0x00 前言
問題
隨着數據科學行業的火熱，大量跨專業、跨行業人才湧入，數據分析的門檻究竟將會提高還是降低？
話題整理者：未期，某不知名大學透明本科生，GIS背景。畫過地圖，寫過代碼，熱愛統計。目前在數據科學的道路上緩慢前進，希望與大家共同學習~
問題描述
網絡上有關數據分析各種自學路線及各大機構的培訓課程火熱，轉行數據分析相對其他技術崗位較容易。而與此同時，各大高校開設大數據相關專業，培養專業型人才。
崗位招聘時對專業匹配程度的考慮比率佔多少呢？相關專業的畢業生就業是否會受到衝擊？
本話題來自一位在校生對於網絡上各種數據分析培訓以及自身發展的困惑，得到各位行業內小夥伴的解答。下面是討論的內容以及總結。
0x01 討論內容
討論1
隨着大量跨專業，跨行業的小白湧入，招人的難度是極大提高了，以至於我們這種小公司都不招數據分析xx了，直接招初級程序員然後考他怎麼寫SQL提數，搞掂！數據分析個毛線，個個要的錢多懂的賊少。有時候客戶也問，找個懂業務的數據分析咋這麼難，一個個要價高懂得少，咋整？
答：不要招數據分析，招運營，然後考他數據分析的題，合格的錄用。
討論2
數據分析必須結合業務經驗，是數據分析的根，而業務經驗來自於行業不斷的深入實踐覆盤。現在風大，清一色的紙上談兵式的數據分析師都被吹起來了，風停的時候，纔是見真章的時候。
討論3
衝擊是肯定會有的，大浪去淘沙。
但是評定一個數據分析師優劣的標準還很模糊，反過來講對於企業來說，擁有了更多的選擇，不同的人用不同的角度闡述不同事實並給予不同的預測，終究會有符合未來趨勢的。所以我認爲數據分析團隊是以量去取勝。——就像有人認爲百度All in AI在3年內絕對能看到結果，而我認爲百度也正在發展好看視頻。
討論4
門檻越低的崗位，對於HR來說，你的能力未知性和“水分”就越高。
一方面，你需要非常出色的成就來證明自己 = 很多問題上，沒有標準答案，波動就太多
門檻高，技術要求高的地方
一方面，裝和摻水沒用，很多東西，問的技術問題多了，你能力怎麼樣，能做什麼，一清二楚。
另外一方面，因爲技術有標準，波動就很少。多輪面試，大家不會有太大的分歧
在一些部門，對數據分析有技術要求，同時要有一些和他們產品相關的過硬技術知識。
討論5
傳統制造行業IT，現在公司在集體培訓tableau，業務對數據分析的需求很多。但是公司很大的問題，一方面業務的需求，一方面IT對業務的瞭解僅僅侷限於傳統系統上，很難做到通過大數據去爲業務去服務，數據變現很難，感覺數據分析師需要了解主流的IT架構業務流程數據分佈還要了解業務的流程產出報表指標等體系，這對分析師的崗位要求比較高，僅僅會搭建個平臺，SQL這樣的項目實施，很難持久下去，數據與業務的深度結合，業務不斷深入使用，數據不斷變現纔是數據分析崗位的關鍵，個人看法。
討論6
不僅數據分析師這個職業人羣被強行拓展，我們看到的互聯網領域內所有的職位都有這個趨勢。簡單說幾個吧，首先是醫藥行業的電子商務或者O2O，這個行業對於各種資質和行業知識要求非常高，因此僅搭建系統不是完整解決方案，需要有醫療從業者來擔當運營或者產品經理。還有一個明顯的產品策劃趨勢，就是越來越多的法律專業的同學進來，因爲設計一個產品不再只是用戶體驗的事，而是建立規則（就像法律一樣），一個複雜的運營活動工具，是特別耗費腦力的，讓它有秩序的不違法的運營越來越考驗規劃規則的能力。
我們在回到數據分析師本身這個職業，當前的現狀對於產品運營人員來說，不看數據，不分析數據完全無法展開工作，那麼優秀的產品運營必然是要不斷加強數據分析能力的，這就使得對於數據的分析和使用的普遍水平在提高。那麼相對產品和運營，數據分析師的能力只能不斷的向下淘汰，向上拔高。所以，我們很可能會看到數據分析的門檻降低了，人人都需要具備且開始具備了。由會看到專業的數據分析能力要求越來越高。
討論7
這個市場，總是聽到類似的話：
人人都是產品經理！！！
人人都會數據分析！！！
但是你很少會聽到：
人人都是前端開發
人人都是後端開發
人人都是測試
人人都是運維
你就知道門檻這個事情，在數據分析這個崗位上，基本是不存在的。
主要原因還是市場上的確有這麼多的需求，培訓機構也好，學校也好，都是見機行事，湧入的人多，相關專業的畢業生就業肯定會受到一定程度的衝擊。
但是越是湧入的人多，有相關背景(統計學、數學、數據科學等)的科班生就越是喫香，魚龍混雜下，這些科班出身的同學，會受到用人單位的青睞。
所以不用擔心，湧入的人多這個崗位就會越做越精，對科班出身的同學其實是一件好事。
討論8
現在大小公司的技術棧，差異越來越大。小公司的數據不光要負責分析，還得搞很多平臺化、產品化的需求。但大公司的技術棧非常完善，你不需要考慮技術怎麼做，只需要做業務需求就可以了。因此大公司成熟技術能力給人了一種錯覺，數據也不過如此。
但其實，數據是入門門檻最高的職業之一，要想做好，得學習非常多的東西，可以說有一種終身學習的趕腳了，學習能力比技術能力更重要。很多人只學了半吊子入門，技術怎麼搞不會、算法怎麼寫不會、產品怎麼搞不會、商業怎樣理解不會，這給人的感覺非常水。
因此相較於過去，相較於小公司，對人的要求只會越來越高，甚至於數據會變成一門非常看重跨學科知識的崗位。數據只是個幌子，你的視野和決心決定了你的上限。
0xFF 總結
對於這個問題的討論，大家的回答大致分爲兩個角度：
“數據分析”逐漸成爲一項人人需具備的技能。
對於小公司而言，數據分析團隊不僅負責數據分析，還涉及很多平臺化、產品化等更多的需求。團隊偏向選擇綜合型人才，數據分析爲基本技能。
對於大公司而言，職責更加細分，但是對於產品運營人員來說，不分析數據其工作完全無法開展，必然是要不斷加強數據分析能力的，這就使得對於數據的分析和使用的普遍水平在提高。
更加專業的數據分析人才仍然被需要。
業務經驗是數據分析的根，這來自於行業不斷的深入實踐覆盤，是模式化培養、紙上談兵式的數據分析師所不具備的。 隨着需求的深入，要求專業數據分析師對業務流程有着成熟完整的理解，將數據與業務深度結合，通過數據爲業務服務。因此，對於專業數據分析師，除了數據分析的技術要求之外，還需擁有和產品相關的過硬的技術和知識，要求只會越來越高。
大量人才的湧入，相關專業的畢業生就業受到一定程度的衝擊。但湧入的人多這個崗位就會越做越精，對有相關背景（統計學、數學、數據科學等）的科班同學其實是一件好事。
回到這個問題本身，如何看待數據分析門檻的高低，我認爲與主體自身層次和視野有很大關係。高中數學和大學數學，也都叫數學，而兩者的差別之大自不必多說。 同理，不能將現在炒得火熱的“數據分析”與實際業務中的“數據分析”混爲一談。無論是學校還是培訓機構，給人帶來的成長都是有限的。想要真正做好數據分析，需要不斷學習、深入實踐、總結經驗。
“數據只是個幌子，你的視野和決心決定了你的上限。”