全部回答 已有 3人回答

• 

  18*******61 2023-05-23
  個人遇到的情況來說，轉入數據分析的崗位主要是財務測試和運營，仔細想下來，這不僅是經驗的結果，也是有邏輯的。
  
  對于財務來說，能接觸到財務數字，但沒辦法更進一步的進行業務分析；
  
  對測試來說能接觸到產品改造，但是在技術上沒有話語權又偏離業務；
  
  對運營來說有辦法去做大型的活動，思考方案，但是沒有更精細化運營的技術
  
  這三類部門的同學都會有人去提升數據分析能力，或者直接轉成數據分析師。主要學習的就是數據庫和統計學。
• 

  13*******08 2023-05-20
  我個人覺得，數據產品的問題本質上還是成本的問題。中小企業的數據產品解決方案可以通過云服務來進行優化，如果創業的源頭可以開水放閘，大量的使用方會推進云服務的建設，反推動數據智能解決方案的優化 而大公司由于數據安全，ROI等問題偏向于自己搭建，這就只能期待架構師和產品的進步，才能進一步提高數據使用效率，但也會減少數據分析師的需求，加強對其他部門的數據分析能力的要求。 但這里的問題就是，數據部門必須嘗試提升自己的價值，如果沒有足夠的價值，公司不會請更貴的數據團隊來解決問題。所以我到現在會覺得，一個能整合算法，數據倉庫，數據平臺，商業經營戰略分析的商業智能部門，才是推進數據工程化建設比較好的解決思路。單一的部門支撐不起價值，如果職能分散，公司更會容易在數據競爭中落敗。這就對未來高層管理者提出要求，要找到在計算機科學，數據科學和商業上都交叉的人才。
• 

  13*******38 2023-05-20
  數據流通效率低，大部分人仍然有很多時間花在數據提取和口徑梳理上。 導致這些缺點的原因是： 1.數據產品還不夠智能，類似神策提供的那種智能化分析軟件，還有提升的空間，而大多數公司自己的bi軟件甚至連那種水平也達不到 2.數據使用沒有規范化，尤其是以運營驅動的公司，對數據的使用過于隨意，數據管理者無法推行有效的規范，來規定什么數據該怎么取，團隊應該在數倉上如何優化，整個團隊都為業務需求服務，導致沒辦法長期開展數據建設和數據智能的項目 3.互聯網整體對數據的使用還需要提升認知，非互聯網更不用說。統計知識和分析思路是有必要推廣到大眾的，連相關性，正態分布等知識點都未能拉起共識，再深入去做分析會遇到【對方無法理解的情況】，算法工程師則不同，煉丹不管你怎么煉的，吃了長壽就是好單（而且測試效果可以工程化）。數據分析師更像是藥房抓藥的，抓出來是八角還是桂皮一看便知，現在你說你要加一味砒霜，人家不敢吃，你說要加一個甘草，人家沒聽過，這藥就賣不出去，人家會覺得【你水平有問題】