全部回答 已有 3人回答

• 

  18*******61 2023-05-23
  个人遇到的情况来说，转入数据分析的岗位主要是财务测试和运营，仔细想下来，这不仅是经验的结果，也是有逻辑的。
  
  对于财务来说，能接触到财务数字，但没办法更进一步的进行业务分析；
  
  对测试来说能接触到产品改造，但是在技术上没有话语权又偏离业务；
  
  对运营来说有办法去做大型的活动，思考方案，但是没有更精细化运营的技术
  
  这三类部门的同学都会有人去提升数据分析能力，或者直接转成数据分析师。主要学习的就是数据库和统计学。
• 

  13*******08 2023-05-20
  我个人觉得，数据产品的问题本质上还是成本的问题。中小企业的数据产品解决方案可以通过云服务来进行优化，如果创业的源头可以开水放闸，大量的使用方会推进云服务的建设，反推动数据智能解决方案的优化 而大公司由于数据安全，ROI等问题偏向于自己搭建，这就只能期待架构师和产品的进步，才能进一步提高数据使用效率，但也会减少数据分析师的需求，加强对其他部门的数据分析能力的要求。 但这里的问题就是，数据部门必须尝试提升自己的价值，如果没有足够的价值，公司不会请更贵的数据团队来解决问题。所以我到现在会觉得，一个能整合算法，数据仓库，数据平台，商业经营战略分析的商业智能部门，才是推进数据工程化建设比较好的解决思路。单一的部门支撑不起价值，如果职能分散，公司更会容易在数据竞争中落败。这就对未来高层管理者提出要求，要找到在计算机科学，数据科学和商业上都交叉的人才。
• 

  13*******38 2023-05-20
  数据流通效率低，大部分人仍然有很多时间花在数据提取和口径梳理上。 导致这些缺点的原因是： 1.数据产品还不够智能，类似神策提供的那种智能化分析软件，还有提升的空间，而大多数公司自己的bi软件甚至连那种水平也达不到 2.数据使用没有规范化，尤其是以运营驱动的公司，对数据的使用过于随意，数据管理者无法推行有效的规范，来规定什么数据该怎么取，团队应该在数仓上如何优化，整个团队都为业务需求服务，导致没办法长期开展数据建设和数据智能的项目 3.互联网整体对数据的使用还需要提升认知，非互联网更不用说。统计知识和分析思路是有必要推广到大众的，连相关性，正态分布等知识点都未能拉起共识，再深入去做分析会遇到【对方无法理解的情况】，算法工程师则不同，炼丹不管你怎么炼的，吃了长寿就是好单（而且测试效果可以工程化）。数据分析师更像是药房抓药的，抓出来是八角还是桂皮一看便知，现在你说你要加一味砒霜，人家不敢吃，你说要加一个甘草，人家没听过，这药就卖不出去，人家会觉得【你水平有问题】