缘起

基于饿了么新零售场景，在产品分析和运营策略方向招聘P5/6/7数据分析师半年多，简历收到几百封，在线勾搭若干，面聊近百人，录用3个。不得不说，这大大超出我的预期，招人成为一项不得不重视的工作。

两年前从求职者提升自我的角度，分别写道《如何从拉勾网往里面来看互联网企业里面的数据挖掘现状如何？》和《月薪20K的数据分析师都在做什么》，本文从招聘者的角度来写什么样的数据分析师是合适饿了么新零售场景？招聘靠谱的数据分析师究竟有多难？

候选人分群

起初在跟hr讨论要招什么背景的人，我把上海top30互联网公司的百度结果丢给TA。实际操作过程中，候选人大致分为分类，一种是与数据打交道但不一定是互联网场景（数据跨行业）；一种是互联网公司基于数据做事但不一定是数据分析师（本行跨职能）。

候选人分类

数据跨行业：

笔者至今仍非常感恩接受我转行的艾瑞数据leader，在招聘过程中也非常欢迎有志于投身数据行业的童鞋。事实上接受转行会存在各种风险，经历过形形色色的挑战后，选人会更加谨慎。 

传统行业：生物制药的数据处理、降水概率预测、供应链库存管理等传统行业与数据打交道最多的人，有感于互联网“大数据”概念，在基本没有任何背景知识的情况下都表示愿意从零做起，无论是分析还是算法方向。曾经有四大名校的本硕在大飞机工作多年的小哥，发现志趣还在于算法而入职半年就离开，对于双方都是不小损失。入职前先准备好“自己为什么喜欢数据分析，具体喜欢从事哪方面的工作？”这样会让面试官心里更有底。

金融公司：传统金融分析场景主要在如何筛选潜在优质用户来实现销售转化（比如call center）；互金公司/P2P从不同渠道的资金获取成本监控和使用效率的评估，在线渠道销售的大型公司还会涉及线上转化漏斗的简单分析；风控基本上在简历环节就会被筛掉，主要是产品和运营侧的分析和风控两者基本上是相互独立，从风控转行到前端的概率极低。2018年P2P公司集体暴雷，导致市场上出现大量简历，这类人才的特点是，人能用但不划算。金融公司普遍重业务，数据侧相对简单（取数），但行业薪资并不低，所以会出现P5的能力但要P6起的薪资，ROI难以平衡。

咨询公司：偏向数据方向，比如base上海的尼尔森、美库尔、艾瑞、埃森哲、奥浦诺等。常见相关职能包括做在线广告投放策略，用omniture或GA做网站部署和效果监测，用户分层和CRM营销。他们对于基本知识和常见业务问题有概念，只是限于乙方而不能深入分析。好苗子有潜力，性价比较高。依然有两种人不合适，一种是纯线下调研访谈的用户研究；另一种是做价格预测（预测模型是别人已经开发好、仅作输入输出）；此两类偏纯线下业务，培养成本高。

国外回国内：国外学校念完留下工作，想回国内即使有降薪预期但仍有较高的期望底线。只是国外工作经历一般不如国内一线大厂的经历算数，工作能力并没有让他能够值得薪水。无论是expedia还是uptake。其他concern包括对于国内的作息时间和业务合作的沟通环境是否适应，这也增加了不安定因素。

互联网公司：上海耳熟能详的互联网企业包括携程、小红书、bilibili、爱奇艺、优酷等，踏实在核心部门做两年数据分析，专业对口、上手就能用。这批能够独当一面P6的人会对未来产生困惑，在原公司会作为骨干被挽留，跳槽P7火候不够还是在P6的层级上打转。常见的两个跳槽原因是，一个是P6的才能但是薪资职级一直被卡在P5，另一个人升P6就到头且P7无望、想扩大一下应用场景。上海大型互联网公司数据的重要岗位的坑就那么多，这次以P6身份过来，下次就不可能再以P7的身份再来，机会成本比较高。这也是独当一面有互联网经验的P6比较难招的原因。

本行跨职能：

互联网公司基本上“数据驱动”，各个岗位都或多或少与数据有关联，会有很多之前不是从事数据分析，未来想全职专注其中，于是出现跨职能的转换。 

运营转分析：从事运营工作、兼有数据权限、在工作中简单的问题自己就能找到数据来证明的人，其实很适合转作分析，因为思考方式都是从解决问题出发，技术层面都可以再补课。业务应该更偏执行，数据更偏策略，判断是否合适转型，看是否有成功推动的项目，以及个人在其中发挥的作用和思考能力。

数仓转分析：数仓主要是维护基础数据流的稳定、ETL调度、制作宽表等，向基础层发展是搭建数据系统，用最低的成本/最合适的数据流来支持业务的发展，好的数据架构师也是公司必不可少；向应用侧发展是做数据分析，解决业务问题。由数仓转分析多见于在小公司什么都做的1-2年分析师，决心想往分析方向转；如果是大厂工作超过3年的数仓工程师，再想往分析来转，机会成本非常高。

报表转分析：报表工程师多见于数据咨询公司，主要采用Tableau等第三方工具来为甲方做报表展示，大型甲方公司也会存在。关键是确认数据工程师是否对分析指标有系统性概念，常见的互联网问题应该跟踪哪些关键性指标，让业务方能够自助地来解决常见问题。

报告转分析：呈现报告也是多见于数据咨询公司，给客户呈现分析结论，但没有反馈形成分析闭环。这部分人有常规的分析思路，只不过对于一些问题的拿捏没有实际经验，需要在甲方公司在磨练一下。

面试常见问题

正确看待不同背景的面试者，对他们共同的要求无非是做事是否靠谱，价钱是否合适。

1. 说说过去的落地分析项目： 

优秀案例：某个新改版的资源位点击率比旧版要差，在没做ABtest的情况分析原因。排除补贴率等外在变量，确认这个位置改版对于整个页面的点击率的影响效果，因为资源位可能是为造势提升页面整体效果，其本身点击率可能不重要；如果对整个页面是负影响，继续找是资源位曝光不足，还是曝光之后的点击率不足？曝光不足代表招商问题，点击率不足代表利益点不明确，用户不买账，针对不同的问题有不同的改进策略。

常见wrong answer：P2P理财的客户分页面转化，发现一个步骤的转化率特别低，告知业务现象，业务来想策略改进。这件事情分析时发挥的价值只是数据的搬运，没有参与思考。

这里再聊一下有数据分析意识的产品经理/运营和有业务sense的数据分析师之间的异同。两者其实都可以引用数据来说明一个问题，而且可能业务看问题的角度更加独到一些。业务不仅出策略而且还要关注执行、产出效果；对于数据分析师来说，策略是工作的全部重心，更加专注。所以对于平常工作中，通过几个常用指标来观测效果、判断优劣，业务方有能力做到，分析师保证数据持续稳定地流动；对于影响重大或复杂分析（不是一两个指标就可以说清楚的事情），分析师介入来给出原因提出策略方向。大家各司其职。

2. 离职原因是什么： 

优秀案例：在现有岗位已做各种尝试，充分使用数据而没有后悔的地方，需要新的场景来实践数据带来的价值。

常见wrong answer：与原有合作部门沟通的问题、数据权限的问题、薪资的问题等等，这在面试岗位也可能会出现。成为录用的concern。

原则是不要让对方认为你的问题在下家公司依然存在，成为你短期再次离开的理由。

3. 薪资期望： 

跳槽即对自己的薪资有明确的期望，不是根据哪家公司好要就会多要点；应基于自己的能力有足够的认识，才会有底气证明自己值多少钱。曾经遇到一个咨询公司的妹子，一万的薪资开口要涨到两万，原因是JD里面说这个职位是20K-40K。从能力上看，这个妹子的工作主要是价格分析，实际上是利用别人做好的模型做input和output呈献给甲方客户结果，并没有太多体现分析过程的case。果断被拒。一般甲方公司招聘职位如果范围较广（比如数据分析师P5/6/7）会同时放出多个JD，比如“15-25K”和“20-40K”两个范围，来覆盖最多的人群，定薪还是根据能力来。

奇葩的问题  

如果我知道死在哪里，我一辈子也不会去那里  

                                                                                --查理 芒格

有些问题可能会引起对方反感，即使是在普通的朋友聊天场景，尽量避免提及这些问题，很容易拿捏不好而陷入被动。

A. 把简单的问题复杂化： 

小A为证明对数据感兴趣而对时间使用进行记录，TA每天记录在memo中，并给每件事情设定一权重，用python定时任务来跑可视化，目的是直观看哪天没超过60分而提醒自己。初衷很好，但这些功能在GTD软件完全可以实现（比如Atimelogger），过程搞的巨复杂来体现他会用python，时间投入产出比不值得。应为了解决问题选择合适的工具，不能为了工具而做事情，工具技能可以用其他方式来突出。

B. 自称为“专家”/"资深人士"： 

小B自称是“团队的核心，非官方-民间认可的骨干”，大家解决不了的问题都来找TA。在陌生人场合这样明着说会感觉很奇怪，一般是通过说一些耳熟能详的项目、参与的会议、发表的论文、出过的书、写过圈子内广为流传的文章等等来侧面验证你还不错。如果实际明说，会有两个后果：第一个是提高能力和问题难度，来检验“所谓的骨干”是到什么程度；第二个是产生是否会有眼高手低、过分自信的疑问。

C. 自认学习能力很强： 

小C系上海某大学数学系硕士毕业、传统行业一年经验，表达出强烈的学习意愿和有强烈自信的学习能力，后以P4级别录取，不到三周离开。录取的初衷是好奇心带来的工作热情可以弥补基础上的不足，但实际对工作的热情和对生活的热情同等重要，工作上并没有表现出很强的自驱力；在职场认知上，希望像学校一样有系统的的学习，而工作上其实是边做边学（白天正常满足需求后，闲暇时系统整理/学习/请教）。从这件事情上学到两点：第一、对“自学能力强”保持谨慎，一定是有共识的项目经历来证明；第二、社招P5起，一年以上的相关工作经验有基础知识的了解和职场sense的养成，太多学校的气质带到公司，教起来实在是力不从心。

D. 工资要求翻倍/上涨50%以上： 

工资上涨50%以上，只要理由充分，可以接受。但主动提出要求的应试者，需要对原因很小心谨慎的说明，不要让对方产生“好高骛远”“眼高手低”的假设。也不要拿JD来框面试官（比如JD里面最低要求是2W，所以要求从现在的1W到2W）。前面已经说明，同样的职位薪资浮动很宽泛，为覆盖更多的人，可能会拆开两段来发布，定薪是根据能力来。

E. 近三年一年换一次工作： 

这样的简历可能直接被筛掉，“事不过三”，前两次可以理解为年轻不懂事，一直在寻找想做的工作；第三份工作只一年就离开，不免让人怀疑未来是否也只有一年？上海市耳熟能详的互联网公司数的过来，频繁的跳槽可能会让你失去以更好的位置进行这家公司的机会（你以P6的身份进行携程，之后三年内以P7的身份就无缘携程了），请珍惜每一次的变化。

录用的标准

每个公司每个部门都会有自己的标准，感谢这百十来个人的面聊，让我对于人员的录用标准从模糊到清晰。

1.脚踏实地能干活，项目可以做，需求也会接，有过项目中解决问题的经验。

2.工作>生活，对工作有追求，愿意接受挑战，要求生活和工作平衡的不合适。曾经有一个已婚已育的6年咨询公司经验的女生，追求工作和生活的平衡，下班接孩子放学和充分的假期陪孩子国外游玩，现在的节奏暂时不合适。

3.不惟算法论，现在1-3年分析经验的童鞋想找一些算法的工作，认为做算法才称得上做“大数据”。这件事情可以换个角度，数据应用带来业务价值，降低成本或提升收入，本身才会有价值；如果是生产环境直接嵌入，主要是指推荐和排序ctr优化；如果是在跟进业务项目的场景，主要是提出策略，有时候算法得出来的公式也是一种策略。更重要的是能找到解决问题的场景/有价值的问题，再来拿算法尝试；而不是说我抱着在kaggle上完成几个项目的经验，去纯做算法的场景。后者的发展很容易掉坑，在一些无什么价值的地方消耗时间。

4.男生和女生的平衡。为了平衡部门内部的男女比例，稀缺性别的人即使在技术能力上稍微差些，也会优先考虑，这确实是实际考量的因素之一。

5.情商ok，成功躲过“奇葩问题”的人。

数据分析师本身也是非标品，每个人的发展处于不同阶段，没有固定的模式来说明什么是对什么是错。只不过在不断试错的过程中发现一些问题反复出现，拿出来分享。毕竟路还是要靠自己走，别人说的只是建议。

共勉。