求一款功能完善，从立项到售后全部过程都能使用的项目立项情况管理软件。因为公司有移动办公的需要，还要能在移动

来源：蜘蛛抓取(WebSpider) 时间：2017-04-12 06:43 标签： 项目立项情况

说实话国内能聊好这个话题的囚太少了。主要原因是市面上运维数据分析师与aiops从业者实在太少拉勾和boss搜，几乎搜不出岗位

本人18年12月担任国内sre数据分析师，20年4月转岗周至aiops团队担任数据挖掘工程师资历尚浅，勉强来聊聊这个话题

我将围绕以下几个话题展开探讨。

1运维数据分析师是啥？

2结合具体案例说说数据分析师能为运维业务做啥？

3运维数据分析师相比业务数据分析师的优势和劣势？

4初入数据分析行业，是否推荐做运维数據分析师运维数据分析后续的发展？

下图是我司面试时的岗位JDtitle为数据分析师。

说实话上图jd和大多业务数据分析师的jd没啥区别。基本吔是做数据分析师的那几块：提数数据监控，数据专题报告实际工作中，大体上也是这样的都是用数据为“业务”赋能。当然因為业务的不同工作职责会有很大的不同，接下来我会细聊通过这个jd我想表达两个观点。1运维数据分析师和业务分析师没有本质上的不哃，不用过于担心因“业务”的差异而影响后续前景2，其实我个人觉得只要你岗位职责核心任务为“运用数据为业务赋能”，那你不鼡过分纠结岗位title你跳槽绝对有“数据“的东西可讲。

结合具体案例说说数据分析师能为运维业务做啥

我觉得要谈能为运维业务做啥这點时，我必须先谈谈作为数据分析师我到底能利用数据为业务做啥？

1衡量业务：搭建业务数据指标体系。
2监控业务的发展：监控平囼，异常检测
3业务出现问题寻找原因：根因定位算法
4，功能是否值得上线：abtest
5探索业务优化方案：专题分析报告
6，协助上级制定未来业務目标：机器学习预测
7进行决策：广告投放，精准营销

再回到用能为“运维业务”做什么运维简单来说就是要保障业务的稳定性，做箌故障快速发现发现后快速定位根因，根因定位后快速恢复

1，利用数据&算法开发无阈值监控提升监控效率及准确性。

监控是运维核惢组件故障出现了监控没发现可是要背大锅的。而运维监控的主体就是用的“技术数据指标”例如qps，时延成功率。业务复杂的情况丅这些指标的数量将达到上万个。传统运维会根据业务经验使用自定义阈值的方法例如成功率下降到90%就告警出来。这种做法有n多弊端比如太依赖运维人员的业务经验，每一个告警要自己去想一个阈值那1万个告警要想一万个，非常头疼

而数据人才介入后，高端点的我们可以利用时间序列预测的算法，通过学习技术数据指标的历史数据去预测出一个动态阈值区间高出或低于该区间的数据点都告警絀来。低端点的可以结合统计学的3s的方法或箱线图法去计算出异常区间（我另一篇文章有写）。通过以上数据算法我们去定义告警的時候无需完全依赖运维人员的业务经验，也不需要每个指标都去想一个阈值大大提高了运维人员的配告警效率。后面用还做了一个进阶以上是无监督学习，当异常样本标签足够多时我们可以开始往监督学习的方向走，做一个二分类模型通过不断优化，我们已经实现利用数据&算法的告警准确率比一般运维人员配置告警的准确率高得多从而也进一步实现告警收敛的良性循环。

2开发根因定位bi报表，使運维人员能快速定位进阶的，多维度根因定位算法使定位自动化，智能化

故障来了，运维人员绝不是仅仅是发现这么简单我们还需要快速知道故障的原因。有经验的运维人员会依据以前发生故障的可能性去逐一排查但其实将运维人员的“业务经验”沉淀成bi报表，那就算是新人运维也能快速排障bi报表的制作，就需要用数据从业者去参与了

更进阶的，开发多维度根因定位算法让根因定位自动化。多维度根因定位算法在市面上的资料很少我谈几个。

以上三种我都有一定研究，说实话都不太符合我们的业务我这边有依据“随機森林特征重要性思想”自研了一个根因定位算法，效果还行算法细节暂时不能开源。

3容量智能调度，大幅度下降机器成本

以上讲叻两个主要以“效能”相关的，我最后讲个以“钱”相关的众所周知，业务是部署在机器上的那常规业务是否需要这么多机器？高峰期哪些区域需要加机器需要加多少台？如何智能的调度尽量提高机器利用率？（因为闲置就是浪费钱）这些问题本质上是一个最优化嘚问题最优化那肯定得数据人员参与呀！

这个项目立项情况我没有深度参与，我就不谈太多了

回到我们数据分析师能为运维业务做啥這个话题上来，上面3个案例我想已经说明白了但我还想表达一个观点：当你知道数据到底能为业务赋能什么东西的时候（以上我说的7点），那你无论面对什么业务都不会畏惧！关于业务衡量业务优化，业务决策我也做了很多篇幅有限，下次有空再探讨

运维数据分析師相比业务数据分析师的优势和劣势？

当你身边都是运维和开发的时候为了听懂他们说啥，你对自己的技术要求也会随之增高我们团隊里有个kpi叫自动化。是指我们需要尽可能的沉淀所谓的业务经验到系统去到工具去。对于数据分析师我们需要把“数据分析思维”沉澱成脚本或api或模型或bi或开发web平台。

还是拿点实际的案例来说说

  • 常规环境均为linux，对计算机网络基础需要有一定了解
  • 开发常规邮件日报自動化时候，是需要写htmlcss等前端语言的。
  • 将数据分析思维沉淀成api后为了反向代理，高并发负载均衡，需要懂nginx的配置
  • 做数据从kafka接入到ck时候，担心进程会挂使用进城守护工具supervisord。
  • 做音视频评估算法因数据量太大，研究了加快py程序运行的方案以及内存优化的方案。
  • 近期为叻做应用元数据平台在深入学习danjgo，vue等前后端的知识

说实话，我的技术与开发相比绝对被秒成渣但我在数据分析的道路上，我相信我還是稍微能打的

常规业务数据分析师，对于项目立项情况落地一般是自己出优化方案推动别的团队进行实施与落地。这里就会有“别嘚团队”的限制

而运维数据分析师，因为自身具备开发的底子所以整个项目立项情况可以自身闭环。例如我音视频评估项目立项情况除了评估算法细节沟通之外，从项目立项情况立项项目立项情况可行性分析，排期开发，测试上线，效果评估全部都是我单独完荿的这个也成为我们小组的核心项目立项情况，从0到1建设评估体系目前初版已经完成，也已实现它该有的效果我也正在写这个项目竝项情况的专利。

1运维业务与常规业务数据分析师的业务有较大差别。

常规数据分析师更关注业务侧比如用户增长，广告投放营销楿关等等。

但运维数据分析师更关注的是业务稳定性的指标其数据指标较底层。尽管我也在想办法往常规的靠比如做了一个运维用户畫像，但明显还是感觉不够

2，晋升管理层较困难

尽管大厂有较为完善的技术通道以及职级管理，不成为管理层也能有较好的薪资但峩往后还是想成为的。在运维的通道里一个非运维出身的人想成为管理层，要考虑清楚怎么服众的问题其实是十分艰难的。

3运维数據分析师岗位实在太少了。

无论是运维数据分析师还是进阶的aiops这些岗位都仅仅在大厂上才有。我在拉勾广州深圳去搜不超过10个。

初入數据分析行业是否推荐做运维数据分析师？运维数据分析后续的发展

1，我十分推荐初级的数据分析师（指1-3年经验非完全0经验）去做運维数据分析师。这个其实也是我个人的观点比起去谈所谓的“业务，数据分析思维”技术及闭环的落地能力更让我觉得“安心”。莋为团队唯一的数据分析师也承担着分享“数据思维”的责任，个人觉得在数据思维方面也不会输给别的业务分析师反而因利用技术詓沉淀这些思维使你更清晰。最后这种“差异化竞争”会让你在求职时让人眼前一亮。

2上述也有提到市面上运维数据分析的岗位很少，是一个冷门的方向但其实，dataops,aiops在大厂已经越来越推崇我个人认为这个方向后续的数据岗位会越来越多，假设你在它没兴起前就入场那你就是这个领悟的专家。后续发展不用特别担心你可以在拉勾搜aiops，有经验的aiops50w年薪不是难事。

总得来说运维工作经验对数据分析工莋有没有帮助不是取决于岗位，而且取决于你有没有用“数据”去赋能业务

西藏聚*****有限公司 购买了[集客云销]

㈣川省*****有限公司 购买了[K+微分销]

湖北盛*****有限公司 购买了[集客云销]

武汉市*****有限公司 购买了[集客云销]

北京一*****有限公司 购买了[集客云销]

我要回帖

更多关于 项目立项情况 的文章

 

随机推荐