互联大数据时代，大数据的特点是数据量大、数据种类多、要求事实性强、数据蕴藏价值大。但是众多的信息和咨询纷繁复杂，我们需要搜索，处理，分析，归纳，总结其规律。

大数据对推动社会经济有重要影响，如果没有高性能的分析工具，大数据的价值就得不到释放。对大数据的应用也要保持清醒的认识，对于互联网大数据作用与价值重点在于引导和启发，客观认识和发挥大数据作用。

但是，我们也有我们的观点，大数据之中，我们要看到的是“大”，这个大是时间的积淀和累聚，只有足够大才能让分析有依据，才能更接近于真实。是否有新的技术对其突破，我们也不敢保证，因为，现在的时代是技术加速度的年代。

大数据分析需要的是一个人的想象力和雄辩的逻辑分析力，纯理性不能构建有效的场景，纯感性会让架构的场景虚无缥缈。

大数据还面临一个最贴近现实的难题，那就是人的行为会受太多不可控因素的影响，比如：情绪，天气，食物等，正是这些不可控，才限制大数据只能更接近真实而非真实的窘境。

刚毕业不建议一下子接触数据分析的工作，可以从互联网的其他岗位开始，数据分析可以作为一个好的使用工具！

; ; ; ; 随着大数据发展走入我们视野的职业，应该可以算得上是程序员的一个进化分支吧。跟着小编一起用大数据分析一下，高大上的数据分析师的“钱途”究竟如何！

分析师职位的行业分布情况

　　数据显示，数据分析师职位主要集中在互联网、金融、消费品、制药/医疗等行业，其中互联网和金融行业的分析师职位数占比超过了80%，这源于该几类行业已在短期内无论是产品端、用户端、运营端等都实现了大数据的原始积累，且数据增长速度依然可观。此外也说明“数据驱动决策”的趋势在当下变得尤为重要。

分析师职位的地区分布情况

　　从数据分析师职位的区域分布来看，“北上广深杭”等特大一线城市合计占据88.5%的职位份额，单单北京地区占比就超过四成。对于数据分析师的职业发展来说，“坚守而不是逃离一线城市”才是明智的选择。

互联网行业数据分析职位的特征

　　互联网行业数据分析的主要对象是产品、运营和用户，其次是市场和客户。以数据为依据，为产品策略、运营战术、用户研究、市场趋势、客户画像等企业关键领域提供必要决策支持。

金融行业数据分析职位的特征

　　金融行业普遍重视产品与运营层面的数据分析，除此之外最为重视对客户的分析。而对于风险、信用、信贷与投资领域的分析则是金融行业特色，反映出数据分析已在金融核心业务线上都发挥着重要作用。

企业为分析师职位提供的薪酬（上限）

　　无论是初级还是高级岗位，企业都愿意为分析师提供高于行业平均水平的薪酬。同时，随着工作年限的增加，分析师薪酬与行业平均薪酬的差距逐渐拉大，在15年工作年限时，薪资差距拉大到近20万。

高薪分析师职位在不同行业的分布

　　互联网行业年薪超过50万元的分析师职位数最多，占比超过五成；其次为金融行业的21%。巨大的数据量、复杂的数据结构以及结合不同业务而进行的复杂数据开发，造成了数据分析师高端岗位的紧俏。同时也反映出，越来越多的企业（具有大数据基础的）愿意付出高薪解决企业自身数据方面存在的问题。

高级分析师职位在不同地区的分布

　　年薪50万以上的分析师职位主要分布在北京、上海、深圳、杭州、广州。其中北京高端分析师职位最为集中。

分析师的教育专业背景

　　数据分析师从业者的专业背景中，计算机、统计、数学、信息管理等专业的占比相对较高，但其他专业也不少。从另外一个角度来看，无论你是学什么专业出身的，都有新专业、新领域的知识要学。

高级分析师职位的技能要求

　　小·结

　　大数据具有数量大（Volume）、高速率（Velocity）、多样性（Variety）、真实性（Veracity）等特点，这就要求从事中高端数据分析的人员除了具有高超的业务理解能力和沟通能力之外，;还必须具有以下四大综合性能力：

　　1.卓越的数据处理能力，包括收集、清洗、存储、查询技术等。

　　2.数据分析能力，如数学建模、算法设计、文本挖掘、机器学习、统计软件应用等。

　　3.数据可视化能力，如基于几何的技术、面向像素技术、基于图标的技术、基于层次的技术、基于图像的技术和分布式技术等。

　　4.数据变现能力，如企业运营、产品策略、市场研究、品牌管理、需求分析等。

　　据分析，到2018年，我国数据分析师的职位空缺将达到近40000人，而且各行各业均会对数据分析挖掘相关岗位产生很大的需求。

今天的互联网从业者比过去任何时候都重视数据，这并非是因为仅仅来自于“大数据”概念的炒作，而是因为我们可依赖的数据极大丰富，而我们可以动用的工具也相当充足。

这样，有一批立志专门从事互联网数据相关事业的朋友出现，也就不足为奇。

尽管，传统意义上的数据人才早已有之，早在人们需要进行统计分析和概率计算的时候便有精通数学的数据科学家，但互联网领域的数据人才却与之有巨大的不同。

互联网运营数据分析人才的定义

我们如何定义互联网运营数据分析人才？事实上，定义二字本身会让我觉得不安。我并不觉得要满足一定的条条框框才能算“人才”，而涉及到商业领域，许多目标的实现可以有许多不同的方法，而且殊途同归。

但我觉得，作为互联网运营数据分析人才，还是有几个基本的共性可循。

第一点，应该是乐于分析且善于分析的人。我认为这多少是有些与生俱来的特质。乐于分析，是指他遇到了问题并不武断结论，不想当然，且保持愉快的心情去探究。而其他人或许嫌麻烦地避之不及。善于分析，则是指他常常可以做不算离谱的假设，并应用逻辑和方法去验证这些假设，并在反复的验证中直到发现问题背后的所在。我认为这一点比其他什么都重要，其他的都可以慢慢弥补，但这一点却更似乎“与生俱来”。

第二点，他拥有第一点提到的逻辑和方法的相关知识并有运用这些知识的能力。所谓的讲逻辑，就是你的论据要能够支撑你的论点；所谓的有知识，就是你的论据是建立在事实和科学基础之上的；所谓的讲方法，就是运用这些知识的手段和工具是最佳的。比如，要证明一个页面优于另外一个，你就需要按照逻辑一步步使用一系列的工具和手段，从捕获数据，到分析数据，到根据分析提出理论上的改进方案，然后再利用较大数据量的随机测试来检验你的方案，以及在随后的进一步对比和分析。你不可以不讲逻辑，说这个页面就是这么改就一定行！（老板们往往都是有这样强烈直觉的，但大多数时候都相当不可靠。）你说行，得讲理由，得讲证据，而且这证据经得起推论，就是我们探案时候的“证据链”。这个过程中包含的方法则包括合理的数据抓取的方法、各种数据细分分析的方法、科学测试的方法等等。这些你要很在行。

第三点，你是“讲生意”的。讲生意不是说你真的去谈生意，而是你工作的一切出发点是为了生意。做分析的时候，我们大抵都觉得自己好似福尔摩斯，我们一头扎进数据中，我们怀着激动的心情去推理，但我们却可能忽略了，数据分析人才的存在是为了更好的生意，而不是为了更好的分析。说来有些矛盾，那些最初最好（最好的定义是最有效）分析的人，很多时候并非那些分析科班出身的人，而是最懂业务的人。我几乎有些偏执地认为，纯粹地培养做分析的人才是一个伪命题。善于业务的人一定需要善于分析，但是反过来就不一定。数据分析的人才，必须首先是业务人才。更何况，我们是互联网运营数据分析，运营就是生意的同义反复。

其实谈到这里，讲到了数据分析的本质。数据分析本身毫无意义，如果它不能从你的生意出发又回到你的生意。大数据，哦，这个概念也很火，但是，似乎有些落不了地呢。这正是因为，很多时候，大数据既不来源于你的生意，最后也用不到你的生意。这其实就是这几年大数据概念最需要解决的问题——让它广泛地应用于商业。

第四点，工具。相对没那么重要，但还是得说一下。善于使用工具是数据分析人才的基本素质，如果你觉得工具缺失或者不趁手，还需要有发现并获取工具的能力。不过，总体而言，我们所遇到的所有分析的问题，都有各种各样的工具帮我们解决。是的，所有的问题都有工具。

有朋友一定会问，为什么没有提数学？为什么不讲讲数据建模？个人认为，也仅代表个人观点，这些真不是互联网运营的数据分析人才一定得具备的。并不是说这些东西不重要——不少时候我们会用到这些方法，比如我们在分析用户流失的时候，我们在进行预测分析的时候，或是我们在归因、聚类或需要人工智能的时候。但是，如果要把这个东西作为互联网运营数据分析人才的第一要件去要求，那根本就会挡住无数真正具有天赋的分析人才的事业之路，更何况，这些东西当你需要用到的时候，它们更多是以工具的形态存在，以垫脚石的姿态来帮助你，而不应该作为一个分析爱好者成为人才的包袱和拦路虎。不过，我们很多企业却把这作为要件，而忽略我前面说的那四点，这就太舍本逐末了。

数据分析相关的职位

几乎所有的互联网业务部门都需要有优秀数据分析能力的人才，运营部门毫无疑问。

互联网运营牵涉到几个关键部门。一个部分是获取新的用户（或者新的流量）的部门，另外一个则是对互联网产品（APP、网站等等）负责的产品部门，然后是在这些产品之上进行日常经营和管理（也就是我们所说的狭义的运营）的部门，最后是服务于既有用户（或客户）的部门。这四个部门当然不一定在各个企业截然的被区分开，有时候，几个部门会合并，例如第一个和第四个部门容易被合并在一起，或者第一个和第三个部门合并在一起。

这些部门之外，再额外设置一个数据分析部门是可能的，但并不常见。这样的部门可能源自于传统的企划部门，进行被称为企业BI的工作。但互联网企业这样的设置并不多见。

但是，这些部门之内，设置数据分析相关的职位就太常见了。对于第一个部门即获取新用户的部门，数据分析工作几乎是贯穿始终的。这些部门往往有一个或者几个流量优化师，他们的工作必须基于每日的数据，并结合对于流量渠道的深入认识以及与其他同事的持续沟通，从而达到正确地选择流量渠道、合适价格地购买流量，以及最大化流量产出。他们的工作还包括需要对流量的质量进行持续的追踪，并不断提出优化流量的方法。这个工作至始至终都需要强大的数据分析能力作支撑。这个部门的数据分析人才的职位常常是流量优化师、渠道运营经理之类。

第二个部门，他们负责对网站、APP或者移动端H5站等进行不断改良优化，理论上所有呈现在前端的事情（与网站的后台相对）都应该是他们负责的，所以产品经理、创意设计、前端工程师等“异星人”是集中在这个部门的。除了他们，这个部门肯定需要一个网站/APP分析师，利用数据来说明设计和攻城狮们的作品是不是真正被用户所喜爱。也正因此，这个部门的这个职位往往容易引发争议、争论甚至争斗，是一个非常微妙的角色。有些公司不在这个部门中设置这个角色，而是由产品经理兼任，这完全可以理解。中国的情况往往如是，不过我看到的比较大的美国企业，却几乎都有正牌的网站（APP）分析师，甚至这些分析师被单独拎出来成立一个部门。这表明他们的生意比我们做的精细太多。

第三个部门，日常经营和管理部门，这个更不用说了，只要没有“老板和政治作祟”的地方，肯定必须是数据说话。你的活动主推什么商品、如何定价、进行什么样的促销、如何创意、如何文案、如何设置时间节奏和排程等等，都需要依赖于数据。这个部门的负责是运营总监，他的左膀右臂之一必然是运营分析经理，不过我更乐意叫他们运营优化经理之类。这个职位的分析工作日常且密集（regular and intensive），而且遇到特殊事件和旺季则更加忙碌。有些朋友对我说，我们公司并不设置这个职位，但是他们并不否认相关的数据工作——“是的，我们要看很多报表、热图，没有数据我们肯定不敢轻举妄动。”所以，不设置相关职位可以理解，但是不设置相关职能则不可思议。运营分析人员也同样会做一些与流量分析人员类似的工作，因为如果经营效果不佳，有必要排除流量本身的问题，才能更好的研究其他的可能性。同理，运营分析人员也会关注承接端（即网站或app）本身的表现。所以，他们相对而言，非常的“全能”。

第四个部门，过去是“数据库营销部门”，今天则容易被称为“用户增值部门”，名字变了，工作内容也有一些变化，不仅仅是简单的根据数据发邮件打电话骚扰什么的，更需要做一些跟客户的深度互动。主要工作是维系既有客户，并且引导既有客户实现持续地、更高地消费。这个部门不用说了，本身就是依靠用户（客户）数据库工作的，而且数据库还需要升级，即不仅仅只是客户的静态信息（年龄生日有没有米什么的），更重要的还有他们的购物、行为及兴趣，所以这个部门如果设置，一般都需要有一个数据分析的好手，一个能做数据挖掘的数据科学家。当然了，小公司往往不设这个部门，而中、大型企业这个部门很受重视。我的客户几乎全部都有这个部门。不过，有一点我要指出，虽然这个部门是常设部门，但是分析好手和数据科学家，并非各个公司都能够配备齐的。

除了这些业务部门的常备数据分析人员，还有一个新概念被提出，即增长骇客。我有一个朋友，在一家最近几年发展极为火爆的互联网O2O共享经济平台任互联网推广负责人，第一件事情就是问我有没有增长骇客的朋友，他们有一个增长骇客职位，需要这样的人才。我估摸着，这个职位是顺应“精益创业”而来的，即，不断通过数据验证MVP（最小变量产品）的那个人。嗯，这样的角色，绝对是精益创业公司所需要的，只是嘛，这样的人真的太难找了。

待遇几何？

谈到职位，大家肯定会问到待遇。北京的互联网相关的职位的薪水，近些年真是日新月异的变化。并非是数据分析人员的薪水涨，而是整个互联网的行业的小伙伴们的薪水都涨！给大家一些参考值吧。刚刚毕业的大学生，在百度的待遇大概一年12-16万，开发和分析人员的价格并无太大差异。分析人员干到3-5年的，年薪分化情况比较显著，我看到有公司开40万年薪招聘分析经理，但并不一定是普遍现象。我那位寻找“增长骇客”朋友公司的薪水大约也是这样，但还包含额外的令人艳羡的极有可能上市兑现的期权，这样含金量便大大提高。做到更高职位则不同，数据分析或者大数据应用现在忽然成为风险投资的热点，所以这一类高级人才的薪水超过百万人民币也不奇怪。

图：国外的digital analytics的职位薪水情况，总的趋势是上涨（This chart provides the 3-month moving average for salaries quoted in permanent IT jobs citing Digital Analyst within the UK.）

中国互联网市场对于数据分析人才的需求原本比对开发工程师的需求要弱，不过市场的人才供应情况更少，这个行业普遍缺乏具有系统性数据分析能力（就是我前面说的那四个能力）的人才。2016年，我明显感觉到这个缺口在进一步变大，原因在于突然爆发的精益创业、精益经营的需求随着经济的下滑而被激发出来。向我讨要人才的情况也比15年的时候要频繁得多。这也是我为什么要开这门培训的原因，我觉得市场上需要这样的能力，但这种能力在市场上却非常匮乏。

面向未来

数据分析人才的未来取决于数据分析本身的未来。最让我欣喜的事情是，这个未来现在正变得清晰起来，几个同方向的力量形成合力正在促进数据分析走向一个从可有可无到不可或缺的阶段。第一个力量来源于人们普遍对于数据价值的认可和重视。数据文化比过去要被更广泛的认同。经济形势的走弱也客观上促进了人们对精细化运营需求的提升，这也提升了数据的价值。第二个力量来自于可以使用的工具比过去要丰富太多，而使用难度又成倍降低。你可以比较一下3年前的Omniture和现在的Google Analytics便知道这种变化的速度有多么的惊人。功能更强大但使用更简便的工具仍然在不断涌现。第三个力量来自于资本的力量，即更多的基于数据产品、工具、解决方案、大数据、人工智能的商业项目被认可和被大规模资助。第四个力量来自于连政府都在极力鼓吹和促进，尽管我怀疑政府并不清楚数据是什么。第五个力量来自于国外的成功先例所起到的正向激励作用。

我一直都强调，数据的革命是继互联网革命之后另一个颠覆世界的变革，现在我们正踩在这个变革的门线上，下一步是自然而然的走向更深远的领域，创造更大的价值，乃至创造一个前所未有的商业世界。

所以，我相信任何一个阅读了我这个文章的朋友，都已经做出了正确的选择。

一般情况下，我们所说的分析是指，使用大量数据、统计和定量分析、解释和预测以及基于事实的管理来推动决策过程与实现价值增生。

根据分析的方法和目的，分析可以被划分为描述性分析（descri-ptive analytics）、预测性分析（predictive analytics）和规范性分析（prescriptive analytics）。描述性分析包括数据收集、整理、制表、制图以及描述正要研究的食物的特征，这类分析以往被称为“报告”。描述性分析可能非常有用，但它不能解释某种结果出现的原因或者未来可能会发生的事情。

预测性分析不仅可以对数据特征和变量（可以假定取消范围的因素）之间的关系进行描述，还可以基于过去的数据预测未来。预测性分析首先会确定变量值之间的关联，然后基于这种已知的关联预测另一种现象出现的可能性，比如在看到某个广告后，一位消费者可能会去买产品的可能性。虽然预测性分析中的预测是基于变量之间的关系做出来的，但这不代表预测性分析中都需要明确因果关系。事实上，准确的预测并不一定与需要基于因果关系。

规范性分析是更高层次的分析，如实验设计和优化等。就像医生会在出处方建议患者采取什么行动一样，实验设计试图通过做实验给出某些事情发生的原因。为了能够在因果关系研究中信心饱满地做出推断，研究人员必须妥善处理一个或多个独立的变量，并有效控制其他的变量。如果处于试验环境下的测试组的表现大大优于照相，决策制定者就应该立即推广这种实验环境。

优化是规范性分析采用的一种方法，指试图识别出一个特定变量和另一个变量之间理想的关系水平。例如，我们可以能会对识别最有可能让产品实现高收益的价格感兴趣。同样地，优化这种方法能够识别出使了零售企业最大限制避免缺货情况的库存水平。

根据分析采用的方法以及收集和分析的数据类型，我们可以将分析分为定性分析（qualitative analysis）和定量分析（quantitative analysis）。定性分析的目的是深入了解某种现象的根本原因和诱因。非结构化数据通常是从少数非代表性案例中收集而来，并进行了非统计性分析。定量分析是分析的最初阶段，他通常是探索性分析的有效工具，定量分析是指通过统计、数学或者计算的方式对现象进行系统的实证研究。通常情况下，结构化数据是从大量典型案例中收集而来，并进行统计分析。

为了服务于研究者的不同研究目的，存在以下几种类型的分析：

*统计学：收集、整理、分析、说明和呈现数据的学科；

*预测：根据已有数据，预测一下一些感兴趣的变量在未来某个特定的时间点的情况；

*数据挖掘：通常使用算法和统计技术，自动或半自动地提取大量数据中未知的有趣模式；

*文字挖掘：用类似数据挖掘的方式从文本中得模式和趋势的过程；

*优化：在同时满足约束条件的情况下，按照某些标准利用数学方法来寻找最优的解决方案；

*实验设计：给各组随机分配被试。然后使用测试组和对照组来推导出特定结果中存在的因果关系。

虽然此处给出了一些列常用的分析方法，但在使用过程中会不可避免地出现相当大的重叠。例如，回归分析（regression analysis）是预测分析中最常用的方法，与此同时，他也是统计学、预测和数据挖掘中常用的方法。此外，时间序列分析（time seties analysis）是用于分析数据随时间变化的一种具体统计方法、在统计学和预测中经常被用到。

1.什么是数据分析？

数据分析的目的是把隐藏在一些看似杂乱无章的数据背后的信息提炼出来，总结出所研究对象的内在规律。在实际工作中，数据分析能够帮助管理者进行判断和决策，以便采取适当策略与行动。比如：企业的高管希望通过市场分析和研究，把握当前产品的市场动向，从而制定合理的产品研发和销售计划，这就必须依赖数据分析才能够完成。

简单的说，就是对数据进行分析，比较专业的说法是，数据分析是指用适当的统计分析方法对收集来的大量数据进行分析，未提取有用信息和形成结论而对数据加以详细研究和概括总结的过程。以求最大化地开发数据的功能，发挥数据的作用。

数据分析包含“数据”和“分析”两个方面一方面包括加工和整理数据，另一方面也包括分析数据，从中提取有价值的信息并形成对业务有帮助的结论。

数据分析的成果通常以分析报告的形式呈现。对于数据分析报告，分析就是论点，数据就是论据，两者缺一不可。

2.数据分析类别

其中，探索性数据分析侧重于在数据中发现新的特征，而验证性数据分析则侧重于验证已有假设的真伪证明。

数据分析的划分：描述性数据分析、探索性数据分析、验证性数据分析。

1）描述性数据分析：属于初级数据分析，常见的分析方法有对比分析法、平均分析法、交叉分析法。

2）探索性数据分析：侧重于再数据之中发现新的特征

3）验证性数据分析：侧重于验证已有假设的真伪证明

其中探索性数据分析和验证性数据分析属于高级数据分析，常见的分析方法有相关分析、因子分析、回归分析等等。

3.数据分析的作用

数据分析在日常企业运营中主要有三大作用：

1.现状分析

简单的说就是告诉你过去发生了什么。

具体表现在：

第一，告诉你企业现阶段的整体运营情况，通过各个经营指标的完成情况来衡量企业的运营状态，以说明企业整体运营是更好了还是坏了，好的程度是如何，坏的程度又到哪里。

第二，告诉你企业各项业务的构成，让你了解企业各项业务的发展及变动情况，对企业经营状况有更深入的了解。

现状分析一般通过日常通报来完成，如日报、周报、月报等形式。

2.原因分析

简单的说就是告诉你某一现状为什么发生。经过第一阶段的现状分析，我们对企业的运营情况有了一个基本的了解，但是不知道运营情况具体好在哪里，差在哪里，是什么原因引起的。这时候我们就需要开展原因分析，以进一步确定业务变动的具体原因。

原因分析一般通过专题分析来完成，根据企业运营情况选择针对某一现状进行原因分析。

3.预测分析

简单来说就是告诉你将来会发生什么。

在了解企业运营现状后，有时候还需要对企业未来发展趋势做出预测，为企业制定经营目标以及提供有效的策略参考与决策依据，以确保企业的可持续健康发展。

预测分析一般通过专题分析来完成，通常在制定企业季度、年度等计划时进行，其开展的频率没有现状分析及原因分析高。

什么时候开展什么样的数据分析，需要根据自身的需求及目的来确定。

分享 IT 技术和行业经验，请关注-技术学派。

让数据驱动落地企业，要先明确商业目的是什么，找到方向才能更好地指导业务。在互联网金融企业中，用户与交易额是各部门工作开展的核心所在。互金企业重点关注资金量和资产量，工作都是围绕此目标而展开。

不同部门有着不同的数据分析需求。例如，商务部门的工作核心是获客、拉新；运营部门关注如何提升客户活跃度并减少用户的流失，产品部门聚焦产品功能与优化，以提升用户的体验；管理层关心各个部门运营状况，以及业绩的达成情况。

数据分析虽然不能直接带来业绩增长，但为产品改进和决策提供了方向，让产品以最符合受众需求和体验的方式促进企业业绩提升。结合我在曾经的实际工作中，以及商务部门、运营部门、管理者的数据分析的真实案例，介绍如何应用数据满足不同部门的分析需求、以及企业在数据分析过程中存在的通病和应对之策。商务部门、运营部门、老板关注都有哪些数据分析需求?

商务部门：用户投资转化率

先从商务部门的获客说起，为监测渠道推广的效果，我会给每个渠道分配唯一标识，用来区分各渠道用户的来源。为了让相关渠道的推广人员能清晰了解渠道状况，我会推送一些渠道分析的报表，包含了渠道流量、注册用户数、投资用户数、投资转化率、用户的整体投资额、人均投资额等。

在整个渠道分析的过程中，我们经过异常指标、定位问题、解决问题等流程，最终驱动获客的提升。下面是我工作中真实的案例。

场景1：为何注册用户的投资转化率下降了2%？

当发现这个异常指标，我们要做以下判断：是大部分渠道均有所下降，还是单渠道的影响？在转化过程中，客户会在哪个环节中卡壳？出现问题的原因是什么……

通过分渠道查看并对比近一周的用户转化漏斗，发现前一天注册的用户在申请充值到充值成功步骤的转化率明显降低。为进一步挖掘原因，我通过分时段查看每个时段的充值成功率，发现晚上7点到9点充值成功率出现问题。最终技术调取日志确定是第三方支付平台的问题，因为在晚上7～9点间服务器出现故障。

为此，我们增加充值成功率指标监测，设置预警值，发生异常可及时反馈到相关人员。

场景2：为何注册用户充值成功，却没有转化为投资用户？

用户充值成功，初衷一定是希望在平台上完成投资的，因此没有转化投资用户属于异常情况。通过分析发现，是“标”的供给不足。老客户熟悉秒杀“标”的规则和“标”的发放时间，导致新手抢不到“标”。为此我们开辟了新手专区，从而保障新用户的转化率。

运营部门：资金管理、理财产品管理

互金行业的运营部门关注资金管理、理财产品管理。在投金额、回款&投资、充值&提现、净流入、沉淀资金等指标是监管平台资金常用的指标。与此相比，更重要的是如何看待和理解这些指标，若指标发生异常波动，要及时定位问题来驱动业务增长。

例如，为什么金融企业需要关注沉淀资金？沉淀资金是金融客户在平台的可用余额，是企业平台所募集的资金，若未能转化为投资额，是无法给企业带来价值的。若发现沉淀资金数值出现异常，背后有各种可能，如产品供给不足造成资金闲置；产品功能异常（自动复投失败）；或者大客户回款忘记复投，都可能会产生沉淀资金。

在理财产品管理实践中，数据分析给予了一些指导意义，例如：

我们通过分析发现，临近春节前 3 个月，短期标会供不应求，其中原因不难理解：一些用户尽管手头有很多闲置资金想投资，但春节期间会有较多的花费。这个结论为短期标的管理与发放提供了一些引导。

再如，通过分析发现，不同客户对产品偏好的差异性较大。大客户承受的风险能力很强，该用户群追求高收益，因此在其投资的产品中，长期标占比是最高；而小客户因为资金有限，这部分群体有灵活性的考虑，故短期标的占比最高。

老板：数据报告、目标管理

老板最喜欢看报告！数据部门最基本的工作是提供日报、月报、季度、年报、各团队业绩考核报告等。呈交老板的数据报告通常会包括综合指标统计、部门业绩拆分、产品分析、用户分析等内容。

除了报告之外，老板还希望达到资金与资产的平衡：资金是企业通过营销渠道拓取客户，若资产有限用户无法投资，将导致用户流失，造成营销费用的浪费；若资产较高却没能及时募集相应资金，企业会为资产付出较高的成本。在我们的数据分析工作中，会通过回款和复投率等指标进行资金预测，帮助老板解决目标管理等问题。

在这些年的数据分析实践中，以及在神策数据与众多行业客户交流中，不难发现企业在数据分析过程中普遍存在众多问题。如数据资产问题：用户行为数据的采集难以在内部实现，以及数据安全性无法保证；数据孤岛，用户明细数据拿不到，企业内部数据存在孤岛；用户行为数据与业务数据割裂； CRM、第三方数据、业务数据无法打通等；分析效率，即业务人员数据需求求助于分析师，沟通成本高；需求排队、不能得到及时反馈；低价值、重复的工作，人力严重浪费等。

这个时代是大数据时代，也是大数据人才稀缺的时代。由于中国人才缺口比较大，大数据也迅速成为行业和市场的热点，更多的企业无论是对大数据人才的招聘都成了刚需，这也促使大数据人才的薪资在同岗位中是最高的，掌握大数据技术，工资提升40%左右是很常见的。

大数据的就业领域是很宽广的，不管是科技领域，还是食品产业，零售业等等，都是需要大数据人才进行大数据的处理，以提供更好的用户体验，以及优化库存，降低成本，预测需求。下面跟小编一起看看大家今后可以从事的工作岗位及未来发展方向。

大数据分析九大热门工作岗位

一、BI工程师

1：负责BI数据仓库的规划，搭建报表平台

2：参与需求分析，数据仓库建模，功能设计及评审

3：与业务部门沟通协调需求并提出各种新的数据分析项目或方案

4：负责日常业务运营提供数据支撑,对分析结果进行报表开发设计

5：负责数据仓库的日常管理与维护

6：负责BI模型设计、报表开发和数据平台门户界面开发

7： 根据项目的数据分析需求进行BI的设计和项目开发

8： 对数据进行挖掘、整理和分析，提取数据进行系统建模

9：根据需求进行数据仓库模型设计，进行程序的开发，构建企业级数据中心

二、数据仓库工程师

1：负责对应业务线数据建模及数据仓库相关产品的设计、开发、测试

2：元数据的搭建和ETL设计、开发、测试

3：构建本行业大数据中心，创建OLAP多维分析模型并组织数据，开发数据集市

4：参与大数据平台数据仓库的建设工作

三、ETL工程师

1：遵循开发任务的计划与目标，服从项目经理的工作安排，参与或负责项目的详细设计、ETL开发等工作，保证项目的顺利研发及推广

2：负责数据中心建模、业务运营数据的导入、数据预处理的设计和开发

3：负责数据中心ETL流程的优化及解决ETL相关技术问题。

4：具备良好的ETL实施经验，能够按要求完成ETL设计和开发工作

四、数据分析师

1：深入理解业务数据分析需求，支持面向业务的数据服务

2：进行数据产品的算法研究和实现，并定期优化迭代

3：数据分析的流程、规范和方法建立，及相关文档的撰写

4：通过API收集数据，进行数据清洗并保存到数据库

五、数据库开发工程师

1：负责数据库系统日常架构，开发，部署，维护，备份和运行方案设计

2：负责软件开发项目中的数据库设计工作

3：负责数据库日常运维程序的编写

4：根据业务需求设计数据库结构，编写表、存储过程、触发、函数等脚本，及性能优化、疑难问题的解决

六、报表开发工程师（Cognos、MSTR）

1：按照要求使用ETL工具对数据进行清洗和整理

2：针对SQLSERVER或者ORACLE数据库编写存储过程

3：使用COGNOS或MSTR等报表工具进行模型创建和报表开发

七、软件实施工程师

1：负责BI项目的需求调研与分析工作

2：负责BI项目的方案设计、实施或项目管理工作

3：了解岗位范围内的硬件、软件、网络的状况，实施维护或更新计划、确保正常使用

4：负责上线企业的BI系统维护，提供技术支持对接服务

5：接受上级领导工作安排，完成其它临时性或突发性任务

八、运维工程师

1：负责BI系统的日常维护、故障排查、性能调优

2：负责系统的日常监测与维护、故障处理、性能分析与优化

3：负责系统模块部署、配置、维护、备份与监测

4：负责服务器维护和监控

5：负责系统的相关文档编写、运维信息统计等

九、软件测试工程师

1：根据产品需求完成测试计划、测试设计以及测试用例的编写，完成测试报告的分析与输出

2：对系统bug进行跟踪、推动解决，保障产品质量

3：根据需要完成关键模块的白盒测试工作

以上就是容大教育小编对数据分析专业可任职九大工作岗位整理，容大教育IT培训机构，专业数据分析培训机构，能够为你提供良好的技术学习，能够更好地了解每个学习者的需求，根据每个学习者特定的需求为其配置最合适的资产组合，无疑更加符合学习者的需求。

编者按：本文来自公众号秦路（ID：tracykanc），作者秦路；36氪经授权发布。

最近有不少同学在后台问我数据分析的职业发展相关，这里先列一个简易大纲。它更多是以我所在的互联网行业展开的。

入门和职业规划应该从两个角度考虑：领域和路线。

领域是不少新人常忽略的要素，其实数据分析不会脱离业务存在。你进入哪个行业，很大程度会决定你初期的技能树和技能点。譬如金融领域的风控模型、营销领域的生命周期、广告领域的点击率预估等，各有各的特色。

如果是一位应届生，不妨多了解自己感兴趣的领域，和专业相关是最好的，并且积累相关的经验，为面试做准备。

如果已经有一定行业履历，只是想要转岗数据分析师，那么跨岗不跨行，避免跳到一个陌生的领域。

领域经验太宽泛，我给不了太多的指点，主要也就三点：1.自己感兴趣的，2.自己擅长的，3.有钱途的。从职场生涯看，成为某领域的数据专家，会是一个更好的筹码。

而路线大致可以划分成四大方向：

数据分析，数据挖掘，数据产品，数据工程。

数据分析/数据运营/商业分析

这是业务方向的数据分析师。

绝大部分人，都是从这个岗位开始自己的数据之路，也是基数最大的岗位。

因为基数大，所以这类岗位通常鱼龙混杂。有些虽然叫数据分析师，但是每天只需要和Excel打交道，完成leader布置的表格整理工作就行。混个几年，成为一位数据分析主管，给下面的新人继续布置Excel任务。

又有一种数据分析师，岗位职责要求你掌握常用的机器学习算法，面试首先推导一个决策树或者逻辑回归。入职后也是各类代码，和分析打交道的情况不多。

都叫数据分析师，其实天差地别。

这里更多指互联网行业，偏业务的数据分析师，一般属于运营部门。不少公司也称数据运营或者商业分析。

这类岗位的职位描述一般是：

负责和支撑各部门相关的报表；

建立和优化指标体系；

监控数据的波动和异常，找出问题；

优化和驱动业务，推动数据化运营；

找出可增长的市场或产品优化空间；

输出专题分析报告；

实际情况是，不少业务端的数据分析师，主要工作只做第一点。别管它用汇总、分析、数据支持什么修饰词，基本是跑SQL，做报表。硬生生活成了业务端的表哥。

这是很常见的情况，也是入门新人的第一个坑。因为从头到尾，这类分析师，都没有解决问题。

业务部门往往更关心，某个指标为什么下跌或者上升。产品的用户是什么样的？怎么能更好的完成自己的KPI。

以活跃指标的下跌举例：

活跃指标下跌了多少？是属于合理的数据波动，还是突发式？

什么时候开始的下跌？

是整体的活跃用户下跌，还是部分用户？

为什么下跌？是产品版本，还是运营失误？

怎么解决下跌的问题

这是一套标准的解决思维。分别对应what、when、who、why、how，每一部分都不是三言两语可以解释清楚。不要看它简单，例如你通过多维分析，发现某个地区的活跃下跌了，不要急着把它作为分析的结论，这是不合格的数据分析。某地区的活跃下跌，只是现象，不是原因，把它作为结论提交，肯定会被骂的。

你要解决的是，为什么这个地区的活跃下跌了。是该地渠道，是该地竞争对手，是该地市场环境？这些问题都是细化深入的范畴。并且，它们要能以量化解释，而不是我认为。

做好了这点，才是一个真正的业务端的数据分析师。

当然，这一点看的是leader。leader能否带你进入业务分析的大门，决定你将来是不是成为一个表哥。新人切记切记。

解决问题是一方面工作，另外一方面，数据分析师的职责是将业务数据体系化，建立一套指标框架。活跃下跌的问题，本质上也是指标问题。什么时候开始下跌，哪部分下跌，都能转化成对应指标，如日活跃用户数，新老用户活跃数，地区活跃数。

你不能衡量它，就无法增长它，指的就是指标体系。指标体系可以是业务部门建立，但数据分析师也挺合适。一方面他们比数据挖掘这类技术岗位更贴合业务，一方面不像业务岗位对数据抓瞎。

两者结合，这岗位也能称为数据运营。

指标体系如果工程化自动化，也就是BI，所以数据分析师可以算半个BI分析师，这里不包括BI报表开发。BI如果采购第三方，数据分析师负责BI没问题，如果自有开发，那么BI岗技术的色彩更浓厚。

数据分析思维和业务的理解，是分析师赖以生存的技能。很多时候，工具是锦上添花的作用。掌握Excel+SQL/hive，了解描述统计学，知道常见的可视化表达，足够完成大部分任务。机器学习这类能力，对此类数据分析师不是必须的，Python也一样，只是加分项。毕竟为什么下跌，你无法用数据挖掘解答。

数据分析师是一个基础岗位，如果专精于业务，更适合往管理端发展，单纯的工具和技巧很难拉开差距。数据分析的管理岗，比较常见的有数据运营经理/总监，数据分析经理等，相对应的能力是能建立指标体系，并且解决日常的各类「为什么」问题。

商业/市场分析是另外一个方向，更多见于传统行业。你要开一家超市，你得考虑哪里开，这就要考虑居民密度，居民消费能力，竞争对手的多寡，步行交通距离，开车交通距离等。这些数据是宏观的大指标，往往靠搜索和调研完成，这是和互联网数据分析师最大的差异。

若往其他分支发展，比如数据挖掘工程师，则要继续掌握Python和机器学习等。从业务型发展上来的好处是接地气，具备商业洞察力（天天搞报表，怎么可能不熟），这点是直接做数据挖掘，或者程序员转岗，所不具备的。

新人，比较普适的发展路线是先成为一位数据分析师。积累相关的经验，在一两年后，决定往后的发展，是数据挖掘，还是专精数据分析成为管理岗。

学习资料：

这里对学习资料不再多做推荐，看历史文章：如何七周成为数据分析师

数据挖掘/算法专家

这是技术向的数据岗，有些归类在研发部门，有些则单独成立数据部门。

数据挖掘工程师要求更高的统计学能力、数理能力以及编程技巧。

从概念上说，数据挖掘Data mining是一种方式，机器学习Machine Learning是一门方法/学科。机器学习主要是有监督和无监督学习，有监督又可划分成回归和分类，它们是从过去的历史数据中学习到一个模型，模型可以针对特定问题求解。

数据挖掘的范围则大得多，即可以通过机器学习，而能借助其他算法。比如协同过滤、关联规则、PageRank等，它们是数据挖掘的经典算法，但不属于机器学习，所以在机器学习的书籍上，你是看不到的。

除此之外，还有一个领域，属于最优化问题的运筹学。现实中的问题往往有很多约束，比如护士排班，一共有三班（早、中、晚），现在要求每班满足最低护士人数，每位护士尽量不能连班，每位护士不能连续工作5天。每位护士的夜班数要均衡，每位护士每月的班数要均衡…这些问题很难用机器学习的方法完成，而在最优化领域，则有遗传算法、模拟退火算法、蚁群算法等。

实际的应用场景中，如外卖行业，如何寻找骑手效率最大化的最优路径，同样属于最优化，也是数据挖掘的工作范畴。

数据挖掘工程师，除了掌握算法，同样需要编程能力去实现，不论R、Python、Scala/Java，至少掌握一种。模型的实施，往往也要求Hadoop/Spark的工程实践经验，精通SQL/Hive是必须的。

常见数据挖掘项目的闭环如下：

定义问题

数据抽取

数据清洗

特征选取/特征工程

数据模型

数据验证

迭代优化

单看环节，数据挖掘对分析能力没有业务型那么高。这不代表业务不重要，尤其在特征选取方面，对业务的理解很大程度会影响特征怎么选取，进而影响模型质量。用户流失是一个经典的考题，如何选取合适的特征，预测用户会否流失，能够考察对业务是否深刻洞察。

数据挖掘的业务领域一样可以细分。金融行业的信用模型和风控模型/反欺诈模型、广告模型的点击预估模型、电商行业的推荐系统和用户画像系统。从需求提出到落地，数据挖掘工程师除了全程跟进也要熟悉业务。

因为要求高，所以数据挖掘的平均薪资高于数据分析师。

一个分工明确的团队，数据分析师负责将业务需求抽象成一个具体的数据假设或者模型。比如，运营希望减少用户流失，那么设立一个流失指标，现在需要预测用户流失率的模型。模型可以是数据分析师完成，也能是数据挖掘工程师。最终由数据挖掘团队部署到线上。

在一些公司，高级数据分析师会等价于数据挖掘工程师（其实行业内，对Title并没有严格的标准），只是工程能力可以稍弱，模型部署由专门的工程团队完成。

数据挖掘工程师，往后发展，称为算法专家。后者对理论要求更严苛，几乎都要阅读国外的前沿论文。方向不局限于简单的分类或者回归，还包括图像识别、自然语言处理、智能量化投顾这种复合领域。这里开始会对从业者的学校和学历提出要求，名校+硕士无疑是一个大优势，也有很多人直接做数据挖掘。

深度学习则更前沿，它由神经网络发展而来，是机器学习的一个子集。因为各类框架开枝散叶，诸多模型百花齐放，也可以算一个全新的分支。除了要求熟悉TensorFlow, Caffe, MXNet等深度学习框架，对模型的应用和调参也是必备的，后者往往是划分普通人和大牛的天堑。

算法专家和深度学习专家，薪资level会更高一级，一般对应于业务型的数据运营/分析总监。

数据科学家是上述岗位的最终形态之一，要么理论能力非常强，往往担任研究院的一把手。要么工程能力突出，上述的系统都能完成平台化的部署。

这类岗位对基础知识要求扎实，所以书籍需要比较大的阅读量，而且要保持领域新论文的吸收。

统计知识，除了「商务与经济统计」外，国外有一本「The Elements of Statistical Learning」，评价不错。

机器学习的入门，李航的「统计学习方法」，周志华的「机器学习」都是好书，英文好也能看PRML。

Python入门书籍的推荐太多，略过。「用Python进行数据分析」是必备的，当然这本书有点老，活用官网最新文档和stackoverflow，基本无碍。Python可视化查阅文档也够了，不用看书。

再进一步，则是机器学习的代码实现，比较知名的有「集体智慧编程」，「机器学习实战」等。其实最近还有不少新书，「Python DataScience Handbook」等，我当然不可能都看过，所以也不好推(hu)荐(you)。

除了基础，行业领域的也别落下，诸如推荐系统实战、计算广告…按需学习。如果你们公司对于人才有较高的挑战（一个人当两个人用），大概Spark/Hadoop机器学习相关的框架也得了解。

数据产品经理

这个岗位比较新兴，它有两种理解，一种是具备强数据分析能力的PM，一种是公司数据产品的规划者。

前者，以数据导向优化和改进产品。在产品强势的公司，数据分析也会划归到产品部门，甚至运营也属于产品部。这类产品经理有更多的机会接触业务，属于顺便把分析师的活也干了，一专多能的典型。

他们会运用不同的数据源，对用户的行为特征分析和挖掘，达到改进产品。最典型的场景就是AB测试。大到页面布局、路径规划、小到按钮的颜色和样式，均可以通过数据指标评估。

下图的案例，就是弱化心愿单按钮的存在感，让用户更多的聚焦在直接购买而不是收藏，最终让销售额提高了35%。

俗话说，再优秀的产品经理也跑不过一半AB测试。此类数据产品经理，更多是注重数据分析能力，擅长用分析进行决策。数据是能力的一部分。

后者，是真正意义上的数据产品经理。在公司迈大迈强后，数据量与日俱增，此时会有不少数据相关的产品项目：包括大数据平台、埋点采集系统、BI、推荐系统、广告平台等。这些当然也是产品，自然需要提炼需求、设计、规划、项目排期，乃至落地。

我们不妨看几个数据产品经理要求：

负责大数据产品的设计，输出需求文档、产品原型；

负责推荐算法的产品策略，完成相关推荐及个性化推荐产品的需求分析；

负责分析和挖掘用户消费内容的行为数据，为改进算法策略提供依据；

负责客户端数据需求的对接，制定相关埋点规范及口径，相关业务指标验证；

报表展示工具的落地和应用；

和C端注重用户体验不同，数据产品，更注重整体的分析能力和逻辑。除了产品经理最基础的Axure、Visio、MindManager等工具。往往还需要很多技术型的能力。比如了解BI/DW原理和实施、了解常用的推荐算法、了解机器学习模型等。这也很容易理解，C端要求你了解用户需求，而在数据端，主要用户就是数据。

这当然不是说，用户体验不重要，拿推荐算法来说，除了满足用户最基本的感兴趣，也要考虑时效性，考虑新兴趣的挖掘，考虑无数据时的冷启动问题…这些一样是用户体验，只是解决方案也得从数据出发。再多思考一步，模型是离线还是实时，实时怎么实现它？技术细则不用�...

在对数据分析岗位进行整理与研究时，通过对于这些岗位的企业性质、从事数据分析岗位职责、岗位要求及薪资待遇进行研究。我们对于未来的数据分析这个职业充满了希望，但是也对于这个职业二极分化充满了担忧。

一、数据分析职业概述

越来越多的企业将选择拥有项目数据分析师资质的专业人士为他们的项目做出科学、合理的分析，以便正确决策项目；越来越多的风险投资机构把项目数据分析师所出具的项目数据分析报告作为其判断项目是否可行及是否值得投资的重要依据；越来越多的企业把项目数据分析师课程作为其中高管理层及决策层培训计划的重要内容；越来越多的有志之士把项目数据分析师培训内容作为其职业生涯发展中必备的知识体系，数据分析这个职业应运而生，毫不夸张的说，数据分析师带给企业的不仅仅是一个个数据报告，更是一桶桶黄金，一片片亟待探索的蓝海。

二、数据分析职业现状分析

这个职位目前呈现是二八原则，好的数据分析师的收入是非常高，差不多平均水平在13k左右，但是处境不好的数据分析人员只能拿到跟内勤同等收入的水平。比如数据分析招聘中，185号岗位，这是一家公司需要大量招聘初级的数据分析师进行长期的培养广告公司；高级数据分析师在全国的范围内来说还是很少一个群体，主要承担对于某个数据分析项目进行建模与分析及算法研究等，这批人员一般的薪资待遇在16K以上，大多数在互联网与金融行业等利润率比较高的行业，数据分析招聘中，199号岗位，该岗位是杭州大型电商公司为其呼叫中心招聘数据分析师，待遇在P7左右，也就20-22K/月，还有盛大招聘数据分析师岗位也其实有很有代表性；最高端是一些互联网数据分析部门的管理层与数据科学家，一般是大型公司对于某个项目进行数据挖掘研究，全国也只有微软与阿里及一些从事数据挖掘公司里有这些数据科学家，一般的待遇差不多在50万以上年薪，这个大家可以关注一些互联网公司的招聘信息。

三、数据分析师的能力标准

格局是决定一个数据分析师的能力标准，一个好的数据分析师应该从行业的层面来分析公司现在所处的位置以及整个行业的分析，而且通过内外的数据得出富有逻辑性的结论，然后从这些结论中提供公司战略层面思考的策略，当然我也明白现在我们很多的分析师朋友都在沉浸在业务或者项目分析中，但是我认为格局观是决定一个数据分析师的能力标准。

数据分析师要做到基于内部与外部的数据结合通过严密的完整商业思考及严密逻辑推理，得出针对业务好坏的结论，并得出业务改进的策略。

什么内部与外部的数据的结合，我们即要看内部的数据还要结合行业的数据，而商业思考是做数据分析师通用的技能，那么结论是基本产出物，策略是分析师高级产出物。

四、数据分析师的三类素质

第一类是基本素质，第二类是通用技能，第三类是专业技能。

基本素质包括：1、聪明与好奇心；2、愿意学习并愿意能沉下心来付出；3、耐心与专注。

通用技能是核心思考能与展现自己的能力，第一点，结构化的思考能力与逻辑推理能力即智商不能差，如果是这样你看到的越多就做的越好，怎么来判断呢？第二点，良好商业感觉与商业判断能力；第三点，要有宏观思考能力，你要看到的格局要到；第四点，要有良好沟通能力。

专业能力从专业上要有基本统计学知识，从能力上要包括扎实数据分析能力与数据处理能力包括SAS\R\SPSS及tableau、FineBI等可视化表达的能力。那么高级数据分析师，我们应该更看中基本素质与通用能力，如果专业操作类分析师那么我们需要基本素质与专业技能。

五、企业要求及需备的知识点

大多数的互联网行业特别是电商行业对于数据分析师这块还是比较看重，主要的原因其主要的资产除了产品、人员就是长期积累的数据而这些海量的数据已经不能用人工经验来还原业务，这就需要数据分析师对于数据进行归纳与还原商业规则与逻辑，一般主要涉及商业分析、用户分析、产品分析、运唯支撑等这几块；从各家公司招聘信息来看，要求几乎雷同，同时也说明这个职业的互通性很强，说白了就是换个行业都可以在职场上存活下来；一般需要以下几个要求：

1、数据分析经验；

2、商业数据敏感度；

3、基本工具（SAS、SPSS、SQL、EXECEL等）；

4、建模；

5、知识点（统计学、会编程）；

六、如何获得数据分析知识点？

1、数据分析经验，大家可以每天浏览我们西线学院官网的文章，我们每天都会发布一些最新的分析实战文章；

2、基本工具类，我们西线学院帮助学员从零基础学会数据分析工具编程，丰富的知识扩展，实用性强,不掺杂无用讲解,只为给学员最极致的教学体验!

数据时代的到来使企业越来越意识到数据的价值,企业纷纷建立自己的数据分析团队.花重金招揽的数据人才怎么融入到本企业组织中才能发挥他们的才能呢？本文试图分析数据分析部门组织架构形式的优劣及影响.

从数据分析部门与传统IT部门的关系来看,分析部门有两种形式：设立独立的分析部门或设在IT部门下，由一个CIO管辖。

从数据分析人员是否集中来看也分两种情况：数据分析人员集中在大数据中心或者数据分析人员分散在各个业务部门。或者混合情况：两者都有数据分析人员，但职能分工不同。

下面具体分析三种典型组合情况：

第一种形式为传统式，

如下图：大数据中心设立在IT部门下，数据分析师集中在大数据中心。

这是一种大信息中心的形式。这种形式的特点是大数据中心与IT合并在一起，贴近数据源，业务部门向大数据中心提需求，大数据中心根据需求统一排期开发、分析。这时一般传统的报表、临时需求分析等也可能会与业务系统分开，由大数据中心管理。大数据中心对接各业务系统数据源在部门内部即可解决。各业务部门只需要跟大信息中心一次提需求即可。业务部门没有自己的分析挖掘团队，但一般会有传统的报告分析。

这种形式大多由传统BI部门演变而来。传统的经营分析中心或商业智能部演变为大数据中心，在数据仓库基础上增建大数据平台，增加大数据及数据挖掘人才，在原来的报表的基础上建设更深入的数据分析应用。

优点：数据中心与IT在一个部门，离数据近，数据整合便利，保障数据质量高。集中的需求管理也使内部沟通有效，避免重复开发，也可以使分析师内部总结提高。

缺点：离业务较远，尤其是分析团队与业务部门的工作地点不同时，容易与业务部门沟通不畅，闭门造车。如果业务变化快，无法跟上业务的步伐，对数据的思考不够深入，与业务部门沟通成本加大。

针对分析师集中后离业务较远的弊端有一种方法为：分析师仍然集中在大数据中心，但分析资源的使用、请求在各个业务部门，企业各业务部门自己根据项目需求请求所需的分析师。这种情况下分析师需要同时向本部门和业务部门汇报工作。

第二种形式为集中式。

这种形式与第一种的主要区别在于大数据中心是否独立。

这种形式的特点是公司所有与数据相关的平台建设、数据应用、数据分析挖掘都归属到一个部门，此部门是数据管理的唯一出口，业务部门不设立自己的分析团队，IT部门也不负责相应平台开发维护。

优点：部门职责明确单一。指标由一个部门计算，口径统一，且与业务部门独立，所以立场独立，分析结果更中立。

缺点：同时具有第一种形式的缺点，并且离业务部门及业务系统都较远，无论是数据理解还是业务理解都可能不够深入，同时如果大数据平台开发维护能力不强，会有技术困难难以推进。

第三种形式为混合式

此图与之前的主要区别在于业务部门是否有分析师。这里不再分析大数据中心是否独立的问题。主要分析大数据中心下分析师与业务部门分析师的职能及定位。

大数据中心分析团队职责主要集中在整个企业级的数据产品、数据应用、数据分析。服务的对象也主要是公司级的部门和领导。他们技术能力和业务能力更强，能利用最新技术解决业务问题，同时必要时对业务部门分析团队给予指导。

而各业务部门自己的分析团队主要服务于自己部门内部，技术能力不等，以前主要根据报表做统计或分析报告，但他们本身在业务部门对业务理解深入，主要是利用数据解决业务问题。有些强势部门可直连仓库自己写SQL提数，定制开发简易报表，技术强的业务部门甚至要求建设自己的数据集市，搭建自己的挖掘团队。

这种形式下的主要缺点是两者职责有时划分不清，造成部门利益为重、争抢项目、职责推诿、重复开发、口径不一致等问题。各业务部门的分析团队之间交流不畅，技能提升有限。有一种变通的方法为打破各部门利益障碍，建立横向的虚拟分析团队，加强虚拟团队内部沟通交流，甚至团队内部成员作为共享资源可根据项目周期流动。

通过以上分析可以发现为发挥分析优势，是在集中分析部门便于内部交流与靠近业务便于理解业务的矛盾的平衡。

每个形式都有各自的优点与缺点，没有对错之分。没有最好的只有最合适的，每个企业都要根据自己的实际情况进行调整。