数字化转型网数据专题将关注数据治理、数据质量管理、数据架构、主数据管理、数据仓库、元数据管理、数据备份、数据挖掘、数据分析、数据安全、大数据、数据合规、等数据相关全产业链相关环节。
从企业层面看，如果要建立分析师团队，要弄清楚几个问题：
- 建立分析师的目的是什么？
- 分析师属支持角色，那么他们支持的对象是谁？
- 分析师的主要工作内容什么？
- 分析师的规模多大较为合适？
- 如何评估分析师的绩效？
弄清楚这五个问题之后，就会知道应该招聘具备什么经验的人，招聘多少人，以及对水平的要求有多高，如何考核他们等等。
那么如何思考这五个问题？
- 建立分析师团队的目的：虽然成立分析师团队的决定通常是由高层做出的，但是主要目的不一定只是为了做决策支持，也许是自底向上产生的需求推动。有很多情况下，管理层觉得他们需要看数据，因此招聘了有决策支持经验、具备宏观思维的分析师，但实际上又安排了分析师去支持具体业务；或者反过来，管理层希望分析师能支持具体的业务，但是他们又安排分析师评价整个公司的运营情况，甚至提出战略方向。这两种情况都会造成人才的浪费。要知道业务分析和决策支持对分析师的要求是不同的。至少，前者需要分析师能关注到细节，而后者要求分析师不拘小节，视野要足够高。
- 分析师支持的对象：如果目的明确了，通常支持的对象就清晰了。
- 分析师的主要工作内容：这同样主要取决于团队定位，具体的工作内容可参照《数据分析有哪些分类》
- 分析师团队的规模：规模取决于多种因素，比如工作内容的复杂程度、业务需求的多少和缓急、能招聘到的人员的技能水平等。
- 分析师的绩效评估：最直接的评估方法是看分析师产出的数量和质量。如果只看产出的数量是比较容易的，比如可以看完成需求的多少、分析报告的数量等。但由于分析负责的业务线不同，这会忽略工作的难度。需要注意的是，分析师很多工作的投入和产出是不成比例的。比如沟通、业务梳理等基础性的工作占据他们大部分的时间，而这些工作可能只有很少的可见交付物的输出。除了产出量，还需要看产出的质量。最理想的质量评估就是看对业务的贡献，即提升了多少业务价值。但这同样是比较困难的，因为有时候业务价值也很难量化。除了对外的产出，还有一个维度是看对数据团队内部的支持，因为分析师通常是作为联系数据团队和业务团队的桥梁存在。比如，对数据指标体系的建设和数据仓库、数据产品的建设中做出的贡献。但是同样，这些贡献也很难量化。
声明：本文来自数字中国，版权归张志红所有。文章内容仅代表作者独立观点，不代表数字化转型网立场，转载目的在于传递更多信息。如有侵权，请联系我们。
数字化转型网数据专题包含哪些内容
数字化转型网数据专题将关注数据治理、数据质量管理、数据架构、主数据管理、数据仓库、元数据管理、数据备份、数据挖掘、数据分析、数据安全、大数据、数据合规、等数据相关全产业链相关环节。
数字化转型网数据专题包含：
1、数据相关外脑支持：100+数据相关专家、100+数据实践者、1000+相关资料
2、数据研习社：与全球数据相关专家、实践者共同探讨相关问题，推动产业发展！
3、国际认证培训：目前已引进DAMA国际认证CDMP，其他国内外认证也在逐步引进中
4、典型案例参考：与数字化转型网数据要素X研习社社员一起学习典型案例，共探企业数据落地应用
