我们要讨论的核心问题是，数据分析或者说数据部门，对于一个公司来说定位如何，意味着什么？

现在我的答案是：理想的数据部门应该是信息流通和信息解读的关键部门，对于依赖及时可靠的信息流的公司来说，数据部门就应该是核心部门；对于更多依赖管理和执行的公司来说，他们仅需要做好本职工作。

所以定位跟着公司业务走。

在我任职的几家公司中，数据部门承接的最基础和最有效的工作，便是作为业务部门的信息来源，也作为数仓和数据研发的纠错方，顺带作为数据产品的需求方，也就是常说的取数。

【取数】这个工作其实没有太多的技术含量，本质上是在大数据的背景下，数据的提取和管理变得更复杂，所以另辟一个岗位出来，作为时代特殊的润滑剂。因为大部分资深的业务方同样要面对大数据的冲击，数据变得复杂而他没有能力主动去取，就诞生了这样一个【熟练运用统计软件】的工种。

但虽说取数这件事是基础工作，但它诞生开始就给了一个非业务部门接触信息的机会。你虽然只是一个在水池旁边取水的工作人员，但是你才是接触水的第一环节，如果你是一个博士，你可能在拿到水的瞬间，用手指沾一沾水，就能知道里面有多少微生物。

所以在【数据部门】的背景下，【个人能力】可能影响了部门的上限和下限，这是个很有趣的现象，以致于在这个现象下诞生了【数据分析师】这样的工种。领导对数据分析的期望提高了，因为有些人可以从这水池里告诉他有价值的观点，所以整个组便多了一个职能。

我理解从【数据运营】进阶到【数据分析】是天然的，只要公司环境不打压，在庞大的数据量下，但凡有点想法的人都会对数据下手。因为数据和结论的下一个环节是策略，策略就是钱，所以数据就是钱，这没错。其关键在于究竟是更了解业务的业务方提出更有价值的分析策略，还是更懂数据的数据方提出更具体的症结。

我认为这取决于公司的业务形态。

和同行讨论得到过一个观点，就是越往线下靠拢的公司，线下场景越复杂，对精细数据的要求就越弱，执行力成了制约策略效果的主要影响，越不需要更数据的数据分析师，需要的是懂业务的人。而对于纯线上产品来讲，数据分析的结论更客观，也更直接的作用到全部的c端，这时候需要的是懂业务+懂数据的分析师。

复杂不一定是好事，相当于越下沉，影响业务结果的原因就无法归因。比如一个物流站点，负责的人不一定经过培训，可能就是土生土长的人，他们做一件事，下一个决定，骂一个顾客，你都是管不着的。因为个人的性格对站点带来的负面或正面的影响无法归因，这时候数据做的再精准也没用，因为你连天气都算不到，怎么去算人心？

而如果做一款游戏，虽然我不了解你的想法，但根据数据分析和机器学习，你的规律我可以找到，你什么时候打游戏，什么时候愿意付款，什么模块最活跃，都表现在数据里，因为你是主动的。这时候数据的价值就在数据本身，归因不受太多线下因素的影响，因为规律和习惯是相对稳定的。这样的公司，对于数据和信息流通的需求就会很强烈，产品开了个好头，但稳定运营靠的就是数据分析的支撑。

而进一步进阶，要考虑的是数据部门与其它部门的关系，实则成了不同数据分析的变种。比如公司有业务，有产品，有财务，有老板，对应的就是业务分析，产品分析，经营分析和战略、商业分析。本质上这些分析万变不离其宗，相当于把团队就建立在水池旁边，这是最高效的一种。

分析思路是通用的，根本上就是对数据的拆解和分析，要从数据中找到规律。拆解指标是最基本的一种，你需要对业务理解深刻，也需要有一些取数和统计的技巧在，这个工作才做的好。但越往深做，对数据的需求就越高，对分析师的要求也越高。

这种高在于你的理解能力和学习能力，因为数据不能全信，即使你有很高深的挖掘技巧，也不过是辅佐你做判断的依据。机器无法取代人类的一点是预测和直觉，即使你对数据的信仰再深，也不要丢掉人类大脑的判断和直觉。

但是对数据分析师来说，工作上会有业务类型的区分和行业的区分，例如做【供应链】【产品分析】和【社交软件】【用户分析】的就完全不同。他们的分析思路不完全一样，带来的经验也不完全一样。新人应该多尝试几个方向，最终决定去做哪一个。很多前辈说的不一定作数，因为他们通常一条路走到黑，并不能知晓到底哪一个方向更好。

但抛开个人的因素，一个大而全的团队建立要受公司业务发展的制约，也受各方领导的制约。把所有有价值的人搬到水池旁，领导他们的人就很尴尬。业务部门希望自己拥有分析师，而不希望分析师不属于业务部门。数据是可以解读的，数据也是世界上最虚假的。如果你有这么一个部门，领导他们的人屁股到底坐在哪一边，哪一边坐多少，都变成了一种微妙的艺术。

讲一句公道话，虽说数据解读是一门艺术，但不应该完全失去公平。所谓艺术的部分应该为业务服务，我举一个我亲身体会的例子：即使团队算出来了一个ROI并不完全准确，预测有一定的误差。这个在我们眼里是可以理解的，但是推出去说，包括去落地策略的时候，我们依然要说这几乎是准确的，为了保证这个可以顺利推下去，要给到执行层确定的答复，至于误差造成的损失可以慢慢优化，而如果无法建立有效的心智，结果是千差万别的。

所以这也是我理解的为什么建立不起来的原因，大而全的团队除非老板一锤定音，屁股完全服务老板，但老板也要考虑各部门之间的协作。尤其是业务不好的背景下，这样的强硬态度可能会走很多人，不是所有人都接受客观和公平，职场之上，更多的是利益。

那么即使没有这个大部门，其实职能并没有消失，无非是去到了下游部门。本来我是给你做分析的，绩效是我老板打，那么现在变成我是给你做分析的，绩效是你打，无非就是这样。对干活的人来说，并无什么不同。

但从公司的角度来说，这样分散的职能会导致一个后果，那就是信息流通不畅，甚至是弄虚作假盛行，也无法对数据有一个更进一步的挖掘。每个部门有自己的小九九，呈现出来的数据结果千差万别，就像邀请大家评论莎士比亚一样乱。而分散的数据和结论导致没有人对数据有全盘的理解和指导，就无法从宏观的角度对数据进行分析和挖掘，这便是弊端。

回过头，对于个人来说，公司业务发展和领导对于数据分析团队的理解会影响你个人的职业前途。如果公司根本不认可数据分析团队的【独立】价值，那么很大程度上你会受业务部门制约，如果你能说服他们，坚定自己的立场，也不算坏事，但如果对面比你强势，而你的老板不会给你撑腰，那么你干杂活的情况就多一点。

前面其实说过，在数据分析这个领域，个人对团队的影响不一定是相互的，有时候个人的能力会高于团队的职能，有时候团队的职能会影响一个人的工作。可以理解为这种职能和工作是动态的，尤其是更高级的分析师，个人的意志或许会影响对接的工作甚至是整个业务方。

这就导致在架构里，对个人的要求是多方面的。我们熟知的SQL、Python、Tableau和其它软件都只是最基本的要求，更多的是对业务的理解，对业务方的理解，对管理者的理解，最终的结果是让你的分析更准确，让这些分析更落地，这样才体现数据分析的价值。

架构决定价值，价值也影响架构。价值是团队的集合，举个例子，团队内能完全承担数据分析或者经营分析的人，别的部门就可以不再需要。集中在一个部门是好事，以便减少各种口径和讨论的摩擦。

而团队的弱势会导致架构的混乱，上面也已经讨论过，所以对于公司目前对数据部门的要求，便是业务发展，团队能力等多方面的影响。而数据部门要比业务部门更突出个人的影响，因为各业务是有边界的，但数据没有，希望新入行的同学多多思考，把握机会。