作为野路子运营，其实真的很少接触特别正统的数据分析领域的大佬，只是从业太久的好处，就是只要和游戏运营业务有关联，那么单个看其实是为数不多的数分同学共事时间，长期来说也能对数据分析这个岗位职能和发展方向有个基础认知了。
首先呢，对于数据分析这个职能，实际业务里，据我所知可以划分为两个大类，第一类就是非常常见的数据分析岗，第二类嘛则是相对少见的数据工程岗。但是相对前者的职能，数据工程岗的其实更常见，只是往往可能因为成本原因，混杂在其他程序工种里去实现和解决了，因为数据工程为何叫数据工程？就是字面意义把各种数据分析存在的数据来源问题，以工程化的思路做解决，而更通俗点就是“搞数据库”的，“写SQL”的，包括而不限于构建数据库，做数据库查询的api，写数据特征模型，文不如表，表不如图，协助数分岗位做自动化的可视化数据图文报表，开发对应的后台……所以吧，是归属于数据分析职能里的一个环节，但是中厂小厂甚至大厂，这个职位可能更归到了技术中台的范围之内了。
而数据分析岗吧，顾名思义，就是基于数据来做分析，分析什么？专业的描述下可能有更多说道，但是从我能理解的角度，概括的讲呢就是拿着数据做分析，拿分析做归因，拿着归因辅助决策。而为了提高原始数据和归因之间匹配的正确率和说服力，对数学工具的应用和统计学的逻辑理解存在更多和更高的要求——
比如最常见的就是相对平缓的日收入曲线出现了明显波动异常，这个异常可能是下降，也可能是上升，甚至可能不是数据标准的异常，而是观察者（比如老板）感觉可能有异常，那么对一个数分人员，标准的数据分析流程，就是发现异常之后，先要确定这个异常啊，它是不是一个“问题”？然后才是“这个问题”有多严重，而具体操作上，最简单粗暴的，就是
从时间维度上进行
周同比、月同比或者是年同比来对比历史同口径数据
。然后基于这样同口径历史数据的对比，判断定义是不是自然增值/下降，如果是，那么就没有太大的必要去深究，如果定义为不是，不是那就是异常，异常就可以去从其他维度做假设，再拉数据挖掘导致变化的原因了——
这个过程里，确认是不是问题，拿去说服观察者的逻辑和理由，就是一个最最标准的归因。
所以这里
归因指的是，假设我们已经有了一大批数据分析的结果，那么能不能基于这些分析的结果，总结归纳出，如果达到了数据7，那么有没有过程B？过程b的情况出现后，预期的结果是甲是乙还是丁？数据分析的归因，就是找出这些业务信息关联的结果数据变化的根本原因。
好了，假定要分析有分析，要归因有归因，那么自然而然的，
一个更大的作用是为业务提供分析决策。当然
这个辅助只是相对谦虚的做法，一个牛逼的数分大佬，就是
在不知道答案条件受限的前提下
，面对的就是一些分散在若干业务要素里的原始数据，然后去尽可能的用自动化，非人工（纯人工那叫玄学算命）的方式发现异常，预知未来——对，
数据分析的终极目标，从来都是人类一个恒久弥新的梦想“预测未来”（限于人类社会行为），而且
现在因为AI算法的大进步，可能更进一步是希望基于数据的分析，是通过算法自动化来做决策和调控，基本上去排除任何人为的干预……姑且不论这个梦想实现的可能性，这里面在我看来吧，其实无形中又体验出了数据分析职能岗位的一个困境，那就是需求确实存在，前景确实伟大，但是这个行业吧，对投身与此的从业者，其实是在做强烈的逆淘汰——
一般来说数据分析越牵涉到大数据，自动化，用算法而非人的主观经验来保证归因的准确性，那么必然是需要用到比较多的数学模型和对人类社会行为领域研究的前沿理论，也就是，他这个业务领域里，终极人才的画像，显然应该是对纯数学理论特别有兴趣爱好的研究型的人才，最合适来做这块业务。
但是，绝大部分能开出数据分析岗位的公司，尤其俺们游戏公司吧，对这种特别纯粹的，难以复合型的研究性人才，从商业化的角度讲，都不是特别友好，毕竟以利益为导向的，虽然都对“正确的数据分析结果”有莫大兴趣，但是中厂和小厂，其实都没有太多余钱去养专门的数据分析人才（因为资深数据分析人才也做不到保证自己分析归因的结果做预判时候绝对正确），而大厂肯定有养专门的数据分析的欲望和需要，但是对于把数据分析岗位上的人，更进一步的培养，尤其拿自己真金白银的数据，去参与预测未来模型相关的前沿理论探索，几乎都是缺乏这个宽容度和时间周期。毕竟对任何一个商业化的组织体系来说，所有人的存在，包括老板自己，要么就是能直接产生收益，要么就是能间接的方式作用于直接收益的产生。而除了个别少数情况，间接支持部门的功用再具备想象空间，能拿出的成本支持肯定不会太高。
而从情怀的角度呢，更不太可能友好——老板可能会因为自己喜欢游戏的情怀和很多一线业务领域的人共情，但是你忒么见过几个特别喜欢数学，然后搞游戏发家致富的老板？
所以吧……纯粹的数据分析岗位，都是属于说来一定是有存在的必要的，但是能开出高价的业内就是那么几家大厂，而
大部分相关的理论研究……都属于相关人士可能也一头雾水的混沌状态了。
对此，我个人角度能给的想法确实也不多，只能说，对于
不知道如何衡量产出但是确实存在想象空间的事，花钱的那一头肯定
只能衡量投入，那么以成本的方式存在账面上的我们能做的，永远就是，让自己的业务产出，以可见且可衡量的工作方式来体现，同时努力避免长期去做那些低门槛有需要可重复的事，那是未来会被自动化或者更廉价的年轻化取代的优先工作，而数据分析因为其预测结果和原始数据的因果存在的专业性，完全可以再通过对其他人不知道如何做的事情，建立经过你阐述后，其他人能理解的特定门槛，说服是一种通用的技能，只是并不足以拿来建立职业生涯，但是结合你的业务专长，可能就是一个不错的选择了——以上这些其实和数据分析岗位本身无关，但是数据分析的同学如果顺利掌握，肯定能成就远超（比如野路子运营）的未来……吧
谢谢大家看到底！如果看完我的杂谈文字野路子经验，你也有感触，欢迎点在看、关注、分享或者给点个「
赞
」哟
其他……
《
关于我经常提到的游戏业内群怎么加入？
》
免费的经验：
《
详谈到底什么是游戏运营三张表
》
《
自己遇见大佬做游戏时候的6步方法
》
《
游戏创业里王道正统和香酥鸡拷贝这件事
》
付费的坑：
《
小游戏研发初创团队立项前建议思考的问题和融资，立项，测试相关经验谈
》
《
游戏业内的闲扯，研发侧大佬线下复盘游戏研发和团队的真知灼见
》
《
页游年代的游戏产品综合评分量化标准文档
》
《
小游戏大制作：聚焦核心玩法，注重用户体验
》
《
一份虚构的TPS市场分析报告
》
