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
一
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。

二
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

三
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。

四

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。

五

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。

六

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.

七

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