Master of Business Analytics（MSBA，商業分析碩士）無疑是全球近三年最夯的 program，沒有之一。

除了因為多數 MSBA 不會要求申請者一定要有技術背景之外，Business analysis 也是職場必備的能力，在 Linkedin 上要求 business analysis 的職缺甚至超越了 project management，也因此 MSBA 畢業的學生職涯出路相當寬廣，幾乎每家公司都可以找到 MSBA 畢業的人在擔任公司內部的 business analyst, data analyst, data scientist 或是 data engineer。

然而根據我自己還有身邊許多做數據相關朋友的經驗，我們一致覺得上述出路最普遍的 business analyst 和 data anlayst（以下會統稱數據分析師）正在趨近飽和，理由很簡單，就是市場對於分析師的需求真的沒那麼高。

在進入正文之前，我想先定位釐清這篇文章想探討的是「數據分析師」，而不是「數據工程師（data engineer）」或「數據科學家（data scientist）」。儘管這三者間或多或少都有重疊，但若以主要工作內容來劃分，數據分析師是用數據來回答業務端的問題、數據工程師的任務是把數據庫架好、數據科學家則是運用比較複雜的技術來發掘 business insight。

除了上述提到的分類以外，另外一種常見的 business analyst 也會在管理顧問公司看到，但由於其角色更類似初階的 consultant，因此不會在這篇討論。

關於數據分析師的工作

首先，數據分析師的工作類型可以簡單切分為「廣」和「深」兩種。

工作類型「廣」的數據分析師：合作對象多、需求類型多樣

顧名思義「廣」指的就是平時合作對象比較多，處理的需求類型也比較多樣化，但大多數任務都不需要用到複雜的研究工具。

比較常見的工作是跟業務團隊討論需求、SQL 拉數據、然後用視覺化工具製作報表，雖然對複雜的分析技巧能力要求不高，但對於分析師了解公司整體業務的程度以及需求處理速度會有比較高的期待，所以一般來說這類型的分析師比較容易出現在追求快速成長的公司。

以我目前的公司為例，公司規模 300 人，但我是公司唯一負責商業分析的分析師，工作內容像是早上和 compliance 團隊合作找出可能的 fraud case、下午用 SQL 找出最近有參與行銷活動的用戶清單再請工程師空投代幣、傍晚和歐洲的 BD 團隊討論該怎麼設計發給用戶的月報，最後是和 data engineer 開會討論最近有哪些常用到的 query 能夠請他們協助進行 modeling。

儘管聽起來很像是在扮演專案經理的角色，但這樣的情境在許多分析師的日常早已見怪不怪，畢竟讓業務團隊知道數據團隊會怎麼樣協助他們也是分析師每天的責任之一，而這也是為什麼有些分析師會說自己是 BAPM（Business analyst + Project manager）的原因。

工作類型「深」的數據分析師：技術導向，講求統計分析能力

至於工作範疇相對較「深」的研究型分析師則是以技術為導向的分析師，對統計分析能力會有一定程度的要求。然而真正需要這類型分析師的公司大多都是本業已經相對穩定，需要透過專業的分析師協助找出新的 insight；又或是需要依靠數據分析維生的公司，因此有需求的公司多半會直接選擇雇用由 data scientist 來負責。

根據我自己在新加坡職場 5 年半的觀察是，除了規模千人以上的科技公司因為業務廣泛所以能將這兩種類型的分析師職責劃分清楚以外，其餘公司幾乎不可能同時存在一個分析師同時要負責又廣又深的工作內容，除了兩種職責本質上的衝突以外，研究型分析師若被放在一間仍然在追求擴張的非數據新創公司裡面，那只能說是大材小用；反之如果要求一個擅長專案管理的分析師花幾個月的時間產出一個深度分析報告，那也很容易使不上力。

至於為什麼在 Linkedin 上時常會看到很多公司要求數據分析師「精通」Python 或 R ？

個人看法是有約 80% 的公司是需要請人來維護之前的分析師所寫的程式碼，而剩下 20% 的公司則是抄襲別家公司的 job description 複製貼上而已。

為何市場不需要這麼多數據分析師？

以上大致介紹完分析師的工作後，接下來我會說明為什麼我認為市場上不需要這麼多分析師的理由。

公司只會讓極少數人有數據庫的權限

數據庫權限可以說是數據分析師的工作命脈，然而公司只會讓極少數人擁有數據庫的權限。

其實這點應該不難理解，因為資料安全對於任何一間公司來說絕對是數一數二重要，換句話說，讓愈少的人拿到這些數據肯定是相對安全的做法。

過去在前東家的時候，儘管公司員工逼近 2000 人，但所有的數據報表都來自我們不到 7 個人的數據分析團隊。我們的權限可以看到公司所有主要業務產品的營收、流量、用戶數，甚至是每樣產品的利潤我都可以算出來。

因此若非特殊情況，在分享數據報告的時候我們也必須依據分享對象所屬的團隊來做分類，例如我們不能將各個國家的商戶數據透露給其他國家的業務團隊知道，也不能將營收數字分享給非銷售團隊的同事們。

除此之外，我也能隨意查到任何一個用戶在哪段時間買了哪些產品或是瀏覽了哪些網頁，又或是商家的成本是多少，要不要犯罪說真的只是個人的良心問題，這也是為什麼很多分析師都需要像公司的高階管理幹部一樣簽比較複雜的保密協定，或是離職的時候跟同職級的同事比起來也會有比較長的garden leave，因為這些數字幾乎是公司的生存命脈。

所謂的 insight 真的沒那麼多

除了 MSBA 以外，insight 也是近幾年非常夯的字，在 Linkedin 上搜尋”Insight analyst”也可以找到不少職缺，如果用中文解釋，網路上對於 insight 普遍的定義是：「以某種思考模式推演出獨一無二的觀點」。

毫無疑問的找出 insight 也是大多公司對於分析師的要求，然而現實的情況是那些真正有價值的 insight 從來就沒那麼容易被找到，絕大多數被稱為充滿「Insight」的報告都只是畫個趨勢線就能解釋的「findings」。

我個人認為提出有意義 insight 的首要前提是分析師需要對於產業和公司業務有相當程度的了解，但對於一個剛入行的分析師來說，光是熟悉業務可能就已經得花至少半年以上的時間；再來，insight 並不是一個人坐在電腦前面就會突然想到的東西，而是得花大量時間和其他團隊研究討論才有可能從數據中挖掘出以前沒有注意到的新觀點，畢竟如果沒有業務團隊的知識或意見，所謂的 insight 很容易就淪為沒有 action item 的 findings。

要達到這樣的能力，如果沒有大量的實戰演練對普通人來說根本很難辦到，這也是為什麼管理顧問公司的 business analyst 在離開公司以後往往都會有很好的職涯發展，因為他們有大量來自不同產業客戶的問題實戰演練，這絕對是其他公司所找不到的獨特經驗和優勢。

此外，對於很多還在想辦法穩定盈利的公司來說，找到 insight 的重要性往往不及開發一個大客戶或是研發一個新產品重要；而對於那些營運模式已經相對穩定的大公司來講，找出 insight 的任務則早就交給 data scientist 進行了。

既然如此，一般公司真的有必要請這麼多數據分析師來找出 insight 嗎？

由分析師提出的 insight 真的不是其他業務團隊就能發現的 findings 嗎？

又或者説，insight真的有那麼多嗎？

Self Service 才是未來

如果在職場中我們每個人的工作都是為了讓公司更快速地做出正確的決策，那公司推動數據 self service 就是個必然。

隨著愈來愈多的數據分析工具被打造出來，從 Excel 到 Google sheet；Google analytics 到 Mixpanel; 外加數不完的分析工具像是 Tableau, Talkwalker, Optimove，所有的工具都以模組化且或是更簡易操作介面為方向而設計，目的就是為了減少業務團隊和分析團隊的溝通成本，進而加速決策流程。

這些工具的誕生除了讓業務團隊能夠自己撈資料跑分析之外，也讓數據不再是只掌控在分析師手中，而是真正下放到各個團隊，其中 Tableau 所設計的 3 種不同 license 就是最經典的 self service 例子。

Creator license：一般會分配給數據分析師，擁有可以在 Tableau 上建立和管理數據庫和 dashboard 的權限。

Explorer license：一般會分配給業務團隊內數據能力較好的人，擁有建立 dashboard 的權限，但需透過連結 creator 所建立的數據庫才能製作報表。

Viewer license：分配給大部分的業務團隊同事和老闆，只擁有觀看 dashboard 的權限，無法建立 dashboard 或資料庫。

透過以上 Tableau 的模式，會發現隨著數據分析師逐漸將業務數據庫搭建好，許多分析的工作將能夠由各個團隊內部的 explorer 執行，從而提升各團隊決策速度，而數據分析師則會轉變為類似 data consultant 的角色，工作上會著重和 data engineer 合作創造更有效率的數據庫、管理數據權限、或是以宏觀角度提供業務團隊數據建議、並確保數據來源及各項指標定義的準確性，又或是有些分析師會轉往資料科學的範疇，透過分析更龐大的公司數據並提供給管理層有價值的 insight。

對我來說，Tableau 目前已經取代許多需要使用 Excel 或 Google sheet 畫圖的使用場景（又或是直接用 Tableau 簡報）。相對的，如果幾年後在 SQL 或 Python 上出現類似邏輯的工具我也完全不會意外，因為讓公司從「等待數據分析師提供數據」轉變成「每個團隊都能夠自己處理數據」才是公司能否加速決策的關鍵。

數據分析師的職涯發展

分析師這個職位永遠不會消失，但產業性質和公司的規模會大大影響分析師的職涯。

首先，每間公司對於分析師的定位和不同產業間的成熟度真的不能以相同的標準看待，例如 Tier 1 科技公司和剛創立三年的新創公司對於分析能力的要求肯定不一樣；客服產業和電商產業的分析師所負責的 Scope 肯定有差別；金融業和旅遊業對於分析師處理需求細節程度和關注重點肯定也不一樣，久而久之在不同環境下養成的分析師在做事風格上都會有顯著的差別，間接導致自己適合待的產業及規模逐漸定型，所以每個分析師在轉職路上將會漸漸的踏上完全不同的道路。

再來，根據我過去 5 年的觀察，若職涯目標是成為數據總監，即使撇開產業和公司規模的限制最少都要滿足以下 2 個條件：

• 擁有 data analyst 背景
• 擁有 data engineer 背景
• 擁有 data scientist 背景
• 公司的數據元老，幫助公司從 0 到 1 架好數據庫跟數據報表

以上的條件雖然看似困難，但在分析數據的過程中其實或多或少都會接觸到資料庫或是基本的統計技巧，因此很多分析師可能會逐漸發現自己更熱愛建模寫 code、或是對於資料庫的優化很有熱誠，進而轉職成為 data scientist 或是 data engineer，久而久之很自然地對於數據領域也有更全面的了解。

即使不往上升遷，成功轉職為數據產品經理、商業顧問、或是擬定策略的幕僚在數據行業裡面也是大有人在，因為分析師們除了得熟知所有業務團隊的狀況以外，老闆們也都需要仰賴數據才能訂定目標或是了解現況，因此有經驗的數據分析師常常是上述類型工作的不二人選。

然而以上的例子也是造成許多人誤認數據分析師是一個非常有發展的工作的主因，彷彿只要當上分析師以後未來就一片光明，但現實情況是「儘管全世界都在喊大數據和 data driven，絕大多數的公司做決策的時候從來就不會參考數據團隊的意見，並且把數據團隊定位在 Support 的角色。」而這個現象也打破許多剛入職的分析師對於這個職業的想像，導致大多數人還是處在一個迷茫的階段中打轉。

最後，寫這篇文的初衷並不是想勸退所有準備成為分析師的人們，而是希望透過自己的觀察讓更多人了解職場的現實狀況是什麼，因為公司對於分析師的需求可能會逐年遞減。

如果對於分析師的職涯發展還是很好奇的話，我建議直接用 Linkedin 搜尋過去 2~3 年內擔任數據分析師的人現在都在幹嘛，田野調查有時還是最有效的辦法。

（本文經授權轉載自 Tom Sung）