近几年很多人想转行数据分析，不少人坚信可以在数据分析师这条职业之路上跑的远，跳的更高。
可惜，现实中在企业公司中张嘴闭嘴提到的“数据分析师”，远远不是你理想的那种高大上的职业
只要你有过几年切身体会过的工作经验，便会发现“数据分析师”这个职位里隐藏着太多猫腻。
现实是无论是很多人、很多HR或是老板都根本没有搞清楚数据分析到底是啥，且数据分析岗位设置更是毫无规划。
给人的感觉就是，只要是和数据扯上边儿的人，都叫“数据分析师”。更可怕的是，有时还会根据组织结构和部门职能，换着花样的叫，比如"业务分析师、用户分析师、运营分析师、策略/战略分析师"等等。
总之，听起来貌似都是和数据分析有关，而实际工作情况千差万别。尤其是在找工作时或者入职前，很多人没有搞清楚具体真实的工作内容，直接掉坑里！。
本来对数据充满激情，结果干着完全不搭边的事儿，心中发出惊呼“ 这啥玩意呀？和想象的差的太多啦！”
这种情况，真的怪不上别人，只能怪自己没有好好了解这个行业或者岗位情况，举几个例子来看一下：
在这种工作场景中，招聘要求上写：“需要熟悉Python，R，SPSS，EXCEL工具”的公司，你往往会发现面试的时候，基本上EXCEL就够用了，而招聘要求中提到”有SPSS、Python的“，如果用人部门没有特别要求的话，那基本都是HR妹子从各大招聘网站搜索来的用人要求。
如此这般的操作，自然很容易把各种岗位要求混为一谈，最后的结果便是尴尬：招来的人不是想要的、面试的公司不是想进的企业。
在这种实际场景中，尤其在中小企业中的很多同学，都是挂着所谓“数据分析师”头衔，实际上就是干打杂的“工具人”。每天工作特别琐碎、重复性的取数跑Sql、做Excel日报、各种莫名其妙的会议微信群，甚至各种设备和网路问题也得帮助处理。
不干会被喷被质疑，可真干了，那才叫个闹心，晚上睡觉都能被惊醒的那种闹心，真正能够踏下心来做业务分析的时间和机会太少了。
在这种实际工作场景中，往往就是求职者们一个个信心满满的去面试，稀里糊涂的面试通过后进了公司也搞不清楚自己到底应该干什么，考核标准和产出物交付也不明确，业务方领导总是埋怨你“没有价值产出”，IT技术方又总是让你“训练模型，鼓捣中台，治理数据”，结果到底整了个啥玩意，能不能挣钱谁也说不清楚。
这种项目工作一般都是不了了之，最后不是自己觉得没意思干不去了，就是第二年被优化掉了另谋出路。很可怕的是，不是我们不能干不会做，更多原因是公司管理者他们自己都没有想清楚要做什么，没有统一的战略规划。
想要搞清职业方向，我们必须放弃幻想，从三个基本现实出发来审视一下：
数据的天然属性就是混乱多变，不仅本身如此，数据获取来源更是多种多样，错综交叉在一起。
真实数据的获取，有些企业可以自己产生、有些需要寻找外部数据、甚至需要人工手动收集。
不同的数据获取来源，数据特征各有不同，也造就了在数据处理和实际使用上也存在巨大的区别，
正所谓有需求才有供应，从而产生了不同的数据工作种类，即不同的数据分析岗位。
如果不加区分，都叫”数据分析师“，难免存在很多模糊和歧义，听起来感觉很抽象，不具体。
下面我们从数据来源这个现实情况出发来详细介绍一下，数据岗位的产生和发展历程。
一般来说按常见的数据获取来源，目前主要的职业方向有4个，可以从五个维度来说明：
通过上面的内容我们不难发现，定位数据岗位范畴，归根到底主要来自两大方面：技术差异和业务差异！而企业最理想的状况就是：根据不同的数据来源，从具体技术类型上的差异、以及业务类型上的差异这两个角度出发，公司企业就应该能够明确清晰的区分差异，从而衍生出四个不同方向的具体的操作岗位出来，绝不是说“都是分析师”，来一言以蔽之。
值得注意的是，现实中很多企业并没有意识到数据来源的重要性，以及它们在技术和业务上的差异性，最终导致岗位设置边界模糊、岗位范畴重复混淆，结果是运营部门招个分析师去做产品设计，财务部门招个分析师去做战略规划等等奇葩现象。
无论是现在的网络课程、还是各种培训机构平台，都太喜欢数据分析、机器学习、人工智能这几个词了
同时公司岗位名称也随时代不断进步，由原来的数据专员、专管员、主管、电脑专管员等等发展成为一系列“高大上”称谓
比如：“商业分析师、数据分析师、大数据工程师、人工智能工程师等等”，叫着顺嘴，听着牛气。
短短几个词非常迎合当前人才市场的招聘需求，也蕴含着巨大的职业教育商机和赚钱机会。
当然也就出现了各种花样包装、宣传手段、职业资格考试等等，来吸引小白们自掏腰包加入到数据科学这个领域中来
特别是培训机构自己搞的所谓的“职业资格证书”，它们和公司实际岗位工作存在很大误导性，举几个例子比如：
上面这些操作，通过简化或模拟真实工作场景，再弄几个数据集案例来训练报名学员，确实是降低学员操作难度，提高课程培训效率的好手段。
可实际上业务高于一切，公司企业的业务模式和工作内容千差万别，你学的那个AARRR五棍流或者电信流失预测，也许在实际工作中一点用处没有，你找的工作岗位也许跟你所期待的数据分析、人工智能相差甚远；你每天面对的更多的是业务理解上的问题，而不是写什么代码、用什么模型。
正所谓急功近利，容易走火入魔。模拟案例简化操作的办法虽好，但也仅适用于从事初级入门工作的茶树菇/表哥表姐们，来取个数、做个表格画个图表等简单操作，可要想深入的研究下去，就得好好掂量掂量自己的能力和份量了，而且案例训练这种方式，也极容易让学员产生幻想和误解：从来没做真正做过的项目，以为照着课程案例撸了遍代码，自己就都学会了，就有这个能力了，就敢在简历上写项目经验！尤其是近两年，遇到这样有水分的求职简历越来越多。
具体来说，就是很多公司都会在业务发展、市场营销、战略策略等等部门安排“高级策略分析师、高级战略分析师、高级数据分析师、高级运营分析师、高级财务分析师等等”之类的职位，这类职业一般直接给部门领导或者老板汇报工作，不仅级别和工资高、而且不需要带团队带人，也就是公司中的“传说牛人”，“世外高人”这种感觉。
其实本质上，这类岗位对业务能力要求极高，一般都是见过大世面、能总览大局的，如果没有涉猎过战略规划，没有干过集团公司级项目，没有足够实战运营经验的话，根本不可能胜任，单纯靠溜须拍马上位的，没有真才实干，一旦对面是真正的大佬，也会很容易原形毕露，被直接秒杀。
值得注意的是：以上介绍的五类岗位称谓都是与数据高度相关的工作，加之企业管理者或者HR对岗位理解不到位、或者受到市场宣传吹捧的产生理解上的偏差，最终更多的操作是：把这些岗位都统称为“商业分析师，或者数据分析师”来发布招人信息和介绍职位，结果引来用工方和应聘者之间发生各种“货不对板”，这也是事实情况。
既然根据数据来源，结合技术差异与业务差异，最终可以完成岗位归属管理和细分设置。
那么企业理论上比较理想的状态，具有三大特点：
看起来这样清晰简洁的职能分工，让我们的工作、汇报、晋升路线都很明确，个人发挥空间也很大。
可惜，理论很美好，现实很骨感，事实很残酷。
要实现这种理论上的组织架构和岗位设定，其实对企业有很多苛刻的要求：
但凡在企业里工作过程，你就会明白，同时满足以上要求的企业基本上不存在。实际上，企业中有太多复杂问题会影响我们做出清晰的职能分工，我们不可能像数学公式解法那样来处理。
为了避免你不清楚公司岗位的具体内容而发生入职后踩坑后悔的情况发生，你可以通过询问以下关键问题，来快速理解该公司这个数据分析师岗位的基本情况：
这个业务部门包括业务、市场、推广、战略等等，而研发部门偏向数据开发和产品，千万选择自己期待或者擅长的方向，大方向不能选错了。
以上问题基本上能帮助你搞清楚，你面对的是家什么企业，它在招聘什么样的人。
剩下的就看你和企业双方的抉择了，相互共赢是最好的结果。
求职者们都渴望自己能入职一家有好老板、目标可期、组织完善、分工明确的公司大企业
所以必须会在了解招聘岗位的时候，提前做一些调查和准备，但这并不能完全消除岗位模糊的问题
毕竟不是谁都能清楚各种职业问题，也不是谁都有人脉关系能够摸清楚企业内部真实情况。
那是不是意味着当我们搞不清楚这个岗位情况下，就完全没机会做出自己的事业呢？
当然不是！更多机会都是在不确定性中诞生中，都是用能力和实干拼出来的。
如果组织架构不明确，反倒是自己打出一片天地的好机会，赶上公司目标迷茫，那就自己想办法做好业务干出成绩呗，要是部门领导很赏识，那就更该证明自己来升值加薪，遇到的岗位很基础自己不喜欢，那就优先选择大平台镀金，然后选择小平台锻炼能力；实在不甘心受不了了，人挪活，树挪死，那就直接换家公司或者转行寻找新机会。
机会总是留给有准备的人。面对企业岗位的不确定性风险，既不能粗心冒进更不能畏首畏尾，秉承在战略上要藐视敌人，又在战术上要重视敌人的核心思想，从技术上、业务上、心理上，全面锻炼能力准备自己，还要根据不同的实际情况来选择有效的方法，让自己的职业生涯越走越远。
京公网安备 11010802035086号