有@挖数的珠玉在前，我就不谈大趋势了。只想谈一下这个问题本身。这个问题，本身问的太不“数据分析”了。做分析的前提是具体问题具体分析，这个问题非常不具体。作为一个做分析的老兵，刚好可以拿这个题目来给大家展示下，我们做数据分析的，如何分析自己的发展前途。医者不自医，卖啥不吃啥这种坏毛病，可不会发生在我们身上。
第一步，细化需求。比如题目的详细描述叫“数据分析长期发展如何”，我们可以参照下图来细化：
细化需求非常重要，因为数据分析师这个名词本身就很模糊。这些年“大数据人工智能”概念大行其道，现在和数据有关岗位都会挂“数据分析”四个字。因此脱离具体岗位、脱离具体职责，去空谈“数据分析师”，就会得到很多乱七八糟、
甚至南辕北辙的答案。之前我有个分享，专门吐槽过这一点:
要具体谈岗位，职责，可以按下边思路梳理：
第二步，采集数据，分类加工。这是数据分析的基本工作，也是最重要的一步。就拿数据分析岗位信息为例，如果不是只盯着岗位名字，而是按企业、行业、部门、等级、经验要求为线索拆开，就能真切的感受到：不同情况下数据分析师有巨大差异。
如果大家有心做完这一步，就会瞬间对后边“长期”“发展”俩字有一些感觉。一个在大银行五组架构齐全的数据中心的数据分析师，和一个在金太阳日用品有限公司电商部统计进销存的数据分析师，“长期”“发展”肯定是截然不同的。都是做互金，蚂蚁金服和蝗虫理财的发展肯定也是截然不同的。哪个有前途，甚至都是一眼能看得到的。
get！ ( 'ω' )
第三步，考虑分析对象和分析目标。具体到问题里，就是“发展”两字。一个985名校计算机硕士毕业进招行总行和一个三本毕业进新光科技的同学，“发展”俩字的意义就是天上地下。所以明确主体，明确“谁”，“想从XX状态到XX状态”才能清晰的谈发展，比如：
第四步，对比现状与目标，寻找差距。要匹配能力与目标，匹配现状与岗位，就得先看两边有什么要求。好在求职市场有很多公开的信息，我们可以分类整理进行对比，看一下到底岗位需要什么条件，自己能达到什么水平。真的梳理完，就会该死心死心，该信心信心。因为，这里有些差距可以通过积累经验、补充知识来弥补（比如会XX技术，自学就好）。有些条件可能是得重新投胎一次才能具备的（比如本硕博985出身，比如在特定行业经验，比如年龄35岁以下，比如很多大企业只进校招生，可能过了这村就没这店了）。
第五步，提出业务建议，通过测试检验结论。做数据分析并不是一通敲键盘就结束的，我们会提分析假设，会结合业务情况进行建议，会观察业务结果来验证假设。而职业发展问题，完全可以自己提假设，自己去验证。比如提一个假设：基于现状，如果我会了XX技能就能入职XX企业。那完全可以边自学边投一些相关岗位试试。如果担心直接投会失败，可以通过猎头试试。如果不行，也有测试结果了。就可以修正假设。
有些同学会说：诶呀，还要具体分析，还要假设，还要自己努力验证，多大风险啊。我就通过人工智能大数据，分析出一个稳赚不赔节节高升的职业路径……额，同学，你真的认真看过这个需求吗。这就是个长生不老药需求哈——如果真有长生不老药还卖给你？如果真有这么阳光普照不轮什么人拿去复制都能一本万利升官发财的路子，那也是出现在算命工程师们的八卦图上。
方法就是这样，具体的大家可以自己去实验。可能又有的同学会问：老师，就没有一个“大数据”结论来论证，比如做数据分析就是比运营牛逼吗？完全没有。一来，行业、企业、部门的鸿沟，是远远大于岗位名称的。如果只按名字统计平均薪酬，那就和“全国人均财富26万”一个道理。你听了“人均26万”你也会跳起来大骂：“妈里个X，哪里来的野鸡数据！”真的做数据分析就知道，所谓整体响应率76%真的就是个数字而已，如果我们想测算每一个人的数值，就得那个人的数据出来训练模型。
二来，未来是做出来的，不是算出来的。这就说回到题干里的“长期”二字。“长期”来看，现有的行业格局，企业待遇，技术条件都会变化。“长期”来看，个人技能，能力也会发展。未来永远是属于不放弃努力的人。就像我们真的做数据预测，都会加上预测条件：在业务保持XX努力水平的基础上，预计如下，一样。
方法已经分享完了。还有类似问题的同学，可以认真的打开求职网站，寻找感兴趣的岗位，对标自己的简历，思考自己的“长期”“发展”在哪里了。这比听其他人没头没尾的分享要有质量的多。因为每个人的状态，立场，标准都不同，直接问别人标准，往往会遇到小马过河的囧境。
如果问我个人的心得，我可以分享一些长期发展的例子。比如十三年前，我那些应用数学专业的同学，大部分都在各大银行做数据。是滴，作为一个早生了几年，完美错过大数据人工智能风口的老头子，那年头BAT还不知道在哪里，那年头大数据人工智能还在教科书躺尸。我们大部分做数据的连“数据分析师”的头衔都没有。都是挂着什么数据支持、调研分析、经营分析、咨询顾问的头衔。
可数据分析这个技能，却让大家得到了薪资还不错的工作。无论走业务线的也好，还是走技术线的也好，都有各自的发展（参见下图）。当然，更多是走了管理路线，毕竟在国内企业，不当领导却希望高薪是个很奢侈的事。
而数据本身变得越来越重要。分析技能变得越来越普遍。数据分析背后，代表的是用理性代替感性，代表的是更准确的定义问题，代表的是更有效的沉淀经验，这是任何时代都需要的。至于你说某个工具被淘汰了，我也被淘汰了怎么办？那就得反思下，为啥还要抱着老掉牙的工具不放，为啥不思考：我到底用工具解决了什么问题。
有些工作经验少的同学会担心，未来技术发展了，会不会把数据分析岗位淘汰。要是这么说的话，我们这些老头子早该下岗了。因为在十三年前，当年只有少数公司才能上BI产品，只有少数大企业领导关注数据分析结果，这也是为啥我们那些同学都扎堆挤在银行的原因。而现在数据已经满地都是，人人都在讲数据了。我们这帮老头子不但没失业，反而过得更好。
为啥？三点：
1.工作职责不同。虽然运营、产品也会看数据，但业务部门自己论证自己的合理性，是所有管理层很讨厌的事。所以数据产品做得越多，做得越好的企业，反而数据分析部门架构越大，客观的立场是永恒的刚需。
2.工作性质不同。数据分析的核心是采集、整理数据、梳理问题、提出假设、进行检验。运营的核心却是文案、活动、执行，产品的核心是分析需求，设计方案，销售的核心是跑跑跑业务。真要是运营、产品、销售都把精力放在采集数据上，这公司也就完蛋定了。
3.工作经验积累。技术很容易更新，但分析经验是需要积累的，特别是在垂直领域的经验。写200行sql很简单，写完了到底反映了业务什么问题，怎么揭露业务的谎言，怎么推动成果落地，需要时间和项目的历练。
如果未来各个岗位真的都需要使用个性化的数据，那生产这些数据产品的人，只会有更多的机会，唯一的问题是：我们是造那个产品的人，还是等着业务方说：我要一个数，然后写200行sql的人。所以，如果你在金太阳日用品企业对着进销存excel报表一筹莫展，或在蝗虫金服刷着朋友圈看着“互联网寒冬”的新闻瑟瑟发抖，请不要病急乱投医的质疑某个岗位，未来永远是属于不放弃努力的人。而第一步，是具体的分析自己的问题，认真思考自己的对策。与大家共勉。
如何调查具体问题，获取准确信息，戳:
