数据库 频道

在裁员风暴中,哪些数据岗位的人员最容易被优化?

最近有篇文章《我,阿里P7,找不到工作》刷屏,正好这位阿里的P7还是搞数据的,他是这么描述在阿里的工作的,“其实是做ETL,开发报表这样螺丝钉一样的工作,每天看似很忙碌,但做的事情价值有限,自己的成长也非常受限.......”

那么,哪些数据岗位不属于螺丝钉的工作呢?哪些数据岗位更能对抗被优化的风险呢?

不失一般性,非研发类企业的数据岗位,其抗风险的能力取决于两个因素,即价值创造力和不可替代性。

价值创造力指数据岗位在公司的价值生态链中所处的位置,一般来讲,离业务越近价值创造力越大,以取数岗位为例,虽然技能要求偏低,甚至可以外包,但其价值创造力不低,因为是直接为营销或经营分析提供支持。

但光有价值创造力是不够的,还要看这个岗位的不可替代性,比如取数岗位虽然价值创造力尚可,但显然不具备不可替代性,现在很多偏纯技术的数据岗位面临同样的困境,因为云原生、微服务、人工智能等的发展已经大幅降低了技术使用的门槛,大量通用技术被基础设施化。

基于价值创造力和不可替代性两个维度,这里给出了六类数据岗位的排序,层次越高的岗位,在企业内越具有竞争力,被优化的概率就越低:

  • 第一层:算法

  • 第二层:取数、报表及数据开发

  • 第三层:数据建模及数据分析

  • 第四层:数据架构、数据产品及项目管理

  • 第五层:数据治理

  • 第六层:CDO

这种排序会存在争议,因为以岗位论英雄忽略了人本身的因素,牛逼的人即使在最平凡的岗位也能脱颖而出。

但岗位歧视是普遍存在的,从概率的角度看,也具备一定的合理性,正如985的学生比普通大学的学生普遍具有竞争力一样,公司让你去做数据治理,是对你综合素质的一种认可,让你去做取数,仅是对一种技能的认可,但两者的认可程度不一样。

算法岗被放在第一层,一方面是因为技能通用性很强,缺乏差异化,另一方面算法带来的那些价值提升往往不够看,远小于业务能力+数据能力的加持,非技术类公司也不具备什么条件去研究牛逼的算法,很多在大学搞算法的公司新人要么转岗要么离职,这是客观现实。

取数、报表及数据开发被放在第二层,相对于算法岗,其技术要求偏低,大多懂点SQL就可以了,但公司的经营分析、营销管理、财务风控等业务都离不开这些数据岗位的支持,因此人员基数最大,可惜的是,这类岗位的技术和业务天花板很低,2-3年即可毕业,然后一直呆在舒服期,意味着很容易被自动化的工具、培训和外包替代,阿里的P7也许就是这种情况。

数据建模、数据分析被放到第三层,相对于取数、报表及数据开发,这些岗位不仅需要掌握更多的方法和工具,更需要对业务有深入的理解,比如数据建模的第一步就是要调研清楚业务流程,数据分析则对逻辑、沟通及表达能力提出了更高要求,这些岗位的天花板很高,个人能力很容易往上走。

数据架构、数据产品及项目管理被放到第四层,相对于数据建模和数据分析,其最大的区别就是从追求个人贡献走向了团队贡献,优秀的管理能力带来的团队价值提升远高于个人,优秀的数据架构师可以大幅减少企业的技术负债和运维成本,优秀的产品经理和项目经理能让销售、架构、开发、数据、测试、运维等各类人员力出一孔。

数据治理被放到第五层,相对于数据架构、数据产品及项目管理岗位,数据治理要求人员能超越领域的视野,站在企业的视角进行企业数据治理体系的顶层设计,从组织、机制、流程再到文化,如果说前四层的岗位主要解决的是生产力问题,那第五层则是要解决生产关系的问题,这类人员的不可替代性非常高,甚至有价无市。

CDO独一档,没啥好说的。

应该来说,业界关于数据岗位的名称还未完全统一,同样的数据岗位在每个企业的内涵可能是不一样的,比如不少企业会把干取数报表的也叫作数据分析师,因此还是要究其本质,不要望文生义。

数据岗位的升级路线也展示了一些规律性的东西,告诉我们尽可能的要从技术走向业务,从被动走向主动,从具体走向抽象,从局部走向全局,这样才能让自己立于不败之地。

1
相关文章