网络行业分析(互联网行业数据分析的前景和挑战)

网络行业分析

微信公众号文章之前出了个新功能,可以添加标签,于是我就翻了一下「数据分析」这个标签,看了大几十篇文章之后,发现一个上万阅读的都没有,更别说 10W+ 的了,基本上只要阅读过千,就能进前 10% 了。

于是我又去小红书搜了一下,前排阅读量基本 1K 多的为主,少数几个上 3K 的,倒是有个通用特点就是预览基本都还挺好看的。

再去抖音搜了一下,流量的确是很大,「数据分析」标签下面的内容也是五花八门,但是要在十几秒几十秒内讲清楚一个主题也不容易,更别说讲深入了。

最后再看一下知乎,有 300W 用户关注了「数据分析」,池子足够大,就是回答的阅读量有点惨。
这么看来写「数据分析」的前景,基本是很差了,没法提前退休靠这个来赚钱养家了,可行性或许还不如当滑雪教练,梦想破灭了。


数据分析的前景如何,其实写过一篇,大概在两年半之前。

现在回过头来看,内容还是有一定的参考价值,但是局限性也不小。

一方面是受限于自身水平,在于之前文章里提到的出路,并没有深入下去,只是一个数据分析从业人员对于公司的作用有一个 ROI > 1 的状态。

二是受限于自身经历,没有经过社会的历(du)练(da),并不能很好的体会在不同工作环境、不同公司、组的情境下,会遇到什么挑战。
所以今天就再来聊聊这个话题,同时文末有彩蛋。
如果感兴趣之前这篇的话,戳这里:

数据分析的出路在哪里


数据分析这个行业有前景吗?我愿以我的职业前景来担保,这个是有的(皮)。
有人可能会说,未来五年十年,随着工具和技术的发展,数据分析会变得很容易,人人都需要会也都会,变成一个办公基本技能,就像做 PPT 一样,甚至像打字。
这个思路是很棒的,从技术的要求来看,数据分析肯定是会越来越容易的。

但是数据分析本身的竞争力,也不在于技术,而在于如何通过数据分析解决业务问题。

那这又引出另一个问题,既然数据分析的竞争力在于解决业务问题,那让业务方自己看数据不就可以了?最终还是不需要数据分析师?

这个思路也是没错的,业务方也需要懂一些数据分析,像之前合作愉快的产品经理,基本也都是分析框架清楚、懂数据的。

差异在于,术业有专攻,真正有用的数据分析的复杂度和灵活度,在未来可见的几年,还是没法自动化。

数据分析这个行业的挑战在哪里?
前文提到,两年前写的那篇,由于没有经过社会的历练,对于「挑战」这一块认识并不深刻。

挑战一:没有数据

一个段子说 ,「面试造火箭,工作拧螺丝」,放到数据分析就是:面试问如何做数据分析推动公司业务增加 10%,工作写 pipeline,理 logging,做报表。

挑战二:没有时间

可能是业务发展太快,招人赶不上进度;

可能是业务变化太快,熟悉业务速度赶不上;
可能是挂着数据分析的头衔,干着不擅长的事情;
可能是 infra & tools 太差,工作效率太低。

挑战三:不能有效推动业务
这里面原因多种多样,而且互相影响,一个典型的环路:

业务发展太快,招人赶不上进度;人手不够,数据分析师没法深入了解业务;因为不够了解业务,所以没法提出有效的问题,也不能很好的判断哪些需求是重要的;没有在解决正确的问题,导致数据分析产出不能影响业务;缺乏数据分析落地的实例,于是没有底气怼需求;进而循环往复。

挑战四:行业「天花板」

由于数据分析不是必需品,很多时候在不少公司又缺乏充足的落地的实例,于是行业整体看来,即不如技术类工种难度高、需求大,又不如产品类工种贴近业务,于是不管从在 headcount,还是拉薪酬,都需要更多理由。

挑战五:入门容易进阶难

我十分同意数据分析这门技能,不只是数据分析师需要掌握的,别的职能也需要懂些基本的,尤其在互联网行业。
比如一些常用的基本分析框架,简单的拉个数、做个报表,读懂 A/B test,能做简单的决定等等。
但是呢,数据分析这个行业,进阶非常难,因为实际操作中有很多坑,而这些坑,通过在学校或者书本里是很难找到的,即使有也是非常零散。

比如 A/B test,基本概念很简单,但实际操作中会有各式各样的坑让人欲仙欲死,直到出了《Trustworthy Online Controlled Experiments》这本书,系统的介绍了各种可能遇到的问题,解决办法,并且附上各大互联网公司实际的例子加以说明,深入浅出。

ps. 强烈推荐这本书,价格不便宜,但是很值得粗看再细看,没事刷刷抖音,再刷刷这本书。
即使如此,没有亲身掉进过这些坑的话,想要把各个知识点串起来举一反三,还是很有难度的,回头或许可以找时间聊聊这本书里面的例子和解读。
A/B test 还算是在相对比较 close-end 的问题,换到更加开放性的分析问题,就更是一个吃经验的活儿了。

对于这五大挑战,有三个大的问题需要解决:Infra, Hiring, Culture

Infra 方面,写 pipeline 并不可怕,可怕的是昨天能跑的 pipeline,今天莫名其妙就跑不了了;昨天能用的 function,今天死活不成;code 报错原因不明,周围问一圈也没有答案。

影响效率不说,还影响心情。

Hiring 方面,面试问的跟工作做的不太一样,这是很正常的,但还是需要尽量有 overlap,不过最好的,只找最匹配的。

数据分析师不想写 pipeline 怎么办?招 data engineering 来写?
凭啥 data engineering 就乐意干这些活儿,DE 的职业发展道路又如何展开?

Pipeline 不是自己写的,如何确保写出来的结果是自己想要的?DE 要不要贴近业务,还是按需求走,让写啥写啥?
杂活儿细活儿太多,招点 junior 的同学来做?那凭啥 junior 的同学就应该做这些,他们的发展前景又在哪里?

Culture 方面,哪些事情是数据分析师应该高优去做的,哪些事情是要推掉的,需要数据分析团队从上到下都去推这个氛围;
合作的职能对于数据分析师的预期是什么,需要个人、team leader 和 org leader 去设立基准;
至于什么时候该怼,什么时候该打脸,什么时候该认怂,这算是高阶内容了。
公司不同发展阶段需要的人才不一样,或者有的随着公司 hyper-growth,现在开始 rest and vest 如何解决;
绩效评估如何公正透明有效率,避免劣币驱逐良币?
这些当然不只应用于数据分析职能,但是由于数据分析这个行业发展不如工程师、产品经理成熟,自然变化更多,如果适应这些变化不断提升,就显得尤为重要了。

数据分析在 TikTok/字节跳动
先说明一下,这部分仅代表我个人观点,而且受限于在 TikTok/字节跳动到目前为止四个月的体验,观察到的也更多是商业化数据分析这个大组的特点。

可以对比一下 Facebook 来看,方便有个 benchmark,总体来看,从数据分析的角度二者互有胜负手
当然如果 TikTok 被 ban 了那就是另外一回事了,在中国工作 vs. 在美国工作也是两个非常不一样的场景,暂时抛开这俩不谈。

TikTok 的优势在于 scope、潜力和执行力,追赶空间在于 Infra&Tools,跨 BU 的信息流动与合作,以及成熟度

字节的特点基本与 TikTok 类似(废话,毕竟到目前为目还都是一个公司),会有一些不同点,但方向是一致的。

Scope: 一方面业务处在相对早期,同时团队人数少很多,自然每个人的 scope 就大很多了;当然到目前为止,Facebook 的 scale 还是要大很多的,尤其从商业化的角度,简直就是个印钞机。

潜力:这个比较直观,参考一下抖音和 TikTok DAU 增长的速度,对比一下 Facebook 和 Instagram;参考一下抖音变现的增长速度,对比一下 Instagram 和 Snap.
当然潜力不能当饭吃,就好比夸孩子「这娃是真的聪明,就是不努力所以学习不好」,这就涉及到下一个点

执行力:二者其实都强调 move fast,但是由于发展阶段不同,体量大了之后一是 move fast 本身就很难,二是犯错的成本会更大,导致做决定更谨慎。
比如 Facebook 早期可以 move fast and break things,现在再 break 一小时广告收入试试?再往大了说各种 regulation 也好,PR 风险也好,小公司或者产品早期反正 nothing to lose,可以 fail fast and iterate, 做大了之后就不好用这个决策模式了。

Infra&Tools: 一方面 Facebook 经过了更长时间的洗礼,这块自然比较成熟;另一方面人力成本决定在解决一个问题的时候,到底是堆人还是堆机器呢?随着中美人力成本的不断接近,我预测这个问题的答案也会越来越一样的。

跨 BU 的信息流动与合作:这点 Facebook 可能是一个非常非常高的标准,很难有公司做得如此公开透明的,不只是 TT/字节差得有点远,别的公司可能差得更多;这不一定是一个公司必须的,但是从员工的角度,我个人觉得是优势,让每个员工都可以了解公司的方方面面。

这方面 Workplace 功不可末,而字节使用的飞书也是一款很好的办公、合作、沟通、信息流通软件,但相比 Workplace 的话,如果飞书有 Feed 功能就更好了。

成熟度:既体现在职业发展路线的清晰度上,也体现在对于数据分析的定位上,TT/字节还有不少的空间可以提升。

比如 Facebook 数据分析职能建立的时间长,人数多,各级别不管是 IC 还是 manager 路线都有很好的例子,而字节则有几年的空间去改进,路线不够清晰,有点类似于3-5年前的 Facebook.

说了这么多,彩蛋来了。
我们大组国内部门数据分析大量招人,2-8 年经验为主,也有 0-2 年工作经验和实习的职位,做的是字节系商业化相关数据分析,产品包括抖音、TikTok、今日头条、西瓜、火山等,日常对接产品/运营/业务/工程师等 ,推动商业变现。
可以官网搜关键词「商业化数据分析师」、「国际化数据分析师」、「数据分析师-用户增长方向」、「商业分析专家-增长方向」、「BI 数据产品经理」、「数据分析实习生」、「BI数据产品实习生」,工作地点上海或者北京都有。

Base 美国的话,搜「Data Scientist - TikTok Ads」或者「Data Analyst - TikTok Ads」,但近期推进可能会有点慢,大选啊 deal 啊啥的,你懂的。

内推二维码我就不放了,感兴趣的话找认识的人,效果会比较好,或者你能找到我的联系方式要内推,也是可能的。

如果都看到这了,那就来个一键三连吧。
往期回顾
疫情之下数据分析求职发展的四点总结

数据分析之于 Airbnb vs. Facebook 的对比在面试了一百个 Data Scientist 后,做一点微小的工作

我看你骨髓清奇,是个学数据分析的奇才。
做数据分析,「大」很重要吗?

先有绩效还是先有升职,这是个先有鸡还是先有蛋的问题

数据科学家 (Data Scientist) 的核心技能是什么?
数据分析的出路在哪里
求职互联网数据分析,如何准备行业知识?

Faceversary 碎碎念
低阅读量系列之一 | 如何找实习

低阅读量系列之二 | 如何切入一个新的领域

网络行业分析相关文章