图5：数据职能的价值

这么说稍微有点抽象，这里以问答社区（知乎）为例，简要说明一下“业务数据化”与“数据业务化”的含义。

大家可以稍微回忆一下：当我们在访问问答社区（刷知乎）时，都会产生哪些行为？

简单列举一下，例如：阅读、播放、点击、滑动、跳转、点赞（双击屏幕即刻体验）等等。这些用户的行为，都可以归属为知乎运营业务中的一部分。

而知乎记录这些“用户行为”的过程就是一种“业务的数据化”。但如果仅仅是用一个又一个的分区，记录这些行为日志，只是产生了数据，而没有产生价值。

当知乎加工、分析、利用这些数据进行产品设计，对用户进行信息推送时，就完成了一个“数据业务化”的过程。

图6：“业务数据化”与“数据业务化”案例示意

在上述的例子中，相较于数据业务化，业务数据化好像是一个相较而言比较简单的能力，涉及的主要工作事项就是数据埋点和落库。

但实际上“业务数据化”并不简单。仅仅是一个页面的PV的统计，就要考虑、是否弹窗、用户是否切换Tab、是否最小化窗口，等等实际操作场景；最终，可能要经过长时间的多次迭代，才能得到一个较好的埋点标准。

通过“业务数据化”和“数据业务化”，组织可以建立起一个正向的闭环数据流。在这个正循环的过程中，数据越用越多、越用越好。

图7：闭环数据流

我们常说，有些事是我们擅长的，有些事是我们热爱的，有些事是这个世界所需要的。而我们职业发展的目标就是找到这三者的交集。

图8：职业发展的目标

所以：

• 首先我们要弄清楚组织需要各个岗位做什么工作。在了解工作内容之后，我们就可以对自己是否感兴趣做一个初步的判断。当然很多时候，还需要通过尝试的方式，去探索自己的兴趣。
• 然后，我们根据工作的内容来补充自己的知识与技能，逐步从入门到精通。

1

数据岗位的工作内容

而数据岗的工作内容，抽象而言，就是支撑起整个数据流运转；具体而言可以分为：生产数据、处理数据和消费数据三大模块。

下图简单示意了，不同岗位在数据流中所处的位置：