数据分析师真有那么好？原来正在面临3大职业困境

最近几年，大数据行业的迅猛发展带动了数据分析师需求量的增加。数据分析师迅速成为了求职市场上的香馍馍。

造成一些圈外人认为数据分析就是企业的灵丹妙药，通过数据分析能解决一切问题。产品改版，营销策略，市场定位，战略决策，哪一项不需要数据分析。连战略决策都要靠分析师，能不重要么?

但理想很丰满，现实很骨感。真正做过数据分析的同学一定能体会到，同其他行业一样，分析师在工作中会遇到各种的窘境，导致自己寸步难行，郁闷迷茫。其中有些问题甚至难以改变。

 

手里没有数据

很多人很奇怪，数据分析师怎么可能没数据呢?全公司的数据都在这个部门啊。实际情况可真不是这样

数据分析师真有那么好？其实正在面临3大职业困境

没有数据主要有三个原因：

一是公司数据体系不健全，缺失很多关键数据。比如某些互联网行业公司，埋点系统有缺陷，很多关键数据抓不到;又比如某些传统行业公司，由于内部系统断层，造成数据孤岛。我就经历过一家公司，CRM系统、财务系统、业务系统各自一滩，数据没有打通，没有形成数据链条，根本没有办法串联起来做分析。

针对这种情况，数据分析师首先要正视现状。数据体系建设，内部系统打通向来是公司的大难题，需要投入大量的资源才能有明显的改善。不要指望很快完成。二是在数据有限的情况下，还是要尽量的提供分析价值，这也是区别分析师段位的地方(你想想，如果所有的数据全到位的的情况，分析师的价值就弱化了)。同时能够清晰说明，由于数据的缺陷导致哪些分析陷入瓶颈。通过有效的反应，推动底层数据逐步完善。

二是组织结构问题，数据散落在不同的业务部门手中。业务部门不愿意合作，不提供数据。这种问题分两种情况处理。如果分析师在公司层面的分析团队，还是要靠公司层面去建立统一的底层数据平台;如果分析师在业务团队，则需要通过部门之间的配合来解决这个问题，在局部范围做数据共享。

三是没有数据工程团队支持，分析师团队的底层数据建设不完善。这种情况，最好的办法就是组建支持分析师团队的工程团队。术业有专攻，分析师和工程师这两个工种还是有区别的。仅从使用的工具方面来说，分析师擅长的是SQL，Python，Excel，BI;工程师擅长的是Hadoop各种组件。所以说专门支持分析师团队的工程人员还是很有必要的。关于这个团队的规模，可视具体情况而定。最不济的情况，分析师就自身提高能力，承担数据工程建设任务，这对于分析师自身的发展也是一件好事。

分析的结果，业务不买账