数据分析师：数据驱动型业务决策的关键角色
来源：企业网D1Net
数据分析师通过解释大量数据来帮助组织了解业务的当前状态。
数据分析师使用数据来帮助组织做出更好的业务决策。数据分析人员使用计算机编程、数学和统计等众多学科的技术，从数据中得出结论，以描述、预测和改进业务绩效。它们构成分析团队的核心，并且往往是精通数学和统计分析方法的多面手。
随着组织快速发展其分析能力，数据分析师的角色需求很大。根据调研机构 IDC 公司今年 4 月预测，大数据和业务分析解决方案的收入将达到 1,891 亿美元，到 2022 年将实现两位数的增长。
Gartner 公司杰出副总裁 Rita Sallam 说：“业务和技术的变化速度从未如此快，特别是在分析方面。随着很多企业进行数字化转型，当他们在包括产品本身在内的所有业务中添加数字化流程时，数据和分析变得越来越重要。”
咨询机构 Carruthers 公司总经理 Caroline Carruthers 和英国国营铁路公司 (Network Rail) 前首席数据官 Jackson 表示，尽管组织在过去几年中一直专注于数据科学、机器学习和人工智能，但现在可能正在转向分析。Jackson 是《首席数据官的行动手册和数据驱动的业务转型：如何颠覆、创新和保持领先于竞争对手》的作者之一。
Carruthers 说，“很多人不再关注分析技术，因为很多人对机器学习和人工智能的应用感到兴奋，然后可能会说，我们必须做所有这些奇妙的事情。” 很多人却忘记组织实际上从分析中获得了巨大的价值。因此开始转向在组织中推动数据分析。”
尽管数据分析师和数据科学家可能在同一数据分析团队中工作，但他们的角色差异很大。
数据分析师试图通过将数据转换为业务可访问的信息来描述其组织的当前状况。他们收集、分析和报告数据以满足业务需求。该角色包括确定新的数据来源和方法以改善数据收集、分析和报告。另一方面，数据科学家通常从事长期研究和预测，而数据分析师则寻求通过报告和临时查询来支持业务领导者做出决策。
Looker 公司首席数据科学家 Hillary Green-Lerman 说，数据分析师和数据科学家之间的差异归结为时间尺度。数据分析师试图描述当前状态，数据科学家试图预测和 / 或理解未来。数据分析师可能会帮助组织更好地了解其客户如何使用其产品 —— 哪些产品对他们有用，哪些不适用。数据科学家可能会利用这项工作所产生的洞察力来帮助设计一种能够预测新客户需求的新产品。
Green-Lerman 说：“许多人认为数据分析师只是初级数据科学家，他们提高水平之后将会成为数据科学家。有时候这是真的，但我发现，一名真正优秀的数据分析师与一名数据科学家有着不同的技能。”
数据分析师主要处理组织的结构化数据。他们在与客户、业务流程、市场经济等相关的数据上创建报表、仪表盘和其他可视化视图，为高级管理层和业务领导人提供洞察，以支持决策工作。数据分析师处理各种数据，其中包括库存、物流和运输成本、市场调研、利润率、销售数据等。他们利用这些数据帮助企业估计市场份额、产品价格、按时销售、优化运输成本等。
数据分析师试图了解企业需要回答的问题，并确定这些问题是否可以由数据来回答。他们必须了解与收集数据、分析数据和报告相关的技术问题。他们必须能够识别趋势和模式。
根据 Workable 公司的说法，关键数据分析师的职责包括：
- 使用统计技术分析数据并提供报告
- 开发和实施数据库和数据收集系统
- 从主要和次要来源获取数据，并维护数据系统
- 识别、分析和解释复杂数据集中的趋势或模式
- 过滤和清洁数据
- 与管理层一起确定业务和信息需求的优先级
- 查找和定义新的流程改进机会
根据 Robert Half 公司的 2020 年技术和 IT 薪资指南的数据，基于经验，美国数据分析师 / 报告撰写者的平均薪资在 83,750 美元到 142,500 美元之间。
另一方面，就业搜索引擎将美国数据分析师的平均年薪定为 65152 美元。事实上，数据分析师通常可以在非传统技术领域赚得更多的薪酬。
根据 Indeed 公司的调查数据，以下是数据分析师最需要的技术技能：
1. 机器学习
2. 脚本编写
3. SQL
4. Stata
5. Microsoft Excel
6. Tableau
7. Python
8. R
9. Microsoft SQL Server
10. SAS
虽然机器学习在榜单中名列前茅，但 Indeed 公司指出，只有 3% 的数据分析师职位发布中包括了机器学习。Green-Lerman 解释说，机器学习仍然是数据科学家的领域。
Green-Lerman 说：“数据科学家开始进入研究所有事物数据的广泛领域，然后将其划分为机器学习科学家和数据分析师。”
Green-Lerman 表示，她相信组织将越来越多地将数据科学家职位发布为 “机器学习数据科学家”，并将数据分析师职位发布为 “分析数据科学家”。
她说，“我认为这种措辞出现的原因是薪酬问题。数据分析师的工资通常要低很多，但从事分析工作的人员可能需要与从事机器学习工作的人员有着类似的教育背景。”
除了分析和数学技能，以及使用 SQL 等语言的能力之外，沟通技能也是必不可少的。数据分析师经常需要与业务部门接触，以了解业务目标并收集需求。
Green-Lerman 说，在申请数据分析师职位时，技能和经验的折衷组合是获得关注的关键，尽管需要具备 SQL 和统计分析功能。
Green-Lerman 说，“我通常要在团队中寻找的是优秀的沟通者和作家。简历上的所有内容都应该看起来十分专业，因为分析师所做的一些就是撰写报告。我通常希望那些具有一定经验的人员参加培训或学习硕士学位课程。我希望他们拥有一些实践经验，即使是实习人员也是如此。”
此外，她还希望收到详细描述多个分析项目的简历。
她说：“我很喜欢列举一些数字的简历，因为那意味着他们已经在考虑展示价值和关键绩效指标。但是并不是每个人的工作都适合这一点，所以这并不是一个硬性要求。”
虽然对数据分析师没有特定的教育和培训要求，但大多数数据分析师至少拥有数学、经济学、计算机科学、信息管理或统计学的学士学位。编码训练可以提供帮助，实习经历可以提供许多组织正在寻找的经验。
数据分析技能的需求很高，而且相对很少。具有丰富经验和技能的个人可能会要求获得高薪。得到适合的大数据认证和商业智能认证可以为数据分析师提供帮助。
一些受欢迎的认证包括：
其他的数据分析工作
在不断扩展的分析领域，数据分析师只是一个职位。根据 PayScale 公司的调查，以下是一些最受欢迎的职位和每种职位的平均年薪：
- 分析经理：94,068 美元
- 商业智能分析师：67,369 美元
- 数据架构师：115,002 美元
- 数据工程师：91,642 美元
- 数据管理员：61,134 美元
- 数据科学家：96073 美元
- 数据库管理员 (DBA)：72,816 美元
- 数据库开发人员：74,650 美元
- 研究分析师：54,665 美元
- 研究科学家：78,591 美元
- 统计员：71,374 美元
未来的制造业要的不是石油，它最大的能源是数据.