最具影响力的数字化技术在线社区

168大数据

 找回密码
 立即注册

QQ登录

只需一步,快速开始

1 2 3 4 5
开启左侧

[PPT] 传统的数据从业者,并不会从大数据中获得多少红利

[复制链接]
发表于 2019-4-22 19:26:57 | 显示全部楼层 |阅读模式

马上注册,结交更多数据大咖,获取更多知识干货,轻松玩转大数据

您需要 登录 才可以下载或查看,没有帐号?立即注册

x

作者:傅一平

来源:
与数据同行



大数据人工智能的兴起,看起来像是给所有数据从业者带来了新的机会,其实不然。

就好比电商,这么多年虽然发展的轰轰烈烈,2018年,全国网上零售额首次突破9万亿,比上年增长23.9%,但也仅占到社会消费品零售总额的18.4%,你以为电商已经波及社会各个角落,其实不然。

看一个新事物的影响程度,不仅要关注其本身,也要横向看,更重视那个基础比率,其实大多数传统零售,该干嘛还是干嘛,不然就不会有新零售了,大数据也一样。

对于大多数行业的数据从业者,大数据要说影响也更多是思想层面的,对于自己的实际工作影响有限,各个行业的数据工作者该干嘛还是干嘛,其最主要的工作,逃不脱传统的报表、取数、或者更高级点的BI,这就是基本面。

即使你的企业引入了大数据平台或工具,但你更可能是个简单的使用者,工具或平台的变更不代表操作的人会有多少长进,收获成长的是提供工具或平台的人,这批搞基础设施的人更可能抓住了这波红利。

大型的互联网公司、新型的创业公司、顶尖的技术公司、个别的传统企业,有可能抓住了这个风口,但这个也代表不了基本面,工业,农业等千千万万的细分行业并没有发出自己的声音,以前怎么样,现在还是这个样。

大多传统行业的数据从业者,起码到现在,并未收获多少大数据红利,甚至数据这个岗位,由于其特殊性,还有其先天的劣势,在很多时候,是输在起跑线上的。

注:这里的数据从业者,主要指报表、取数、模型、运维、项目管理等数据岗位,不包括数据产品经理等新型岗位

为什么这么说?

1、数据驱动业务这种理念远未成为公司的文化。

数据驱动的文化不是口头说说的,关键还是看行动。

在过去2-3年时间内,一种叫做“增长黑客”的方法正在风靡互联网,在国内开始受到巨大追捧。其背后的核心理念,恰恰就是要依靠数据和技术手段来驱动增长。

然而,迄今为止,这样的方法在国内能够得到成功应用的案例,仍然少之有少,至少,它绝对谈不上普及。

在中国,可能只有对于用户体量足够大,能够明确基于数据对于用户进行划分的产品来说才会更有效率,比如BAT,而对于很多初创期或早期的产品,可能依靠人为动作和资源来驱动的效率要远胜过依靠数据。

数据分析师已成当下中国互联网行业需求最旺盛的六类人才职位之一,但这类人才极度稀缺,成本高昂,导致了在国内大量互联网公司内部,对“数据”的应用和价值挖掘都停留在非常原始的阶段。

比如组织的设置,有几个企业会设置独立的大数据中心或部门?为什么不设置,因为还没成熟,不知道咋运营,大家都在观望。

比如岗位的设置,CFO,CTO,CMO,COO很多,CDO就很少,为什么,因为不知道它能发挥什么独特的价值,跟CTO是什么关系。

比如数据的治理,又有几个企业会建立相关的机制和流程,为企业数据的统一归集和整合保驾护航。

其他诸如花了点钱建设了一个大数据平台,引入了一些大数据工具,其实干的仍然是报表、取数、可视化等传统的活,这种不叫数据驱动业务,最多是+大数据。

2、数据从业者在企业扮演更多的是底层支撑者的角色

笔者进公司的前5年,一直做报表取数支撑,每天从早上开始接取数需求,持续工作到晚上9,10点,每次提交取数结果后,还战战兢兢的,因为想着如果取得不对,被业务人员说那就不好了。

经常在数据仓库上取不到数据,还得求助于系统上游CRM/BOSS的相关需求和开发人员,就这样,日复一日,年复一年。

很多人跟笔者一样,从小就是好学生,习惯了服从,比如上级安排的任务一定根据要求按时保质完成,当然这是很好的职业素养,但过犹不及。

前段时间有个新人反馈建议,说实习期间做三个月取数有点浪费时间,应该尽早的进入专业组,都说90后是最有希望的一代,的确,他们很有主见。

自己职业生涯的取数数量不下5000个,也是有一天突然发现,取再多的数,做再多的报表,在部门的工作总结里,却只有短短几个字的描述:全年完成取数XXX个,报表XXX个,没了。

现在想来,以前这种不太有主动性的像个机器一样被动执行的工作方式,比如业务人员让你干嘛就干嘛,真的是服务企业最好的方式么,真的能带来更多的价值?

坦白的讲,传统的数据从业者,大多处于企业价值网的下游,是一个偏底层的IT支撑者,也就是说,你在企业做出的贡献比较间接,离终极那个业务目标好远。

为什么这么说?

第一、业务人员在前端要么有销售的业绩,要么有业务管理、数据分析的功劳,你的模型或取数结果需要业务人员的二次加工才能形成最终结论,而这个技术含量更高。

第二、数据从业者依赖的数据仓库属于IT的下游系统,也就是说,你拥有的所有数据,包括这些数据的质量,大多需要源端系统来保障,而数据从业者对于源端系统是缺乏掌控力的,比如核查数据就非常辛苦,如果说CRM人员是企业的后端人员,那么,数据从业者就是后端的后端。

一般来讲,后端还是比较安稳的,但安稳也就意味着没有话语权,大数据虽然带来了机会,但这些新路都要靠自己走出来。

比如你希望研发新的数据模型并快速的推向前端进行推荐,但模型要成功哪有那么容易,一堆的数据问题、流程问题和机制问题等着你,这是寻求突破要付出的代价。

当然,职业生涯的前期做报表取数没问题,这是很好的经历,但不要一辈子干这活,当你驾轻就熟的时候,当大家似乎都离不开你的时候,其实是在提醒你要做出改变了。

大数据当然是个机会,但对传统数据从业者更多的是挑战,没有什么低垂的果实可以摘。

3、数据从业者很难直接证明自己的独特价值

作为底层的数据支撑者,人家对你的岗位定位就直接决定了贡献的天花板,某位同事离职的时候就跟我讲:“我可以肯定自己做了90%以上的贡献,甚至提供了一些分析结论,但成绩都是人家的。“

取数者,报表者,快速准确的提供数据是义务,但取得再快再准确,也许都不如人家简单的一篇分析报告。

很多报表取数完全是管理复杂化的产物,甚至不少取数和报表做了也无人问津,笔者对于报表取数的观点是这样:它们对于企业的运营很重要,是一项基础性的工作,但数据从业者要多做创新性的事情,能在博弈中获得一个较好的供需平衡:

(1)要立规范,定标准,减少管理开销和重复度,要有勇气踏入数据治理深水区;

(2)要机器换人,能自动就自动,你做的再快,也快不过市场变化;

(3)要做好数据中台,开放租户能力,让业务人员利益攸关。

而从数据本身的特点讲,也面临着价值难以直接衡量的困境,虽然大数据变现提的很多,但现在主要还是对内提供数据服务为主,考虑到对内不是市场化的运作,供需关系导致的价值评估体系完全失效。

无论是数据、模型还是产品,业务人员在免费使用的同时,也没了选择的余地,但没有比较就没有鉴别,你怎么才能体现自己的独特价值呢,哪些算是基本要求,哪些算是增值服务,很难说清楚。

对内数据的使用过程还往往是个长流程,数据嵌套在公司的生产流程中的确发挥了价值,但其所占的比例很难说清楚,比如要评估一个外呼拓客的总收益,可以根据获得的客户数乘以未来预期价值大致能测算出来,但到底多少算是外呼渠道的贡献,多少算是模型清单的贡献呢?

数据从业者,大多时候是缺乏说出自己贡献的底气的,缺乏出口是永远的痛。

4、数据从业者“内向”的工作特性决定了较少的外部机会

即使你是个外向的人,每天对着数据也会“被内向”,为什么呢?

如果你是个数据挖掘师,实施一次数据挖掘需要经历业务分析、数据准备、变量分析、模型选择、模型训练、模型验证、模型发布等过程,但大多数时候,你需要自己端到端完成所有的工作,很难拆成几个模块让不同的人完成,而无需协作就意味着工作的外部性比较差。

你说不会啊,比如取数和报表就是要跟人经常沟通啊,但取数报表一方面沟通的深度往往不够,另一方面大多时候都是熟悉、独立的操作,其实不需要太多的协同。

从功利的角度讲,外向的工作环境或外向的人(这个外向的人可以是假装外向的内向的人)可以获得更多的机会,这是有科学依据的。

埃里克·巴克尔在《破除成功学迷信》中提到,外向的人收入水平更高,更适合当领导,有更大的关系网,当然如果考察真实水平,那水平最高的反而是内向者。

虽然现在很多企业在市场上追逐大数据人才,但大多跟传统的数据从业者无关,笔者的团队的近几年人才流动很多,无论是流入还是流出,但凡能闯出来的,都有一个明显的特点:愿意进行更多的尝试,努力去寻找适合自己的位置。

比如去互联网公司的,大都是有流动经历的,无论是内部流动,外部社招,双创,换岗等等,他们都愿意承担风险,也带来了机会。

所谓树挪死,人挪活,对于数据从业者来说,在一个岗位呆太长时间不是好事。

至于是否会导致不够专业的问题,这个倒不用太担心,一方面大多企业的数据技术天花板不高,你努力练习的话,出类拔萃的可能性很大,轮不到拼天赋,另一方面通识能力是更高级的专业能力,这个在更复杂、多样的环境才能获得更大的提升。

现在很多企业的数据人员的成长环境,还是安逸了,这个不是简单的累不累的问题,而在于你是否意识到了问题,是否能有改变的勇气。



楼主热帖
您需要登录后才可以回帖 登录 | 立即注册

本版积分规则

关闭

站长推荐上一条 /1 下一条

关于我们|小黑屋|Archiver|168大数据 ( 京ICP备14035423号|申请友情链接

GMT+8, 2024-3-29 07:38

Powered by BI168大数据社区

© 2012-2014 168大数据

快速回复 返回顶部 返回列表