1樓：胡淏
幾年前我還是一名演算法工程師，跳到阿里剛開始的時候很不習慣，因為許多日常人肉要做的工作都被資料和演算法平台解決了，不誇張的講，那時許多產品運營同學訓練部署機器學習模型的速度都比我要快。AI + 資料的平台在逐漸釋放那些高度重複的資料工作，那時候我意識到，如果乙個 RD 脫離業務，時間精力花在調包換模型調引數這類事情上的話，ta 早晚被淘汰掉。
對於分析師來說，我們不得不思考的問題是自己每天的「分析」工作中有多大比例並沒有在分析？目前來看，資料查詢平台還沒智慧型到通過拖拽形式來完成多數的取數需求，一些公司內不健全的埋點平台還有數倉還需要大量分析師花精力排坑填坑。也正是因為平台能力尚未成熟，產品運營自己分析一次資料的成本過高，就會有大量取數的需求提到了分析師團隊，導致每個業務下都有一些分析師做了「資料的揉麵工，業務的按摩師」。
最近還留意到兩款明星資料產品，Chartio
和 SQLFlow
，前者是拖拽式 SQL 與視覺化的一站式平台，後者是在模型解釋上做了一些增量工作的機器學習訓練與部署平台。雖然還沒有大規模商用，但是已經能看出趨勢：SQL、資料視覺化、訓練與部署模型、模型解釋相關工作的門檻會越來越低，資料感覺不錯的業務同學可以直接通過這些工具來快速完成取數分析師大量的「分析」工作，還省去了不少溝通成本。
所以未來一定會淘汰掉一些分析師，留下有業務思辨能力和定量專業能力的精英。
未來分析的工作還是離不開畫像指標體系、實驗評估、異動歸因和觀測研究，但是會更加關注這套體系的科學性與落地上面，也因此可能會分化出來兩撥分析師：業務導向的分析師優化業務與資料的連線，挖掘業務表象的跟因與戰略機遇，並將洞見以畫像與業務指標的形式做落地，指標與畫像的工作直接優化了業務的分析質量和運營效率；模型導向的分析師優化基於資料做評估、歸因、推斷的科學性，並落地易用的資料產品，在此基礎上，發現業務決策過程中不科學的環節，推動資料分析工具在這些環節的應用。因此我建議分析師在懂 SQL，基本的統計方法基礎之上，增強自己的業務屬性和資料科學屬性：
學習商業、經濟學原理，理解基本的因果推斷與計量方法，強化構建模型核心的 scripting 能力。
2樓：飛翔的銀蛋
資料分析師我不太懂的，其他幾位答主說的挺清楚了，說說我的看法吧。
每一行做到最好都有前景。當然，這是廢話，但永恆不變是真理。
資料分析，大資料時代，對大多數企業已經是准入門檻了，未來幾年也一定是非常需要的，比起一些夕陽產業好太多。
但可能這個工作的初級從業者最容易被AI所取代，所以不能只停留於分析，更應該著重於行業的預判以及衍生品的打磨，最好不要做其中一環，做全套。
大資料雖火，但還是不要只是為了生存而從事，最好從事能體驗到人生樂趣的行業才好
3樓：咪嗦啦咪
目前從事金融大資料相關工作，下面的情況僅限本行業；就接觸的情況來看，資料分析這一鄰域大概就是這幾部分的崗位為主：bi工程師，資料分析師，資料探勘工程師，建模（演算法）工程師，人工智慧方向。各崗位異同其他答主已經說的很明白了，就不再說了。
但實際上各崗位間並沒有太過明顯的界限，例如資料分析師也（掌握sql，R，統計等知識）完全有可能向bi工程師或資料探勘方向發展，只是技能的側重不同而已。
資料分析師需求較大，尤其對於較大型的公司，從總部各部門到分公司甚至營業部都可能會配備自己的資料分析師，工作一般以資料查詢及完成報告為主，技能側重於ppt，sql。這類分析師的能力差異主要體現在行業經驗及業務理解上。其他崗位包括資料探勘，建模等崗位主要在集中公司總部，崗位數量上會少於資料分析，程式設計技能及統計知識要求會更高，往往對相關資料探勘專案經驗也有要求。
關於資料分析師的前景，在未來幾年應該還是十分吃香的，但更長遠來看就未必像其他答主描繪的那麼美好；目前資料分析師吃香很大程度上是由於近幾年各種資料相關的概念相繼出現，導致資料分析師仍供不應求，但這種供需情況終會達到平衡，紅利會逐漸消失。
另外，就目前情況來看，資料分析師入門難度相比很多行業並不算高，不像當醫生的需要有醫學背景，律師/工程師則要求相關從業資格。我認為，簡單的sql查詢在不久的未來將會成為一種通用技能，就類似現在office三件套的存在，到那時候簡單的資料處理工作就不需要招聘專門的資料分析師了。
所以就長遠來看，若想在行業內保持競爭力，要不在就業務方向積累經驗建立起自己的壁壘，要麼在技術方面有所建樹。若留在原地的話，漲潮的時候可是會淹死的哦~~
4樓：渣渣輝
我就說一些我知道的事情吧，首先資料分析師是分為幾個檔次的。
第一種是會一些基本的Excel，會進行簡單的資料處理，資料整理，這類在各個行業都有，比如我曾經待過的網際網路廣告公司，頭銜是資料分析師，但是做的都是一些報表製作，資料處理的工作，最複雜的也就是去從資料裡找一些關係出來。這類工作需要和其它技能相結合才有發揮空間。前景可以做行業資料分析，算是乙個歷史比較久的行業。
第二種就是簡單的程式設計和SQL，這些基本上網際網路公司都需要，因為網際網路的追蹤反饋系統很重要，資料分析師在這裡扮演的角色就是乙個技術--->管理層之間的角色，略懂技術，但是也可以大概通過資料得出一點兒結論，給決策層做決策做出有價值的建議。這種應算是目前的主流，前景不錯。
第三種就是會機器學習，不僅有獲取，處理資料的本領，而且可以使用複雜的模型，得出專業的結論，講真，這種人現在非常稀缺，因為人工智慧的大熱，現在這方面的人都是可遇不可求的，但是有一點兒需要搞清楚，人工智慧和資料分析師是兩個概念，只是使用的工具有交叉，資料分析師一般不會用特別複雜的演算法，反而講究的是快速使用模型並反饋。
資料對企業來說確實是非常重要的，尤其是網際網路企業，因此無論你是想做行業資料分析，或者是搞搞機器學習，前景都是很好的，起碼在大城市，不用擔心就業問題。
資料分析師的前景怎麼樣
SMILE 資料分析在各行各業都佔據著重要的位置，對於決策者而言資料支撐扮演者舉足輕重的角色 所以，資料分析那是相當有前途的。 偏愛冰淇淋的魚 作為資料從業者，已經工作好多年，之前在美國讀書工作多年，目前回國在諮詢行業工作，接觸了很多跨國公司和國內公司各行各業的專案，以自己的經驗和身邊的事情來說一下...
資料分析師自學之路如何？
冷凡 我就是自學轉行到資料分析行業內的。學習的路徑是EXCEL MYSQL Power bi python 資料分析師 大學的專業是心理學，從業近兩年了我在這個問題下有近詳細的描述。如何成長為一名資料從業者，可以說下你的經歷麼？不負好時光的回答 知乎 https www. ENTER BACK 個人...
如何準備資料分析師的面試？
古牧聊資料 一般我觀察資料分析師們準備面試，分3個境界，依次遞增的那種 初級階段 閉門造車 這個階段往好了說叫 以我為主 往壞了說就是 閉門造車 一般在這個階段的同學做面試準備，都會特別細心 有邏輯的把自己過往工作履歷收拾歸納一番，把每個專案的背景 價值 過程和成果反覆推敲，並在心中默念，追求那種面...