數據分析師的工作在新聞的炒作下,越來越多人知道,也越來越多人想踏入這一行。今天會分享我的觀點:數據分析師的職涯發展跟前途。我以我自己在這個行業觀察了將近 5 年的時間,分享我的看法!
數據分析師:市場是否趨近飽和?
- 若引用 Cheers 雜誌與 104 人力銀行獨家合作的調查:在半導體、金融、零售、健康醫療 4 大產業中,統計最熱門的 3 大數位職缺:其中一個就是數據分析師。詳細報導:可以參考 Cheers 雜誌 來源出處
- 除此之外,台灣的少子化也非常有可能影響就業市場。數據分析行業的變化很快、需要大量學習,因此依據科技推陳出新的速度,青年們 (假設政府會因應科技趨勢來提供大家教育) 會更有利於應徵這個行業的工作,畢竟這行瞬息萬變。因此,如果少子化影響青年的數量,會進階影響到數據分析行業的提供者,那也代表市場或許不會這麼快進入飽和,甚至可能會更加短缺
- 除了這些觀點以外,我認為最快的方式,就是到求職網上,搜尋這個職業,看同時競爭的人有多少?
- 在我撰寫文章的當下,數據分析師在 104 上排名前五的職缺,應徵人數大約為 5~10 人
個人看法:多考慮個人,甚於市場
- 如果大家都來學、來做這行,就會供給大於需求,這是無庸置疑的
- 但未來難以預測,所以或許跳脫這個思維來想,考慮「自己想不想從事這個行業」多一點,會比糾結市場供需問題來的簡單一些。以我個人的話,我會考慮以下這幾個問題,來思考要不要進入這個行業:
- 自己真的想做這行嗎?(工作內容是否適合我?)
- 我目前的狀況可以轉職嗎?(經濟狀況是否允許我準備轉職?)
- 未來我想怎麼規劃自己的職涯?
- 如果以上問題有肯定的答案了,可以試著投入這個領域
- 接下來會分享一下我個人:對於數據分析師前途、職涯規劃的看法
初階數據分析師的工作內容有未來嗎?
3 大初階數據分析師的核心能力:其實是很有價值的!
- 初階數據分析師可能碰到的工作內容:
- 必須用白話解釋複雜的數據:可能會大量跟沒有完整資料結構概念的同事共事,因此需要用最簡單的方式,解釋跟溝通數據的用法、呈現方式
- 複雜的資料處理及視覺化:不論用哪種工具 (Excel、SQL、Python…),用適合的方式撈取資料、並且做成其他人 (stakeholders、management team) 可以一眼看懂的表格或是圖表
- 分析資料、找到對公司或是部門有價值的結論:不論用敘述性分析、診斷性分析、預測性分析、決策型分析,想辦法幫忙公司及其他部門解決問題
數據分析師的 5 大職涯規劃分享
- 職涯規劃可以依據上一段所敘述的 3 大核心能力來規劃未來的路:
- 擅長白話解釋複雜數據的數據分析師:可以轉往商業分析,或是各領域的分析職位。不斷學習 Domain Knowhow (產業知識)、領域知識 (function knowhow),並且以數據分析及其他的整合能力,協助部門優化或是做決策
- 擅長資料處理及視覺化的數據分析師:繼續在數據分析的部門,給予更多協助及幫忙。甚至擴大處理範圍,到資料工程、資料庫的搭建、數位轉型、線下及線上數據整合
- 擅長複雜分析的數據分析師:除了用學習門檻較低的敘述性分析、診斷性分析,可以轉往數據科學家的工作,用深度學習、機器學習做進階的預測性分析
一、商業分析師
- 除了具備非常好的數據能力以外,商業分析還需要有這些能力:
- 足夠多的產業知識:商業分析師的工作,必須有足夠的產業知識,才有辦法勝任影響決策的工作。像是電商產業、金融業、旅遊業等等,會有完全不同的產業知識,商業分析師需要注意的細節跟面向也大不同
- 對於公司的資源,有一定的瞭解、並且能夠調動:需要具備非常好的溝通能力,可以不怕去協調公司現有的資源,必須不怕得罪他人但同時又為人圓滑,有很好的專案管理能力
二、 領域 + 分析:行銷分析、產品分析、營運分析、財務分析
- 如果在不同領域有一點經驗,加上數據分析的專業實力,可以走往領域 + 分析的路:
- 足夠多的領域知識:行銷、產品、營運、財務,各有不同的領域知識。行銷必須懂線上、線下通路的行銷策略、產品必須懂用戶體驗、營運必須關注成本及效率、財務必須看懂財務報表
- 整合能力 + 領域知識 +數據分析能力:以 3 大能力協助領域或是部門,統整現行做法的優缺點、優化、做決策
三、資料工程師
- 數據分析師處理的資料多半是資料工程師已經清洗過的乾淨、可以被運用的資料,如果數據分析師想要擴大自己處理的範圍,可以整合資料工程領域的專業
- 學習從後端,將資料以最有效率的形式,存放到資料庫中,供其他人取用:
- 不論是用哪種程式語言 (Python、Spark…)
- 資料工程師需要把後端的資料存放到資料庫中,建立資料流程 (data pipeline)
- 目的是把數據變成數據分析師或是其他人可以以 SQL 取用的形式
- 同時也要善用雲端資料庫 (AWS、GCP) 來處理儲存數據的問題
- 程式及 SQL 的能力也會被要求比一般數據分析師來的更進階
- 學習從後端,將資料以最有效率的形式,存放到資料庫中,供其他人取用:
四、資料科學家
- 有別於數據分析師的解決問題方式:敘述性分析、診斷性分析,資料科學家會有更深的數學、統計、程式專業,把分析一路帶到預測性分析的階段
- 學習 Python 或是常見的套件 (numpy、pandas) 只是基本:
- 選擇資料、資料清理、正確的收集,是其一,因此資料科學家也必須有數據分析師的能力
- 模型背後的數學、統計才是資料科學的精髓
- 接著面臨的是選變數、特徵工程、模型訓練、模型部署等等
- 資料科學家是 5 個選擇中,學歷最被要求,同時必須有優秀的數學、統計、程式專業
- 學習 Python 或是常見的套件 (numpy、pandas) 只是基本:
五、資深數據分析師、數據總監
- 資深數據分析師必須瞭解公司的組織、運作方向
- 除了數據分析的基礎外,資深數據分析師可能也會被要求有資料工程或是資料科學的能力
- 在混合型的工作中 (數據分析、資料工程、資料科學),或許不會被要求非常專精,但對每個領域都要有一些瞭解
結論
- 數據分析師的職涯之路,不一定是線性 (線性指的是:數據分析師 → 資深數據分析師 → 數據部門主管→ 數據部門總監),我個人認為有一個最主要的原因:「純」做數據不一定是所有數據人最理想的選擇,畢竟數據只是工具,不是答案
- 既然非線性發展,我們必須學習其他專業,強化競爭力,這種有門檻的競爭力,在其他職位中也絕對可以順利活下來,甚至發揮加乘作用 (數據分析專業 + 其他專業)
- 運用數據做為幫助自己的工具,但也不過度依賴
- 路是否越走越寬,就看後續的進修方向、職涯選擇方向如何安排
- 我個人認為,數據分析師是踏入數據行業中,門票最好拿。同時也是數據行業中,最基礎、最核心的本質,很適合作為轉職分岔路上的一個起點!
- 如果你對數據分析師或是商業分析師的工作有興趣,我推出的【STEP 數據分析師轉職培訓班】中,會一步一步帶你從了解部門領域知識、到工具應用、學中做,做出跟你相關的專案,最後透過領域面試的撇步,挑到數據分析師的初階好工作,有興趣的話,一定要預約我的免費戰略會議,確認我的課程是否能幫到現在的你!
Pingback: [數據分析#0] 數據分析文章導覽 - Lisa Wu 財富自由之路
Pingback: [數據分析#48] 零經驗轉職數據分析師:如何規劃轉職數據分析師學習進度表?一定要知道這 4 步才不會後悔! - Lisa Wu 財富自由之路
Pingback: [數據分析#18] 10 Q&A - 如何 3 個月自學成為數據分析師? - Lisa Wu 財富自由之路