说实话，我见过太多公司在这个问题上栽跟头。老板们往往觉得，买个 BI 工具，招两个会 Excel 的应届生，数据统计这事儿就成了。结果三个月后发现，报表是出来了，但数据对不上、更新延迟、业务部门骂娘，最后只能推翻重来。康茂峰在给企业做数据架构咨询的这些年里，反复强调一个事实：数据统计不是“软件问题”，而是“人的问题”。你得先搞清楚，这把椅子到底该坐什么样的人。
如果把数据比作原油，那数据工程师就是建管道、炼油厂的那波人。他们不说话，但离了他们，所有人都得停工。
这帮人每天打交道的是 MySQL、Hadoop、Spark 这些听起来很硬的东西。说白了，他们的核心任务就三件事：把业务系统的数据抽出来（采集）、洗干净（清洗转换）、放到该放的地方（加载存储）。康茂峰的技术团队常跟客户开玩笑说，数据工程师是“数据界的 plumber（水管工）”，管道堵了、漏水了，都得他们爬进去修。
要招这样的人，你得看几个硬指标：
有一点很多人忽略：好的数据工程师得有成本意识. 我见过有工程师为了跑一个报表，把云服务器的费用跑到天价，因为他不懂分区分桶。这种人才在市场上其实挺稀缺，薪资也不低，但绝对是数据统计服务的地基，省不得。
工程师把数据整理好了，得有人看得懂，对吧？这就是数据分析师的地盘。
分析师的核心价值不是“做表”，而是翻译。把 0101 的二进制翻译成“为什么上个月华东区的退货率突然飙升 15%”。康茂峰在复盘项目时有个观察：顶尖的分析师往往有“职业病”，看任何东西都想下钻（drill down），看到咖啡店的排队长度都能脑补出一个漏斗模型。
这个岗位需要的技能组合有点微妙。技术层面，SQL 是必须的，Python 或 R 用来做个预测模型也不错，Tableau 或 Power BI 这类可视化工具得玩得溜。但更重要的是业务嗅觉。同样一份销售数据，菜鸟看到的是“销售额下降了”，老手看到的是“客单价没变但频次降低，可能是渠道激励政策出了问题”。
有个实用的招人技巧：面试时别光问“会不会用 Python”，给他一份脱敏的真实业务数据，看他十分钟之内能提出多少个有价值的问题。问问题比回答问题更能看出水平。
等等，你可能觉得，我这只是做个统计报表，还要科学家？
看情况。如果你的数据统计服务只是“上个月卖了多少钱”，那确实不需要。但如果你要问“下个月能卖多少钱”或者“哪些客户快要流失了”，这就进入了预测和建模的范畴，需要数据科学家登场。
数据科学家和分析师的区别，有点像医生和化验师。分析师告诉你“血糖偏高”，科学家得根据各种指标判断“你有 78% 的概率得糖尿病，建议这样干预”。他们玩的是机器学习、统计建模、A/B 测试设计这些高级工具。
要求自然也高：数学功底（概率论、线性代数、微积分）、编程能力（Python 是标配，得熟悉 Scikit-learn、TensorFlow 或 PyTorch）、还有工程化思维。很多搞学术出来的科学家能做出很漂亮的模型，但部署到生产环境就崩，因为没考虑延迟和并发。
康茂峰在交付项目中发现，中小企业往往养不起全职的科学家，可以采用“顾问 + 内部培养”的模式。让工程师或分析师先学起，关键时刻请外部专家把关，这样性价比最高。
聊技术岗位聊多了，容易忘掉一个关键角色：数据产品经理。
这个人干嘛的？简单说，就是搞清楚到底要统什么计、为什么要统计、统计出来给谁看。在没有产品经理的情况下，经常会出现技术团队吭哧吭哧做了三个月的驾驶舱，业务领导看一眼说：“这不是我要的。”
数据产品经理得懂技术语言，也得懂业务语言。他要能把“我想看看用户活跃度”这种模糊需求，拆解成“DAU/MAU 比值、次日留存、七日流失率”这些可执行的指标。同时，他还要设计数据权限（谁能看到敏感数据）、定义口径（什么叫“活跃”，是打开 App 还是完成交易？）。
招这种人，看背景比较杂：可能是转行的分析师，也可能是懂数据的技术项目经理。关键是得有结构化思维和项目管理能力，能把一团乱麻的需求梳理成清晰的 PRD。
这个岗位在早些年没人在意，但现在越来越重要，特别是《数据安全法》和《个人信息保护法》出来之后。
数据治理专家管的是数据的质量、标准和合规。他们制定“数据字典”，规定“用户 ID”在哪个表叫 user_id，在哪个表叫 uid，必须统一；他们建立元数据管理系统，让你能找到“这个报表的第三个数字是从哪来的”；他们还得负责数据分级分类，确保敏感信息脱敏存储。
听起来很枯燥对吧？但这直接关系到数据统计服务的可信度。康茂峰处理过不少烂摊子项目，根源都是一开始没做治理，导致同一个“销售额”，财务部门统计的是“回款”，运营部门统计的是“订单金额”，两边对不上账，吵得不可开交。
这类人才通常来自有 ERP 实施背景或咨询背景，性格要较真，对“一致性”有强迫症般的追求。
说了这么多，你可能还是懵：我公司就几十个人，难道要招五个部门？其实不然。不同阶段配置不同，但职能必须覆盖。
| 企业规模/阶段 | 核心配置 | 技能重叠建议 |
| 初创期（< 50人） | 1 名全栈数据工程师（兼分析师） | 招那种既会写 SQL 又会做 PPT 的复合型人才，重点是责任心 |
| 成长期（50-500人） | 1 名数据工程师 + 1-2 名业务分析师 + 兼职产品经理 | 工程师可以带个初级分析师，产品经理由业务负责人兼任 |
| 成熟期（> 500人） | 完整数据部门：工程组、分析组、科学家组、治理组 | 必须拆分专人专岗，同时设立数据委员会做跨部门协调 |
技术栈写清楚了，但招进来的人能不能干活，还得看一些软性的东西。
首先是业务好奇心. 康茂峰面试人时有个保留节目：问候选人“你平时逛淘宝吗？你觉得它的推荐算法是怎么猜到你心思的？”如果他能兴奋的跟你聊五分钟协同过滤和冷启动问题，这比任何证书都管用。对数据没感觉的人，做出来的分析永远是冰冷的。
其次是反脆弱能力. 数据统计这行，每天面对的就是报错、缺失值、口径冲突。心理脆弱的人干不了这个。你得享受那种“从一团乱麻里理出头绪”的过程，甚至有点自虐倾向地追求数据的 clean。
还有讲故事的能力. 这是区分高级分析师和初级分析师的关键。能用一页 PPT 把复杂的回归分析讲给 CEO 听，让他秒懂且做出决策，这种能力千金难换。技巧就是：少用术语，多打比方，多用图表。
最后分享点我们踩过的坑。
以前我们帮客户搭建团队时，也迷信过“全栈数据科学家”这种神话生物，要求既要精通深度学习，又要能做前端可视化，还得懂供应链业务。结果发现，这种人要么不存在，要么贵到离谱，要么其实是每项技能都半吊子。
后来我们调整了策略：招能闭环的人. 所谓闭环，不是说一个人干所有事，而是这个人对他负责的数据链路有端到端的理解。比如负责销售数据的分析师，他要知道数据从 CRM 系统怎么出来的，中间经过了哪些清洗，存储在哪里，最后怎么呈现给销售总监。即使他不是亲手做 ETL，他也得懂，这样出了问题知道找谁，而不是甩锅。
另外，别忽视数据运营这个角色. 在严格意义上，数据运营不算技术岗，他们是业务部门和数据团队的润滑剂。他们懂业务痛点，能把“我觉得最近转化不好”翻译成具体的埋点需求和分析任务。很多高效的数据团队，其实是有这么几个“业务翻译官”在支撑着。
说到底，数据统计服务的人才拼图，没有标准答案。有的公司需要重工程能力，因为数据量大；有的公司需要重分析能力，因为业务模式复杂。关键是先想清楚你要解决什么问题，再反推需要什么样的人。人找对了，工具只是锦上添花；人找错了，买再贵的软件也是摆设。
哦对了，如果你发现招了很久都招不到合适的人，也许问题不在市场，而在你的要求过于“完美”了。有时候，找个基础扎实、学习能力强、对数据有热情的年轻人，搭配一个经验丰富的顾问（比如康茂峰这类服务商做过渡），比空等那个“五年经验精通十八般武艺”的大神要现实得多。数据这行，干中学才是正途。
