Facebook和Amazon等大厂数据分析团队有哪些区别

行业白皮书

什么是数据分析

热门行业应用场景

薪资和相关岗位

未来职业发展路径

常用必备技能

扫码回复【DA】，免费领取白皮书

Facebook和Amazon等大厂数据分析团队的区别是：集中式分析团队 vs 嵌入式分析团队。

近几年，随着大数据、AI等各种智能化演变，越来越多的互联网科技公司、广告公司、电商网站、快消品牌都逐渐意识到营销分析和数据分析的重要性，Marketing Analytics、Data Analytics、Business Analytics、Data Science等更成为这几年来发展最快的职业分支，就业前景被业界广泛看好，相关的职位薪资甚至比肩码农，并且还是非常H1-B friendly的职位。

这次我们邀请到了职图的资深导师来给家大家讲解硅谷以Amazon, Facebook为代表的科技大厂的数据分析团队的构成、以及如何准备数据分析面试！

常见的部门结构

Centralized Analytics Team

Centralized Analytics Team有点像一个内部的小型咨询公司，所有的Analyst或者说是Data Scientist，他们都是在一个team里面的，他们汇报给Analytics Manager，Business Analytics Manager，Data Analytics Manager，Analyst会被派出去和其他不同的部门合作，然后为其他的部门完成某些任务。

在Centralized Analytics Team里，通常是会进行general hiring的，比如说我所在的组里，有三个职位open，招人的时候就只会在网上贴出一个职位，然后我会让candidate在面试的时候跟这三个职位的相关人士都聊一聊，看他更适合哪个组，然后再把他安插到三个职位中的一个。

Facebook的Marketing team就非常典型，所有的Growth Marketing都是一个组，然后他们会被派出去，像Facebook，Instagram，WhatsApp，Zillow，Dropbox内部也是这样的组。

Centralized Analytics Team的好处就在于，因为你跟你的peer坐的很近，所以你能及时获取各类信息，更好地完成工作。例如我们组所有成员都是坐在一起的，你可以转个头就可以问同事：“我这个不会写，你能不能教教我”或者是“我没有用过这个Data Source，你可不可以教教我”。我们平时会一起吃饭，所以我可以知道在team上面发生了什么事情，这些使我在较大程度上加深了对整个公司的了解。

Embedded Analytics Team

采用这种部门结构的企业不在少数，比较有名的案例就是Amazon，Google和Uber等。对于Embedded model，Analyst的汇报对象就是他的队友，并不是其他的Analyst。

Embedded Analytics Team的一个好处在于，和同组其他人是坐在一起的，比方说我作为Data Analyst，会和PM、SD、Designer坐在一起，在整个Product Planning和development的过程中，我会有更多的话语权，能够更融入一些，对产品也会更加了解，对项目的贡献也可以更多。

💡面试Tips

很多同学反映，在面试时面对hr或者manager的提问：“你对我们公司有什么问题吗？”会很容易卡壳。

那么这个Embedded Analytics Team就是一个很好的回答话题，当然你要做一些功课，可以这样问manager或hr：“我听说贵公司是一个Embedded Analytics Team，请问是这样的吗？”就相当于把话筒交回给了hr或manager，他们就会给你讲公司的structure是怎么样的。如果你在前两轮面试就能知道公司的团队运作模式的话，对于接下来的面试也更有帮助。

分析师的日常工作流程

这是Analyst的Day-to-Day Workflow，作为一个Analyst，我们的工作首先会从一个Business Question开始，因为在工作中，你不是为了去写这个SQL而写SQL，不是为了用Python而用Python，每干一件事情都是为解决一个Business方面的问题，所以首先会有一个Business Question。

接着，我们需要把这个Business Question 转译成一个Data Question，然后就要开始准备一些Data Preparation，比如如何清Data，如何Query，如何么把它调成能够直接用来做Analytics的一个Format。

完成之后我们需要把最开始提出Question的那些人召集回来，告诉他们结果，最后大家一起商讨我们下一步的计划。

提出Business Question的人其实不知道他自己想要的是什么——这是我在日常工作中遇到最多的一个问题。比方说一个Product Manager过来提出要Updownload提高10%，面对这个question会让你不知道要从何入手，所以分析师要找到他们真正想问的去问。

比如说，要求提高App download大于10%，但我现在有一个bug，我是要修这个bug，从而提高这10%，但是我现在发现，paid的App download特别高效，我应该采取哪种途径来提高这10%呢？

考虑目标的可操作性

我们要帮助PM来回答这个问题，很重要的一点是How to define success，是不是10%就是成功了呢？那如果这个10%他没有达到9%，是不是成功呢？那达到这15%的cost提高至200%，那这还算不算成功呢？所以我们要帮助PM来define成功。

如何具有可操作性，比方说我app里面加某个feature，用户注册率可以提高10%，这样是不是具有可操作性呢？增加是这个feature在SD做起来是否容易，等等，这些是在第一个环节比较核心的问题。

确认指标、准备数据

第二个环节，拿到Business Question并把它转换成Data Question之后，我需要确认的两件事情，第一个我要看有什么metrics，因为PM其实不像你对于Data Source那样熟悉，所以他不知道哪些数据是可以有的、哪些是不能有的，这样你就会知道，这个metrics是否可用，这就是体现你的Data driven mindset的一个机会。

确认完Data Question之后需要做Data Praparation，确定用新的数据还是已有的数据，以及怎样去query这个data。要考虑到怎样查询可以让运行的速度最快。

回答Business Question

在数据分析环节，我们是建模型还是做数据可视化呢？是进行具体的计算还是估算？这些都是需要你做主导的。

最后我们要回答原有的问题，比如说我建了一个很fancy的model出来，那我这个model到底有没有回答他的原来最初的Business Question呢？工作完成后需要进行present的模式是什么样的？无论是通过Excel，还是组织会议、发email或者直接面对面说话，这些都是需要针对于不同项目的类型而考虑的一些高效沟通方面的问题。

关于结果是否具有可操作性，我觉得是用来衡量一个Analysis水平的重要环节，可以确认你做出来的Analysis是否能被人重视，如果我的做出来的东西能被人所用，那什么时候用怎么用，用了之后会带来什么影响，是否要做Follow Up Analysis，这都是你需要考虑到的内容。

作为一个分析师，我的日常时间60%~80是会在Data Preparation和Data Analysis上面，尤其是Data Preparation环节，我觉得我在这上面所花费的时间比应该花的时间更长。

其实大家的目标应该是把时间从Data Preparation分散出去挪到Data Analysis，更多地用来参与Business Question。因为作为Analyst，你如果埋头苦干，就一直只在意自己的SQL写的好不好，就会让你看不到Big Picture，毕竟作为一个DA/BA，或者是一个Marketing Analyst，我们的核心工作是要用自己的分析来Drive Business Impact，而不是一门心思的来看模型的精确度有多少。

此外，数据分析师所面临的各种Business Question也受到众多现实环境因素的影响和形塑，在当前全球疫情的形势下，DTC（Direct To Consumer）这一新兴运营模式凭借着各大社交软件平台，取得了极为显著的发展。对于想进入DTC电商领域工作的同学，也需要了解更多电商领域的数据分析的知识和技能。

想要学习更多数字营销、数据分析、产品设计等数字化知识和技能的伙伴们，赶快锁定CareerTu职图！免费领取白皮书！