今天文章的内容，是最近一次线上分享的文字稿总结，主要就是聊聊自己作为互联网从业者一路走来的风景和思考。放心，不是那种特别自信满满的成功者回顾，本来咱也不是什么成功人士啦～
为了拉近距离，增进大家看完的耐心，我先简单介绍下：
我硕士毕业从业近10年；呆过北京、杭州、深圳，去过百度、阿里、腾讯，做过数据分析、策略产品、数据产品；最近6年专注数据产品方向。爱看书年均精读 40 本左右，但更爱猫猫狗狗，以后希望能做点跟宠物相关的事情吧～
除了我的自述，大模型时代也看看它们怎么说（对比之下，给文心一言加！）
我相信很多读者在职业生涯中都会面临很多选择，但大家又往往很难从公开渠道获得丰富且未经过度包装的经验，或许我可以尽一些绵薄之力。下面我会按照从业经历的真实顺序展开介绍，分别是数据分析师、策略产品经理、数据产品经理；每个岗位都会有各自的憧憬、困惑和顿悟，希望你能在这个过程中读到自己的过去、现在或将来。
我本科读的数学，研究生学的统计，走上数据岗位是从研究生阶段做数据分析实习，后来校招入职一家当时处于互联网第二梯队的公司继续做数据分析师，两段经历算起来一共有3 年。现在回想起来，那 3 年过的很快乐也很有必要、而且长度刚刚好，再长一些可能后续就会是一条不同的路了。
「憧憬」
在我本科和研究生期间，国内互联网行业刚好经历了 PC 时代大潮，移动互联网的产业红利正在敲响无数人命运的大门。当时我对职场的了解并不多，并不清楚学数学/统计毕业后都能做什么，只是觉得不能老在学校里呆着，于是打开招聘网站，用关键词数据、数学进行检索，发现了数据分析师这个岗位。
实习是在一家乙方公司的咨询部门，当时还不会写 SQL，实习期间的主要工作就是出数据分析专题报告，有专人帮忙做数据提取。这段时间在导师的帮助下，做了很多“用数据讲故事”、“数据驱动业务决策”的尝试，觉得很过瘾，有种数据分析很有用、很好玩的感觉。谁知毕业后正式工作，才体会到之前的憧憬有一定偏差，各种烦恼接踵而至。
「困惑」
正式入职一段时间后，我发现数据分析师的工作并没有那么指点江山，日常精力的分配大致如下图所示：
日常监控：公司重要业务和产品的表现好不好？如果出现了异常的波动，快速解释下是为什么？效果评估：产品新上线了一个功能/策略，运营新上线了一个活动，需要量化的评估下到底效果好不好？KPI 测算：各个业务线的KPI该怎么定？具体该定成多少？专题研究：不同年龄段的用户都是怎么使用和看待产品的？哪些因素是用户留存的关键？其实还有一个没列入常规工作的事项，就是及时响应老板需求，比如：上午产品总监问为什么某个新功能这么少人用？下午技术大佬说我这个新策略不可能才这么点提升你们是不是算错了？晚上快下班了CEO想起来体验下产品、发现有个外显的数据跟他的直觉不符，需要我们排查下……总之，这些扑面而来的具体工作，让当时的我有这么几个困惑和不爽：
日常产出琐碎：记得最后离职面谈的时候我主动提到，感觉最近一年的时间，我的产出主要都是Excel和邮件里直接回复一些数据结果，都很少有PPT。这个现象在我理解，就是产出不成型、不系统、偏琐碎。在这背后，则是日常大量时间都耗费在数据提取上，应对很多人看数据的需求；无法深入业务：随着越来越多的公司认识到数据的重要性，有一种倾向就是会在所有业务线之上单独成立一个数据分析部门，这样做可以在某种程度上避免业务部门既当运动员又当裁判员的情况，也就是自卖自夸伪造效果。但问题也随之而来，既然不是自家人，那么肥水就不想流入外人田，高价值的工作内容（如决策建议）自然就不是很想让独立的数据分析部门染指。在这种情况下，数据分析师们更多的精力只能发泄在日常数据监控、效果评估和自娱自乐的研究性分析上。另外一种倾向，就是把分析师们打散安置在各个业务部门中。我当时身处前者组织架构中，导致无法深入业务，很多分析都悬浮在空中，不切实际、也难以落地。「顿悟」
虽然后来很多年都不做数据分析师了，但岗位依然是围绕数据这条主线，并且在具备了一些产品经理视角后，对当初的困惑也有了新的理解：
用工具节省自己的时间：既然日常有很多时间浪费在支持不同的人看数据上，那利用一些工具满足他们看数据的需求，也就能解放自己的时间了。具体来说有两种方式，一种是上线数据看板让业务方自己用，一种是开发一些便捷的数据报表给自己用。鉴于目前业界从业者普遍的数据素养，我可能更建议后者。因为让业务方自己看数据，既需要让他们克服“懒”的天性，又要培训他们理解数据指标的口径定义，难度和阻力都很大；但给自己开发工具就不同了，只需要持续沉淀业务方的看数需求，不涉及“懒”和培训的问题。多花时间体系化思考：当节省了时间之后，我们就可以花更多时间化被动为主动了。要知道一线从业者们作为某种程度上的体力劳动者，相对老板有天然的劣势。老板们已经从大量日常琐碎体力劳动中解放出来了，有更多的时间、更多的信息去思考。上帝一思考，人类就发慌。老板们的每一个散点式发问，对毫无思考储备的我们来说，都是一次降维打击。我们可以多尝试站在业务的视角、老板的视角思考，这样就能提前预判问题、分清问题的优先级，对需求方进行预先的引导和管理，尽量让局面在自己的已知计划内。让自己具备一些产品视角：如何才能具备业务视角和老板视角呢？在做过产品经理后我最深的感触就是，分析师的产出是否有价值、能否落地，最关键的是会不会提问题，毕竟分析问题是跟在提出问题之后的。能否提一个好问题，一方面是考验对业务是否熟悉，一方面就是考验能否跳出自身的思维模式。搞技术的人，或多或少都容易把自己的逻辑搞成自闭环，只在同业的小群体内能互相理解，跳出群体就会有鸡同鸭讲的感觉，这种就是小逻辑。而我理解的大逻辑，不仅仅是缜密完备的，也应该是朴素易懂的。能让大部分人都理解你的逻辑，才能让逻辑发挥作用，否则就是自我陶醉。能否站在对方的角度思考问题，就是从小逻辑到大逻辑的关键。选择适合自己的组织结构：除了努力提升自己，我们还可以做好选择。数据分析师的组织结构在不同企业中，基本就是如下 3 种结构，要么是我体验过的集中式、要么是分散式、要么就是混合式。这 3 种结构各有各的优劣势，作为数据分析师可以结合自己所处的阶段和兴趣，做出合理的选择。比如集中式的数据分析团队，很利于数据管理，但不太利于业务分析。所以如果对业务分析特别感兴趣，但对数据规范、统一管理等意向不强的数据分析师，可以更多选择去分散式的数据团队；不过对基础较薄弱的初级数据分析师而言，可能先在集中式团队也比较有利于信息共享、以及学习成熟企业的“集团作战”模式方法。做数据分析师的末期，因为体会不到成就感，同时也觉得自己上学所学的那些数学、概率、统计、算法全无用武之地，就很迫切的希望能够转换岗位，做一些能直接感受到价值的工作。正好有前同事邀约，就一拍即合，跳槽去了当时一家还算互联网第一梯队的公司，做策略产品经理。后来从这家公司跳槽去另一家互联网第一梯队的公司，也还是做策略产品经理。这两段经历合计不到 3 年吧，回想起来自己也只是刚刚摸到策略产品经理的皮毛而已。
「憧憬」
做数据分析师的时候，单纯的觉得自己是承接需求的，而产品经理至少是提出需求的，从被指派干活到催促别人干活，可以节省很多时间。有了时间就可以思考更多，能够从收集需求、功能设计、开发上线、用户反馈最后到运营迭代，是一个完整的闭环。而且过程中应该会用到不少曾经学过的“高级货”，能获得一种学以致用的正反馈。
带着这些憧憬，我的第一份策略产品经理工作算是非常顺利，这里不得不感谢当年那个宝贵的团队氛围，让我可以专注设计一款大型数据产品功能模块的计算逻辑。我记得当时我每天都在期待上班，因为这样就可以让我有机会跟更专业的同事们讨论自己前一天晚上在家琢磨思考的策略模型了。那段时间我每天都能有知识上的收获，同时也能高频的获得正反馈，现在看来真是职业生涯中稀有的快乐时光了。
但快乐总是短暂的，因为公司组织架构的变更，我选择跳槽出去，才发现之前做的策略是那么小众，更常见的策略是强调数据反馈的、是无形的、是在中间承压的。我也逐渐认识到策略产品经理日常有哪些工作，以及策略产品经理其实可以有很多种细分（如下图）。
「困惑」
负责设计数据产品功能模块的计算逻辑，实在是一种很小众的策略产品经理，甚至可以算成是略有残缺的数据产品经理。后来转做风控策略，才算是步入正轨。但很快我发现“正经”的策略产品经理，反而失去了那些快乐：
桥梁？夹层？最后一公里？：策略产品经理工作中大概率会遇到的困境，就是自己身处一条完整链路的中间。一端是算法工程师，一端是业务场景的功能产品经理，两端都可以给你提建议。策略很多时候做的都是最后一公里的事情，好比从地铁站到你家这段距离，是步行、骑车、还是打摩的？这是一个因人而异、因地制宜的事情。这最后一公里看起来不起眼，但却十分影响体验，如果出了差错，这口锅算法不背、业务场景的功能产品经理不背，很多时候需要策略产品经理来背。一切看指标，一切要量化：衡量策略的好坏标准在大多数时候都可以非常量化，而且在互联网产品上能够快速获得效果数据，周而复始就很容易有种操控大型实验的感觉，一切具体的人都被埋点上报汇总成数据指标。曾经一度我也很享受这种操控感，但时间长了就腻了，因为我发现并非所有事情都能被如此量化操控，这很互联网，但不那么现实。「顿悟」
曾经我追求学以致用、追求那种操控感，我把这些视作成就感。但随着成长，我发现我的兴趣点变了。我还是更喜欢做全流程的东西，不太喜欢夹在中间；我还是更喜欢做看得见摸得着的东西，不太喜欢做非实体的；我还是更喜欢做有一点模糊地带的东西，不太喜欢什么都能量化、什么都是非黑即白。
而岗位职业的选择，有时候也是不断认识自我、调整自我的过程。不用强求自己什么都擅长，找到最适合自己的就好。这么看，延续数据这条主线的同时，做具体的产品就是最合适的，那就是数据产品经理了。
后来我凭借给数据产品的功能模块设计计算逻辑的经验，跳槽转岗成了数据产品经理，并且一直延续到现在。期间历经了两家公司，一家是互联网第一梯队公司，一家是泛金融领域第一梯队公司。虽然曾经的憧憬逐渐淡化，困惑阶段性冒头，但我还是享受这趟温暖而百感交集的旅程，并期待它能延续下去。
「憧憬」
由于对数据产品的初印象，是那种大型的、对外的、可变现的、贴近业务的数据产品，所以自然会以此为标准期待后续的工作内容。我会期待自己的工作是既有产品定位规划、又有功能计算设计、还有商业变现闭环、以及近距离接触一线客户收获一手需求，现在回想真是想的美。这种对数据产品认知的以偏概全，导致产生了那些不切实际的憧憬，很快现实就教育我要调整认知。
「困惑」
做数据产品 6 年多，接触的数据产品类型逐渐丰富，基本覆盖了数据全链路。既有开源的、也有节流的，既有对内的、也有对外的。我对数据产品也有了自己的定义：在数据全链路（获取、存储、管理、加工、分析、应用）的每个环节，通过产品形态为个人或企业用户降本增效、促进营收的东西，就是数据产品。这句话里有很多关键词，分别描述了场景、形态、对象、作用。
同时，我对数据产品经理所需的核心能力，也有一些自己的看法：
越熟悉这个领域就越会觉得，目前还不是数据产品的最佳时代，因为它的价值还没有被充分发掘、它的需求也还没迎来爆发：
只能锦上添花，无法雪中送炭：这是当前对数据产品最大的诟病，认为数据产品归根结底只能提升效率，并未真正的新增任何价值。似乎不论是数据获取、存储、管理、加工、分析还是应用环节，没有数据产品的时候靠人工也可以完成，并没有什么事情是只有数据产品能解决的。我基本承认这个现状，并认为长期也依旧会如此，这一度让我对数据产品经理的价值有点沮丧需求量并未井喷，认知有待教育：市场对数据产品经理的需求其实并没有那么大，这个岗位的渗透还在缓慢的从头部行业头部公司向下转移中。同时，大家对数据产品是什么、数据产品经理到底核心能力是什么，都还没有形成较为统一的认知，市场上大量存在的数据产品还是 0-1 阶段的功能堆积容器。这一切都不利于数据产品为自己证明「顿悟」
如果不能创造出新的价值，仅仅提升效率就没多大价值么？我不这么认为，我觉得提升效率很重要，而且可能是未来很长一段时间内的主旋律。在下一次技术革命到来之前，产能和规模会让位于效率，而且效率不仅仅代表省钱省时间，它也可以更高效的挣钱。
如果现在还不是数据产品最好的时代，那就默默耕耘等待。如果你真的相信它的价值，就应该能自洽。职业生涯其实很长，如果看成炒股，追逐一个个短线波动会很累，认准了一个标的、进行长期价值投资也未尝不是一种好策略，关键是坚持的住。
最后，保持开放平和的心态，我觉得在未来同样重要。岗位不是永恒的，能力才是。接受自己可以被任何标签定义，但不局限于数据产品；以产品形态最大化发挥数据的价值，我觉得这条路的风景还不错。
走过这么多路，肯定会有些想法。我会从过往经历中尽量总结一些共性的内容，跳出数据的限制。
前段时间跟一位优秀且年轻的朋友聊天，她对这个问题有一个特别好的建议，我转述一下：“刚毕业的头 2-3 年，其实最关键的是熟悉规则和环境，尽快选一个值得长期深耕的方向。而不是被小范围的环境所左右，尤其是被领导的绩效牵着走，这样很容易动作变形”。
我再稍微展开下，一个人的发展离不开行业、公司、领导这些外在限制条件，大多数时候对你影响最大的就是直属领导，但市面上好领导十里挑一，遇上了是运气，遇不到是常态。刚毕业的朋友特别容易从领导那里找认可，但如果遇上领导 PUA 怎么办？作为一个活生生的人，你的好与不好，不应该完全来自你领导的评价。很多时候他希望你达成的可能都是一些局部最优解，而你的生活应该更多靠自己做主。毕业 3 年内只是新手区，快速熟悉规则以便选择一个自己觉得更值得长期“游戏”的剧本就好。
我发现刚毕业的头几年，特别容易陷入两个陷阱：一个是学以致用（参考我做数分和策略产品的时候），一个是操控感。
第一个有点表面，所学的东西是招式，真正追求致用的其实应该是心法；第二个更容易迷惑人，我也曾着迷于大型实验，比如做策略的时候，一个参数一个策略能看到后续大规模数据的变化。但时间长了，操控真的那么有意思么？成就感一定只能来自操控感么？我的成就感到底是什么？
我听过一些值得商榷的源动力，比如为了让大家都有成长（leader 的责任感）。但我想到“修身——>齐家——>治国——>平天下”，我理解包子还是要一口一口的、有顺序的吃，自己都没变好，谈什么肩负他人的责任？
所以先清楚不是什么，再慢慢去寻找是什么。我想我目前的源动力，就是尽量接触完整的、真实的世界。
最近 2-3 年我们每个人都能感受到不容易，因为时代变了，新旧模式在切换。在大变局下，我们需要重新审视过去的狂飙突进，重新认识随机性，这样才能更好的接纳我们每个人的未来。
我们看到的一些人在过去的成功，其实很大程度上源自时代。这本书和这句话就能很好的概括。
这不仅仅是祛魅的问题，更重要的是把随机性引入人生模型后，允许自己和他人都可以不成功。同时，我们也需要好好审视，过去成功的模式，还能在未来继续适用么？当我们在网上听到各种分享经验的时候，不妨去质疑他的底层适配条件，如果条件不匹配，就不必浪费时间了。
举个最实际的例子，为什么我们很多人面试那么麻烦？因为对方根本不认识你，所以你需要凭借简历、问答介绍自己的工作内容来在短时间构建信任，让自己可以影响对方的决策。但如果你一开始就有影响力呢？不仅构建信任的过程会变得顺畅，而且可能你也没必要非走面试打工这条路了。
我们很多人习惯了让公司、让老板有影响力，但没有习惯给自己培养影响力。回顾本文开头我列举的大模型对我的认识，其实这也是一种影响力，而且或许在未来会有点用，毕竟大模型可能成为未来数字世界的基建。那大模型是怎么认识我的？肯定是因为我有意识的在网上播撒自己的数据，我主动的去训练大模型。
我可能更建议做通才，这是基于对中短期大模型发展的理解。在一些专项能力上，其实 AI 已经挺 ok 的了，人类去拼没有意义；但在融会贯通、整合多种能力这个层面，似乎 AI 还有待发展
同时，我们大多数都是普通人，普通人成为顶尖专家的难度，远远大于多项都做到良好的难度。所以做通才从实践层面似乎也更可行。
作者：古牧君，公众号：古牧聊数据
本文由 @古牧君 原创发布于人人都是产品经理。未经作者许可，禁止转载。
题图来自Unsplash，基于CC0协议。
该文观点仅代表作者本人，人人都是产品经理平台仅提供信息存储空间服务。
