最近有篇文章《我，阿里P7，找不到工作》刷屏，正好这位阿里的P7还是搞数据的，他是这么描述在阿里的工作的，“其实是做ETL，开发报表这样螺丝钉一样的工作，每天看似很忙碌，但做的事情价值有限，自己的成长也非常受限.......”
那么，哪些数据岗位不属于螺丝钉的工作呢?哪些数据岗位更能对抗被优化的风险呢?
不失一般性，非研发类企业的数据岗位，其抗风险的能力取决于两个因素，即价值创造力和不可替代性。
价值创造力指数据岗位在公司的价值生态链中所处的位置，一般来讲，离业务越近价值创造力越大，以取数岗位为例，虽然技能要求偏低，甚至可以外包，但其价值创造力不低，因为是直接为营销或经营分析提供支持。
但光有价值创造力是不够的，还要看这个岗位的不可替代性，比如取数岗位虽然价值创造力尚可，但显然不具备不可替代性，现在很多偏纯技术的数据岗位面临同样的困境，因为云原生、微服务、人工智能等的发展已经大幅降低了技术使用的门槛，大量通用技术被基础设施化。
基于价值创造力和不可替代性两个维度，这里给出了六类数据岗位的排序，层次越高的岗位，在企业内越具有竞争力，被优化的概率就越低：
-
第一层：算法
-
第二层：取数、报表及数据开发
-
第三层：数据建模及数据分析
-
第四层：数据架构、数据产品及项目管理
-
第五层：数据治理
-
第六层：CDO
这种排序会存在争议，因为以岗位论英雄忽略了人本身的因素，牛逼的人即使在最平凡的岗位也能脱颖而出。
但岗位歧视是普遍存在的，从概率的角度看，也具备一定的合理性，正如985的学生比普通大学的学生普遍具有竞争力一样，公司让你去做数据治理，是对你综合素质的一种认可，让你去做取数，仅是对一种技能的认可，但两者的认可程度不一样。
算法岗被放在第一层，一方面是因为技能通用性很强，缺乏差异化，另一方面算法带来的那些价值提升往往不够看，远小于业务能力+数据能力的加持，非技术类公司也不具备什么条件去研究牛逼的算法，很多在大学搞算法的公司新人要么转岗要么离职，这是客观现实。
取数、报表及数据开发被放在第二层，相对于算法岗，其技术要求偏低，大多懂点SQL就可以了，但公司的经营分析、营销管理、财务风控等业务都离不开这些数据岗位的支持，因此人员基数最大，可惜的是，这类岗位的技术和业务天花板很低，2-3年即可毕业，然后一直呆在舒服期，意味着很容易被自动化的工具、培训和外包替代，阿里的P7也许就是这种情况。
数据建模、数据分析被放到第三层，相对于取数、报表及数据开发，这些岗位不仅需要掌握更多的方法和工具，更需要对业务有深入的理解，比如数据建模的第一步就是要调研清楚业务流程，数据分析则对逻辑、沟通及表达能力提出了更高要求，这些岗位的天花板很高，个人能力很容易往上走。
数据架构、数据产品及项目管理被放到第四层，相对于数据建模和数据分析，其最大的区别就是从追求个人贡献走向了团队贡献，优秀的管理能力带来的团队价值提升远高于个人，优秀的数据架构师可以大幅减少企业的技术负债和运维成本，优秀的产品经理和项目经理能让销售、架构、开发、数据、测试、运维等各类人员力出一孔。
数据治理被放到第五层，相对于数据架构、数据产品及项目管理岗位，数据治理要求人员能超越领域的视野，站在企业的视角进行企业数据治理体系的顶层设计，从组织、机制、流程再到文化，如果说前四层的岗位主要解决的是生产力问题，那第五层则是要解决生产关系的问题，这类人员的不可替代性非常高，甚至有价无市。
CDO独一档，没啥好说的。
应该来说，业界关于数据岗位的名称还未完全统一，同样的数据岗位在每个企业的内涵可能是不一样的，比如不少企业会把干取数报表的也叫作数据分析师，因此还是要究其本质，不要望文生义。
数据岗位的升级路线也展示了一些规律性的东西，告诉我们尽可能的要从技术走向业务，从被动走向主动，从具体走向抽象，从局部走向全局，这样才能让自己立于不败之地。