金融數據大廠Analyst怎樣實現下一步職業規劃？

隨著大數據技術的廣泛普及和發展成熟，金融大數據應用已經成為行業熱點趨勢，在交易欺詐識別、精準營銷、黑產防范、消費信貸、信貸風險評估、供應鏈金融、股市行情預測、股價預測、智能投顧、騙保識別、風險定價等涉及銀行、證券、保險等多領域的具體業務中，得到廣泛應用。對于大數據的應用分析能力，正在成為金融機構未來發展的核心競爭要素。

作為大廠必定會涉及海量的數據的分析，金融大數據發展應用趨勢主要有大數據應用水平正在成為金融企業競爭力的核心要素；金融行業數據整合、共享和開放成為趨勢；金融數據與其他跨領域數據的融合應用不斷強化。作為金融數據大廠Analyst學習這個領域的技術，是與時代與時俱進，給自己創造了條件概率。

入門和職業規劃應該從兩個角度考慮：領域和路線。

領域是不少新人常忽略的要素，其實數據分析不會脫離業務存在。你進入哪個行業，很大程度會決定你初期的技能樹和技能點。譬如金融領域的風控模型、營銷領域的生命周期、廣告領域的點擊率預估等，各有各的特色。

而路線大致可以劃分成四大方向：數據分析，數據挖掘，數據產品，數據工程。

（一）數據分析/數據運營/商業分析

這是業務方向的數據分析師，任何行業隨著你深入發展，都分為3個階段：初級，中級，高級。

1、初級數據分析師

這類數據分析師分為2類：

1）Excel數據分析師

工作內容：

要求熟練使用Excel即可，常說的“表哥”就是這個職位。主要是給沒有數據部門的產品經理打個下手。針對產品經理提出的需求來做分析。然后用PPT寫一些分析報告即可。

比如說，之前社群會員面試的一家互聯網教育機構，他們的要求就是用Excel整理學生買課的信息，看看哪一門課程最受大家喜歡之類的。

需要掌握的核心技能：

Excel，統計概率。

2）業務部門的數據分析師

工作內容：

這類數據分析師在業務部門。不需要會編程，但會的話有加分。比如用python寫一些報表自動化。

常見的職位名稱有：

數據分析師，數據運營，商業分析，戰略分析，經營分析，市場行業分析

需要掌握的核心技能：

Excel，統計概率，簡單的SQL查詢。

常見的職位名稱有：

數據分析師，數據運營

2、中級數據分析師

工作內容：

這類數據分析師一般是IT部門的數據分析師。不僅要會技術還要懂業務，通過發現問題，分析問題，得出結論，為公司的決策做支持。主要干的工作是數據提取、報表開發、撰寫分析報告。

IT部門的數據分析師基本是涵蓋了業務部門數據分析師的技能，還要會編程，就這么簡單。薪資水平也是兩個級別。

需要的核心技能：

統計概率，精通SQL，編程語言Python或者是R

3、高級數據分析師

通過建立模型，預測，偏重于工程，主要技能是編程和算法。

常見的職位名稱有：

數據開發工程師，數據挖掘工程師，數據倉庫工程師，機器學習工程師

需要的核心技能：

統計概率，數學，精通SQL，編程語言Python或者是R，機器學習

（二）數據挖掘/算法專家

這是技術向的數據崗，有些歸類在研發部門，有些則單獨成立數據部門。

數據挖掘工程師要求更高的統計學能力、數理能力以及編程技巧。

從概念上說，數據挖掘Data mining是一種方式，機器學習Machine Learning是一門方法/學科。機器學習主要是有監督和無監督學習，有監督又可劃分成回歸和分類，它們是從過去的歷史數據中學習到一個模型，模型可以針對特定問題求解。

數據挖掘的范圍則大得多，即可以通過機器學習，而能借助其他算法。比如協同過濾、關聯規則、PageRank等，它們是數據挖掘的經典算法，但不屬于機器學習，所以在機器學習的書籍上，你是看不到的。

數據挖掘工程師，除了掌握算法，同樣需要編程能力去實現，不論R、Python、Scala/Java，至少掌握一種。模型的實施，往往也要求Hadoop/Spark的工程實踐經驗，精通SQL/Hive是必須的。

（三）數據產品經理

這個崗位比較新興，它有兩種理解，一種是具備強數據分析能力的PM，一種是公司數據產品的規劃者。

前者，以數據導向優化和改進產品。在產品強勢的公司，數據分析也會劃歸到產品部門，甚至運營也屬于產品部。這類產品經理有更多的機會接觸業務，屬于順便把分析師的活也干了，一專多能的典型。

他們會運用不同的數據源，對用戶的行為特征分析和挖掘，達到改進產品。最典型的場景就是AB測試。大到頁面布局、路徑規劃、小到按鈕的顏色和樣式，均可以通過數據指標評估。

俗話說，再優秀的產品經理也跑不過一半AB測試。此類數據產品經理，更多是注重數據分析能力，擅長用分析進行決策。數據是能力的一部分。

后者，是真正意義上的數據產品經理。在公司邁大邁強后，數據量與日俱增，此時會有不少數據相關的產品項目：包括大數據平臺、埋點采集系統、BI、推薦系統、廣告平臺等。這些當然也是產品，自然需要提煉需求、設計、規劃、項目排期，乃至落地。

（四）數據工程師

數據工程師其實更偏技術，從職業道路上看，程序員走這條路更開闊。

在很多中小型的公司，一方面數據是無序的、缺失的、原始的，另外一方面各種業務報表又嗷嗷待哺。沒辦法，分析師只能自己擼起袖子，一個人當三個人用。兼做數據清洗+ETL+BI。

部分公司會將機器學習模型的部署和實現交給數據工程團隊，這要求數據工程師熟悉sparkMLlib、Mahout此類框架。

數據工程師，可以從數據分析師的SQL技能，往數據的底層收集、存儲、計算、運維拓展。往后發展則是數據總監、或者數據架構師。因為數據分析出身，與純技術棧的程序員比，思考會更貼合業務，比如指標背后的數據模型，但是技術底子的薄弱需要彌補。

另外，DBA、BI這些傳統的數據庫從業者，也是能按這條路線進階，或者選擇數據產品經理方向。

以上四個崗位就是數據分析的發展方向，它們互有關聯。數據工程偏底層技術，數據分析偏上層業務，數據挖掘和數據產品處于中間形態。不同公司雖然業務形態不一致，架構會有差異，但是職責不會偏差太大。