在裁員風暴中，哪些資料崗位的人員最容易被最佳化？

最近有篇文章《我，阿里P7，找不到工作》刷屏，正好這位阿里的P7還是搞資料的，他是這麼描述在阿里的工作的，“其實是做ETL，開發報表這樣螺絲釘一樣的工作，每天看似很忙碌，但做的事情價值有限，自己的成長也非常受限.......”

那麼，哪些資料崗位不屬於螺絲釘的工作呢?哪些資料崗位更能對抗被最佳化的風險呢?

不失一般性，非研發類企業的資料崗位，其抗風險的能力取決於兩個因素，即價值創造力和不可替代性。

價值創造力指資料崗位在公司的價值生態鏈中所處的位置，一般來講，離業務越近價值創造力越大，以取數崗位為例，雖然技能要求偏低，甚至可以外包，但其價值創造力不低，因為是直接為營銷或經營分析提供支援。

但光有價值創造力是不夠的，還要看這個崗位的不可替代性，比如取數崗位雖然價值創造力尚可，但顯然不具備不可替代性，現在很多偏純技術的資料崗位面臨同樣的困境，因為雲原生、微服務、人工智慧等的發展已經大幅降低了技術使用的門檻，大量通用技術被基礎設施化。

基於價值創造力和不可替代性兩個維度，這裡給出了六類資料崗位的排序，層次越高的崗位，在企業內越具有競爭力，被最佳化的機率就越低：

• 第一層：演算法

• 第二層：取數、報表及資料開發

• 第三層：資料建模及資料分析

• 第四層：資料架構、資料產品及專案管理

• 第五層：資料治理

• 第六層：CDO

這種排序會存在爭議，因為以崗位論英雄忽略了人本身的因素，牛逼的人即使在最平凡的崗位也能脫穎而出。

但崗位歧視是普遍存在的，從機率的角度看，也具備一定的合理性，正如985的學生比普通大學的學生普遍具有競爭力一樣，公司讓你去做資料治理，是對你綜合素質的一種認可，讓你去做取數，僅是對一種技能的認可，但兩者的認可程度不一樣。

演算法崗被放在第一層，一方面是因為技能通用性很強，缺乏差異化，另一方面演算法帶來的那些價值提升往往不夠看，遠小於業務能力+資料能力的加持，非技術類公司也不具備什麼條件去研究牛逼的演算法，很多在大學搞演算法的公司新人要麼轉崗要麼離職，這是客觀現實。

取數、報表及資料開發被放在第二層，相對於演算法崗，其技術要求偏低，大多懂點SQL就可以了，但公司的經營分析、營銷管理、財務風控等業務都離不開這些資料崗位的支援，因此人員基數最大，可惜的是，這類崗位的技術和業務天花板很低，2-3年即可畢業，然後一直呆在舒服期，意味著很容易被自動化的工具、培訓和外包替代，阿里的P7也許就是這種情況。

資料建模、資料分析被放到第三層，相對於取數、報表及資料開發，這些崗位不僅需要掌握更多的方法和工具，更需要對業務有深入的理解，比如資料建模的第一步就是要調研清楚業務流程，資料分析則對邏輯、溝通及表達能力提出了更高要求，這些崗位的天花板很高，個人能力很容易往上走。

資料架構、資料產品及專案管理被放到第四層，相對於資料建模和資料分析，其最大的區別就是從追求個人貢獻走向了團隊貢獻，優秀的管理能力帶來的團隊價值提升遠高於個人，優秀的資料架構師可以大幅減少企業的技術負債和運維成本，優秀的產品經理和專案經理能讓銷售、架構、開發、資料、測試、運維等各類人員力出一孔。

資料治理被放到第五層，相對於資料架構、資料產品及專案管理崗位，資料治理要求人員能超越領域的視野，站在企業的視角進行企業資料治理體系的頂層設計，從組織、機制、流程再到文化，如果說前四層的崗位主要解決的是生產力問題，那第五層則是要解決生產關係的問題，這類人員的不可替代性非常高，甚至有價無市。

CDO獨一檔，沒啥好說的。

應該來說，業界關於資料崗位的名稱還未完全統一，同樣的資料崗位在每個企業的內涵可能是不一樣的，比如不少企業會把幹取數報表的也叫作資料分析師，因此還是要究其本質，不要望文生義。

資料崗位的升級路線也展示了一些規律性的東西，告訴我們儘可能的要從技術走向業務，從被動走向主動，從具體走向抽象，從區域性走向全域性，這樣才能讓自己立於不敗之地。