2020年的春节过后，相信很多做数据分析的同学都在思考职业发展路径问题。近期笔者收到的问题中，一个问题被普遍提到，即数据分析师的红旗，到底能打多久？同时也有一些相关的问题被广泛提到，今天我们综合起来以客观说事，来看看，2020年数据分析师们，究竟在纠结哪些问题，答案又是什么。
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”四个字的标题，都可以认定其中绝大部分都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， 这是两件事，两个不同的方向。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。
为啥？
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：
第一，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。
第二，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，相当于根本没有标注，或者人工胡乱标注，模型是训练不出来的。
正因如此，笔者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）
通过不断循环的解答这五个问题：
- 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；
- 最终推动业务持续进步和改善。
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。同样的，在新的领域，数据分析继续做着开路先锋。
以2019年笔者曾主导过的某个项目为例，其中就有大量的 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。不然一脚下去就可能陷入泥沼。
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知。在不懂行的人眼里，数据分析师和算命大师的区别不是很大。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》没有区别，反正过程他都看不懂，最后咔嚓一声就能出个很牛的结果。有这种理念，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更加“高大上”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。然而这个看起来就更不靠谱一些，毕竟，谁说数据分析师就是人肉跑SQL师了。以笔者个人来看，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，这样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，能做出更多的成绩。
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。大家大可安心。
问题二：数据分析会不会被会写SQL的运营取代？
答：不会
这个问题其实有很多人都在讨论，笔者只得出自己的结论：两者岗位和思考角度不同，不能一概而论。
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，是肯定会被取代的，因为谁都能写，谁都能做。
问题三：数据分析就业难不难？
答：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：“算法这么牛都会了，分析还不会吗？”抓着做分析的往死里问算法，而等进了公司才发现，除了交易流水以外没有任何数据，只能一声叹息。
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，于是会提各种要求，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。
问题四：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；
- 和业务走的近的，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，横向扩宽业务知识面，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。
问题五：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。
以上，就是数据分析师们最核心的五个问题的解答。
笔者能理解，其实同学们最初的问题是：数据分析师发展前景如何？但这是一个伪命题，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，如果原地踏步，谁都可能会被淘汰和取代。前景不是看出来的，而是自己努力出来的。能搞定的具体问题越多，自然越有前途。
转自： 接地气学堂
本文内容略有改动
注：文章仅代表作者本人观点，不代表TalkingData立场
在家办公模式开启，我们都需要注意什么？
经典推荐 | 各部门需要什么数据？
数据分析实战丨互联网行业到底需要什么样的数据人才？
本文网址：
