Meta和Amazon等大厂数据分析团队区别：集中式分析团队 vs 嵌入式分析团队

白皮书

热门行业应用场景

常用必备技能

从业技能解析

扫码回复【DA】，免费领取白皮书

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。

今天，我们就来给大家讲解硅谷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

图/CareerTu

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，然后再把他就安插到三个职位中的一个。像Meta的Marketing team就是非常典型的，所有的Growth Marketing都是一个组，然后他们会被派出去，像Meta，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

图/CareerTu

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。

很多同学反映，在面试时面对hr或者manager的提问：“你对我们公司或者有什么有什么问题吗？”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

图/CareerTu

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。

图/网络

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efficient，我应该采取哪种途径来提高这10%呢？所以我们要帮助PM来回答这个问题。然后很重要的一点是How to define success，是不是10%就是success了呢？那如果这个10%他没有达到9%，是不是success呢？那达到这15%的cost提高至200%，那这还算不算success呢？所以我们要帮助PM来define这个success。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。

第二个环节，拿到Business Question并把它transform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。

图/网络

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project的类型而考虑的一些communication efficiency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value，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。

图/网络

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Analysis来Drive Business Impact，而不是一门心思的来看模型的Accuracy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。

为了更好地帮助目前正在找实习、全职工作的同学，CareerTu特地建立了海外职场交流群，帮助大家更迅速地了解行业信息！