这是个很好的问题，以滴滴数据科学岗位的一点经验谈谈我的理解。

就以题主说到的异动分析为例，举个例子，比如某天全国的核心业务规模出现了一定幅度的下跌，针对这个问题，不同的分析师可以做到三种不同的深度：

除了以上三步之外，有经验的数据科学家还会去考虑，有没有可能把刚才做的异动归因分析模型化、产品化，从而给业务方赋能，让业务方也能直接看一个交互产品自己做异动归因分析，这种产品化思维也是技术深度的一种重要体现。

其实在大中小厂，数据分析给公司贡献价值的方式都差不多，其实都是帮业务看清现状、评估效果、探索未来方向等。有差别的地方可能是大厂的数据科学人才相对充足、数据相对完备，从而使得做数据分析的人有时间和精力在单点问题上进行深度研究分析，而初创公司做数据分析的人一般不太多、数据不够完备且往往需要敏捷决策，分析师没有时间和精力去深入地做分析。当然，公司是否具备数据驱动的文化也十分关键，数据部门毕竟是和业务部门紧密配合的支持部门，如果业务方认为数据分析师就是“手动人工智能取数机”的话，分析师也确实难以发挥分析的价值。