数据分析师，也算得上是数据赋能了吧。
第一种，土豪有钱，咱就不做评论了。这里，聊聊第二种。
本质上说，普通的业务数据分析所需的技能，实则低配版的统计学知识，专业学习成本很低。花80%的时间从各个地方或部门搜罗数据表格，然后花20%的时间做个聚合统计、画个趋势图或分布图，把结论ppt一做，得，关键性的运营分析就算是完成了，也确实能够支持运营的需求。当然，为了展示专业性，可能还会做点方差检验、回归分析、搞搞预测。工具上，为了方便实时分析、传阅结果，还会买一些诸如FineBI、PowerBI、Tableau等等,那样作出的图表更具交互性，也更能容纳异构数据源。
并不是说表哥表姐们真的就价值不高，而是这些事情，真的不需要招聘专门的数据分析师。
数据分析的技能，统计知识点学习门槛是很低的，但业务经验是需要在业务中不断积累的。一个没有资深业务背景的数据分析师很难挖掘出真正深度有价值的信息出来，甚至会洋相百出。
我曾经招过一个应届生专门做数据分析，按要求做统计，技术上蛮在行的。但是因为没有业务背景，写分析报告的时候就透露着一丝尴尬。他有一篇文章，拿了个位数的样本量，然后网上找了各种维度的信息出来，一通可视化分析、相关性分析，完成了大作。但这篇大作的结论明显论据不足，逻辑上没有依据。
还见过一个人，算法专业科班出身。一上来，摩拳擦掌，就开始做review得NLP分析了。各种聚类、LSTM主题挖掘一通操作过后，得出了一个漂亮的主题分布图，模型训练出来的得分也好，然后信心满满的做展示。结果定睛一看，天，那词不是词，占比不是占比，报告根本没法给正常人看的。后来，他从消费者的视角出发，人工一条一条给评论打标签，老老实实地做描述性的分析，总算是得出了一些有意义的结论。
电商行业是对数据能力要求整体较高的行业了。选品的、投放搜索广告的、做seo的、运营人员。他们都没有号称专业的数据分析师，但其实数据分析能力都是他们吃饭的基本功。分析出来的结论也绝不会走偏，需要直接对岗位所对应的KPI负责。
证券投资行业，对数据分析能力要求极高。行业分析师，对行业研究的深度要求非常高。量化投资分析，对分析结论的精准性要求极高。统计学知识的要求满级，远超普通意义上的数据分析师。
财务分析岗位，天天跟数据打交道，许多人会学点数据库、编程方面的技能，达到锦上添花的效果。
还有很多其他行业的专业岗位，对数据分析能力也是有很高要求的，就不一一列举了。
已经入坑数据分析的公司，我的建议是，让没有业务背景的数据分析师去到具体的业务部门。其实，业务部门是最清楚自己需要什么样的数据决策支撑的。
有些公司可能希望能整合多部门的数据能力，需要有个数据支撑团队，平时负责筑牢公司数据赋能的能力。
对内做好数据的整合汇总、结构化存储，数据字段的丰富与维护，管好数据资产。
对外做好公司业务方数据技能方法的培训，赋能业务数据化。降低有需求的业务部门进行数据分析的难度，提升数据决策的效率，让业务方有需求的时候，能够按需获取并用好数据。
这种模式，对数据支撑团队的考核，就不是能否做出有深度有价值的报告了，而是如下几点：
1、数据整合是否准确、是否按质按量完成指标计算等需求；
2、业务部门数据分析的能力是否有提升，技能培训是否到位；
3、是否把业务部门服务好了，业务部门的业绩或效能是否有提升。
最后给个建议，传统企业数据转型，要注意借力。如今市面上很多数据服务商，智能采集软件，智能BI软件，ERP等工具。很多重复的人力成本，可以花千儿八百元高效解决。随着技术不断进步，低代码工具越来越成熟，未来，数据分析可能就跟熟练使用office、会打字一样，融入到各行各业的从业人员身上吧。
关注微信
