数据领域职业介绍

本文旨在呈现当前业内最为常见的职位类型。

本文不会区分同一职位的职级差异。毕竟职级差异只说明任职者负责事情多少、能力高低。且各家说法不一，难以统一标准。职级差异最多只影响工作职责范围，对职位的工作内容实质和发展方向没有明显的影响。

国内岗位设置和国外可能有较大不同，但基本也能符合数据分析师 Data Analyst、数据工程师 Data Engineer、数据科学家 Data Scientist 三大路径的划分方式。

因各公司业务模式和实际需要不同，岗位设置自然有所差别。不同公司的职位，可能职位名相同且工作内容相同，可能职位名相同而工作内容差异巨大，可能职位名不同而工作内容几乎一致，可能叫这个名字却做着别的事情，也可能叫这个名字却做着多个岗位的事情。求职者不得不擦亮眼睛，明察实情，再判断该职位是否合适自己，适合符合自己的职业发展。千万不能被名头、title 迷惑了。

数据运营

互联网公司内的业务型岗位，基本上都叫做某某运营，比如：用户运营、内容运营、产品运营、活动运营等等。挂着运营名字的岗位多样，工作职责也存在蛮大差异；甚至不同公司设置的岗位名字一样，但实际工作职责却又明显不同。所以说，运营是一个工作类型，而非一种具体的工作岗位，也不是具体的一种工作内容。因为运营工作基本上就是公司业务本身，所以公司的业务模式以及因此形成的业务模块决定了业务运营的工作内容和目标，从而固化形成一个个具体的运营岗位。正因如此，运营工作的目标比其他岗位更加直白明确：不断提升企业业务的商业价值。

高阶的运营人员往往要具备综合的运营能力，需要负责一整个系统化化的运营体系，制定各类复杂的策略并对公司的商业价值负责。对于新人入行，则可以通过特定的单点技能切入行业，先成为运营系统的一份子，然后不断丰富运营知识框架和积累经验，在实际项目中获得能力的提升。

数据运营本质上是一个业务岗，一般处于一线运营部门中，即工作核心在于维护公司业务的正常运转，并以使用数据、研读数据为特色，区别于其他运营职位。广义上讲，“用数据指导运营决策、驱动业务增长”的工作都是数据运营。在互联网公司，数据运营的工作可以很自然划分成拉新、转化、促活、留存、变现等几大块。

但部分的数据运营岗位可能只是简单的数据处理工作，如负责处理 Excel 数据、整理业绩报表。平均起薪相对其他岗位低，但平均入职门槛也低。

数据方面，可能会和专职的数据分析师合作，也可能独立工作。数据运营应当将数据分析能力作为核心竞争力，结合业务知识，准确解读数据，帮助业务部门提升业绩。如果只会处理数据，可替代性极高。

职业发展方向：要么在业务上做得出色，成为专业的懂数据的运营，进而上升到更高的业务岗位；要么不断提升数据分析能力，转为业务线数据分析师。前者的道路比后者应该会更加宽广。

GrowingIO 的《数据运营手册》是很不错的入门指引。

数据分析师 Data Analyst

数据分析师介于业务岗和技术岗之间。因为要处理数据，数据分析师可能都会有一定的技术能力，但不足以成为专业的技术人员。例如，很多公司的数据分析师同时肩负着 BI 工程师，甚至 ETL 工程师和数据仓库工程师的职责。因为要解读业务问题，数据分析师又比一般技术人员更加了解业务实际，但不会实际运营业务。非互联网企业的数据分析师可能更靠近后文的商业分析师，所以此处偏向于互联网行业的业务数据分析师。

数据分析师的职位定义最容易混淆。每个公司都有自己的数据，不同公司或者不同部门对数据价值的期望千差万别。所以同为数据分析师，可能实际的工作内容差异极大。有的分析师实际上只是 BI 工程师，有的分析师只需要 Excel 便可以完成日常数据工作并不需要专业的报表工具。有的分析师专职于个别领域（如财务分析），有的分析师需要为所有业务环节提供数据支持。有的分析师只需要基础统计学知识，有的分析师需要会数据挖掘和机器学习。有的分析师可以专注地分析数据，有的却被要求承担数据产品经理的工作参与数据软件的开发。

但数据分析师的核心价值仍然在于数据分析能力。如果承担了太多了非分析工作，必须从以下角度考虑：

• 能否用新的工具、方法减少重复性工作。例如数据日报自动化。
• 能否走入业务，避免成为业务方的“表哥”“表姐”。
• 对于必须承担的非分析工作，必须限定其占用的时间，留足时间用于数据分析。

职业发展方向：

• 不断提升数据分析能力，从单一业务分析到全局数据分析的负责人。
• 参与到核心数据应用的开发中，如用户画像等。推动企业数据化运营。
• 或者不断接近业务，成为专业的懂数据的运营，最终成为业务的负责人。
• 不断学习新的分析方法，补充数据挖掘和机器学习的知识，拓宽能力边界，找到更广阔的工作舞台。

商业分析师 Business Analyst

商业分析师也是数据分析师的一种，和互联网公司的业务数据分析师有比较明显的差别，在互联网公司的数据分析师大行其道之前，所有公司的数据分析师，可能都可以被归入当前的商业分析师范畴。15年后国外高校大量设立商业分析学位，有的偏向于互联网企业的技能，有点偏向于企业经营分析。相较于专注于公司内业务的数据分析师，商业分析师更关心公司业务在宏观环境中的表现，关注外界因素对公司总体业绩的发展。大中型企业对经营能力有较强的分析需求，往往会设立商业分析师。商业分析师可能分为：经营分析师，战略分析师。当然也有不少公司仍然用 Business Analyst 来指称 Data Analyst，求职者自己能辨别真实工作内容即可。

业务分析师 Business Analyst

有必要将软件行业的 BA 和商业分析师的 BA 区分开。前者所做的业务分析，是为软件项目服务的，大多是通过业务调研、流程梳理等方式，摸清企业内部的组织流程、信息流向、信息系统建设情况等，撰写业务分析报告，重在说明当前信息系统建设的重点要点和详细要求。这一份报告大概率和数据无关，当然会提供一些参考数据，但绝对不是一份数据分析报告，更像是一份项目预研报告。也有叫 BSA（Business System Analytist）的，专注于提供软件解决方案，交付项目。此类工作在 IT 咨询部门里叫做 Consultant。咨询有关内容，见“How 咨询 Works”。

经营分析师

经营分析具有很强的财务分析色彩，所以历史上的经营分析师很多都是财会背景。或者说财务分析+业务分析=经营分析。在业务分析这一侧，工作方法论和 DA/BI 的工作应该是极为相似的，只是分析对象的内涵有所不同。但经营分析师不会像 DA 一样陷入到业务一线的工作细节中，分析的定位仍然是站在公司层面的，分析的目标仍然是找到公司经营层面的各业务部门的欠缺点、发力点，而不是具体业务细节的问题。从财务数据出发，进入到业务场景，应该是经营分析师的常见方法。当然也会涉及到一些战略分析的话题。

战略分析师

战略分析师是离业务最远、离管理层最近的分析师，他们关心公司层的问题，在公司的日常经营之上一层，关注市场趋势、行业地位、市场竞争、政策法规等企业外部问题。工作的方法论和战略咨询有点类似。某种程度上讲，他们做的定性分析要多于定量分析，用到的数据更多是宏观数据而非企业内部数据。一般在大型企业内才会设置战略分析岗位。咨询有关内容，见“How 咨询 Works”。

BI 工程师

BI 工程师的主要职责是制作和维护数据报表，相应地可能会承担一部分数据开发、数据分析的工作。很少能找到 BI 工程师的招聘岗位，大多会写成 BI 分析师。因其工作范围的局限，BI 工具不断进化地更加简单易用，且人们总体的计算机素养都明显提升，BI 工程师的工作基本上被其他职位所吸收。在提倡数据民主，各个岗位都重视数据分析的当下，报表工作会逐步转移到一线业务人员手上，至少会转移到数据分析师和数据运营的手上。仅在软件供应商可能会有专职的 BI 工程师。随着 BI 软件的演进，这个职位应当会继续萎缩并被其他职位所吸纳。除非公司业务里经常有各类报表开发需求，工作量和复杂度要求必须设置专职 BI 工程师。

数据工程师

数据领域的软件工程师，都可能被叫做数据工程师。如果没有更细致的划分，可能意味着该公司的数据应用初具形态，但还不够深入壮大。数据工程师根据工作的内容，可能是数据架构师、数据仓库工程师、Python/Java等某种语言的工程师（负责数据分析的软件开发）等等。如果企业内部已有数据架构师、数据仓库工程师等职位，那么数据工程师大概率承担的是数据系统的开发运维工作，比如埋点、BI、数据资产平台等等。他们的工作方式和常见的软件工程师几乎一致，只是技术选型上都是数据系统，而不是业务系统，从而导致技术栈的要求不一样。常见技术名词有：Hive、HBase、K8s、Spark、Python、Scala、Hadoop、Flink、Kafka等等。

数据架构师

和架构师类似，会负责系统架构和技术方案的评估、选型等工作。只因其工作的对象是数据系统，而非业务系统，故而得名。

ETL 工程师

ETL 工程师是数据仓库时代的遗留物。数仓架构升级，数据处理工具不断更新换代，传统 ETL 工具呈现出逐渐被新的数据处理工具替代的趋势。特别是随着大数据时代的到来，大量数据不再严格按照 ETL 的顺序被处理，数据处理工具逐渐和下游的应用工具融合为统一的平台，使得 ETL 工程师名存实亡。新时代的数据工程师 ETL 工程师对数据准确性有严苛要求的业务环境下，已经过实战验证的 ETL 工具还会继续存在。有大量数据处理需求的企业也可能继续开设这样职位。

数据仓库工程师 / DBA

新的数据科技和商业名词层出不穷，但企业内大规模的数据应用，都无法避开数据仓库的建设。数据中台是对数据仓库的“封装”，数据湖是“退化”的数据仓库，实时数据仓库是传统T+1数仓的进化。数据仓库工程师，可以粗暴地分为数据仓库开发工程师、数据仓库应用工程师。数据仓库开发工程师，不断钻研实现新的数仓功能，改善提高数据仓库的性能，增强数仓对外服务的能力，让数据仓库技术与时俱进。数据仓库应用工程师则根据业务实际，遵守数据仓库开发规范，实施落地企业数据仓库，为数据使用者提供准确可靠的原材料—数据。前述的 ETL 工程师是数据仓库应用工程师的一个类型。我个人认为数据仓库工程师是 DBA 的一种。数仓更多内容见“数据仓库”。

数据产品经理

数据产品有多少种，数据产品经理就有多少种。此处应当将数据产品限制在实用的应用场景中，不包括数据仓库等底层软件产品，仅包含那些能直接给非技术人员带来价值的软件产品。如果数据产品是报表系统，产品经理的工作就是设计报表系统。如果数据产品是信息流、推荐系统，产品经理的工作就是研究业务和推荐逻辑，和算法工程师合作实现算法的业务目标。如果数据产品是某种算法的应用落地，数据产品经理可能被叫做别的名字，例如人脸识别等视觉算法的服务商的数据产品经理。广义地讲，只要某软件处理数据，或将数据以别的形式输出以服务业务，或将数据以产品或服务等形式商品化，负责这块业务的人员，就是数据产品经理。

what-good-data-product-managers-do-and-why-you-probably-need-one

数据挖掘工程师 / 算法工程师

市面上有数据挖掘工程师、算法工程师、NLP工程师、机器学习工程师等各种职位，这些职位的共同特点就是应用各类算法，对学位要求较高。算法工程师的说法并不准确，因为有不少算法工程师做的算法和数据分析方向并无直接关系，比如音频视频算法。很难对数据算法工程师做出准确的描述，但大致可以分为两类：一种是无固定业务项目的，按需响应或自行确认工作方向的，可以简单称之为数据挖掘工程师，他们像是数据探矿工人，在企业内部四处寻找“数据商机”；另外一类则是有明确的业务项目，需要维护一个算法工程的，此类往往也有明确的职位名称，比如推荐系统工程师、NLP工程师。

数据科学家 / 算法研究员

国内少见数据科学家的职位，可能大型企业中的研究型专家，科研能力突出的算法团队负责人等可以被称做数据科学家。其他从事数据科学的算法工程师，往往叫做算法工程师，机器学习工程师。单独将数据科学家列出，来代表企业中更偏向于科研而非应用的算法从业人员。也有不少企业将数据科学家作为单独的职位，聘用一位在学界或业界高资历的人士，可能扮演类似 CDO 的角色，也可能仅从事算法研究工作，或者干脆就是一个挂名。

数据总监

数据总监是一个数据团队的负责人，是公司内专门负责数据业务的中层管理者。数据总监的团队可能包含数据工程师、算法工程师、研发工程师、数据分析师等各类角色。很大可能性汇报给 CTO，也可能直接汇报给重视数据的 CEO。
曾经有人总结过中层管理人员要做的事情：

• （1）定策略
  • 明确公司高层下达的任务的真实意图，结合当前团队和业务的现状，制定相应的策略，来达成任务目标。为了这个目的，管理者需要对自己团队的能力范围、特点有足够的了解。管理者自身也需要具备足够的行业知识和经验，外行指导内行往往会出现不合理的结果。
• （2）建团队
  • 如何任用人才，特别是专业技能超过管理者自身的人才。
  • 团队构成需要多元化，来应对不同类型的任务需求。每个人都像领导自己，这样的团队也是有问题的。无法通过团队自身取长补短。
• （3）立规矩
  • 管理者自己即是立法者又是执法者。
• （4）拿结果

CIO & CTO & CDO

CIO 负责企业所有信息建设和应用相关的工作。每家企业都存在这样一位负责人。互联网企业、软件企业因其特点可能就不存在 CIO，仅有 CTO。其他企业的 CIO 也责任重大，ERP、CRM、OA 等系统关系着现代企业的运转速度和管理能力。

CIO、CTO 和 CDO 三者的区别，见《CTO vs CIO vs CDO》

其他

还有不少和数据打交道的工作，也有不少衍生工作，因为工作类型比较古早，或者从业人数较少，或者只是阶段性的工作，不展开描述。应当包括但不限于以下这些：

• 数据统计员
• 培训讲师：多为专业人士的副业，到培训班里培训基础知识。
• 数据软件公司的从事人员：多靠近销售类型，如售前工程师、售前架构师、实施顾问等。

衍生阅读

• 数据分析的职业规划