1、数据跟踪员：机械拷贝看到的数据，很少处理数据
虽然这个工作的人还不能称作数据分析师，但是往往作这样工作的人还都自称是数据分析师，这样的人，只能通过×××系统看到有限的数据，并且很少去处理数据，甚至不理解数据的由来和含义，只是机械的把自己看到的数据拷贝出来，转发给相应的人。这类人发出来的数据，是否有意义，怎么解读，他自己是不知道的，只能期望收到数据的人了。
2、数据查询员/处理员：数据处理没问题，缺乏数据解读能力
这些人可以称为分析师了，他们已经对数据有一定的理解了，对于大部分数据，他们也知道数据的定义，并且可以通过监控系统或者原始的数据，处理得到这些数据。统计学的方法，这批人还是很精通的，统计学的工具，他们也是用起来得心应手，你让他们做一下因子分析，聚类肯定是没问题，各类检验也是用的炉火纯青。他们的不足是：
1、如果不告诉他们命题，那么他们就不知道该应用什么样的方法去得到结论了。
2、对于数据的处理没问题，但是却没有一个很好的数据解读能力。只能在统计学的角度上解释数据。
3、数据分析师：解读数据，定位问题提出答案
数据分析师这群人，对于数据的处理已经不是问题了，他们的重点已经转化到怎么样去解读数据了，同样的数据，在不同人的眼中有不一致的内容。好的数据分析师，是能通过数据找到问题，准确的定位问题，准确的找到问题产生的原因，为下一步的改进，找到机会点的人。往往科班出身的人，欠缺的不是在处理数据上，而是在解读数据上，至于将数据和产品结合到一起，则是其更缺少的能力了。
4、数据应用师：将数据还原到产品中，为产品所用
数据应用，这个词很少被提到。但是应用数据被提的很多，分析了大量的数据，除了能找到问题以外，还有很多数据可以还原到产品中，为产品所用。典型的是在电子商务的网站中，用户的购买数据，查看数据和操作的记录，往往是为其推荐新商品的好起点，而数据应用师就是要通过自己的分析，给相应的产品人员一个应该推荐什么产品，购买的可能性会最大的一个结论。国内能做到这个级别的数据人员还真是少的可怜，甚至大部分人员连数据的视图都搞不定，而真正意义上的能数据应用师，可以用数据让一个产品变得更加地简单高效。
5、数据规划师：走在产品前面，让数据有新的价值方向
数据规划师，不能说水平上比数据应用师高多少，而是另外一个让数据有价值的方向。往往在实际的应用中，数据都是有其生命周期的，用来分析、应用的数据也是，这点上，尤其是在互联网公司更加明显，一个版本的更新，可能导致之前的所有数据都一定程度的失效。数据规划师在一个产品设计之前，就已经分析到了，这个产品应该记录什么样的数据，这些数据能跟踪什么问题，哪些记录到的数据，应该可以用到数据中去，可以对产品产生什么样的价值。
下面是一张某集团的数据分析师职位层级表，由于表格太大，在网页上显得字体太小，很难看清楚，因此我将它简化处理成如下两张表格，分为层级1和层级2：
从表中可以看出，专家级的数据分析在分析方法的要求方面与资深数据分析师是相同的，层级2与层级1的能力差别主要体现在业务分析能力、管理能力和影响力等方面。要从“使命必达”的助理数据分析师，成长为“独挡一面”的数据分析专家，其中必然需要学习很多知识、积累很多经验、提升很多技能，这对从事数据分析的人有一定的指导意义，在做职业规划时可以参考。
按照不同分析方法所能给人带来的智能程度，可以把分析能力划分为以下8个等级。
1. 标准报表
回答: 发生了什么？什么时候发生的？
示例：月度或季度财务报表
我们都见过报表，它们一般是定期生成，用来回答在某个特定的领域发生了什么。从某种程度上来说它们是有用的，但无法用于制定长期决策。
2. 即席查询
回答：有多少数量？发生了多少次？在哪里？
示例：一周内各天各种门诊的病人数量报告。
即席查询的最大好处是，让你不断提出问题并寻找答案。
3. 多维分析
回答：问题到底出在哪里？我该如何寻找答案？
示例：对各种手机类型的用户进行排序，探查他们的呼叫行为。
通过多维分析(OLAP)的钻取功能，可以让您有初步的发现。钻取功能如同层层剥笋，发现问题所在。
4. 警报
回答：我什么时候该有所反应？现在该做什么？
示例：当销售额落后于目标时，销售总监将收到警报。
警报可以让您知道什么时候出了问题，并当问题再次出现时及时告知您。警报可以通过电子邮件、RSS订阅、评分卡或仪表盘上的红色信号灯来展示。
5. 统计分析
回答：为什么会出现这种情况？我错失了什么机会？
示例：银行可以弄清楚为什么重新申请房贷的客户在增多。
这时您已经可以进行一些复杂的分析，比如频次分析模型或回归分析等等。统计分析是在历史数据中进行统计并总结规律。
6. 预报
回答：如果持续这种发展趋势，未来会怎么样？还需要多少？什么时候需要？
示例：零售商可以预计特定商品未来一段时间在各个门店的需求量。
预报可以说是最热门的分析应用之一，各行各业都用得到。特别对于供应商来说，能够准确预报需求，就可以让他们合理安排库存，既不会缺货，也不会积压。
7. 预测型建模
回答：接下来会发生什么？它对业务的影响程度如何？
示例：酒店和娱乐行业可以预测哪些VIP客户会对特定度假产品有兴趣。
如果您拥有上千万的客户，并希望展开一次市场营销活动，那么哪些人会是最可能响应的客户呢？如何划分出这些客户？哪些客户会流失？预测型建模能够给出解答。
8. 优化
回答：如何把事情做得更好？对于一个复杂问题来说，那种决策是最优的？
示例：在给定了业务上的优先级、资源调配的约束条件以及可用技术的情况下，请您来给出IT平台优化的最佳方案，以满足每个用户的需求。
优化带来创新，它同时考虑到资源与需求，帮助您找到实现目标的最佳方式。
上面的8级划分源自SAS网站的Eight levels of analytics，由IDMer编译而成，个人觉得其中的8张图片非常形象生动，网友@数据小宇军用两个图表将它们更好地展示出来了：
本文为 数据分析网 原创文章，转载或内容合作请联系我们，未经允许谢绝转载，本文链接：https://www.afenxi.com/509.html 。
