入职数据分析工作后，随着分析能力的提升，业务经验的积累，逐渐由单一的数据分析，转变为能够帮助业务成长，可以通过分析找到业务增长方向并实现价值落地的“业务专家”。
同时，这也是大部分人会选择的方向，毕竟了解业务本来就是数据分析师的必经之路，在逐渐熟悉业务之后，这样的转变也是水到渠成。另外，业务方向使分析工作更容易产生价值，从财务角度来说，就是由“成本”转为“利润中心”，收入自然也有所保障。
除了掌握数据分析工具、业务分析及模型能力（如杜邦分析、留存分析、RFM模型、AARRR漏斗模型等）外，既然是“业务专家”，顾名思义就得具备充足的业务经验：运营的思考逻辑及决策过程、众多业务部门之间的协作关系，以及数据分析结论、模型在业务侧的落地应用并持续产生价值，都是该方向必备的业务能力。
以本书作者——饼干哥哥入职时的情况为例，公司就已经在建设CDP、BI等B端数据产品，而饼干哥哥也负责数据分析指标体系、用户标签体系、运营监控报表设计等工作。因为对数据敏感度及分析方法的掌握比产品经理有更深层次的理解与运用，所以在这过程中，随着产品相关知识的补充（如流程图、原型、埋点文档等），可以转变为更具竞争力的“数据产品经理”。
除了需要掌握产品经理的基础能力，数据产品经理在数据分析应用、建模能力方面也需要具备一定知识，才能进阶搭建可供业务使用的分析框架。
在大数据时代，商家之间比拼的是精细化运营能力。面对分析需求日益“刁钻”的业务，尤其是在电商、互联网等数据决策意识较强的行业，分析师入职后会接触到如复购预测、商品推荐、销售预测等需求，此时，可以从简单的逻辑回归算法开始，积累知识与实践经验，进而转变为人工智能时代的“算法工程师”。
实际上算法工程师的门槛很高，除了需要掌握统计学知识、线性代数、概率论等高数内容外，还需侧重锻造“工程”能力，就是从业务调研、建模到服务器搭建、模型部署落地等系统工程能力。当然很多人即使没掌握高数，通过“调参”也能很好地调用模型输出结果，但根据业务场景构建模型并部署落地的能力是绕不过去的。
图表能降低受众的阅读门槛，提高决策效率，所以可视化的BI（Business Intelligence）越来越受欢迎。
BI可以自行搭建如Python的Superset，这样的好处是数据保密可控，缺点就是开发门槛较高最终效果也未必很好（例如卡顿），也可以用第三方提供的工具如PowerBI/Tableau等，优点除了门槛低外，还能搭建分析模型，而缺点就是管理层对数据不放心。
，BI工具是个见效快、升职快的岗位，因为与专职的数据分析师需要负责对分析结论落地以体现价值不同，BI体现价值的地方就在于报表或图表能满足业务分析即可。（当然每个岗位都有难处，在这我只是想说明两者之间价值体现不同。）
第二，决策前置趋势，即BI工具从展示型工具往决策型工具演变的趋势越来越明显，以往它可能只是展示经营数据让业务自行判断分析，而现在开始它还得能通过复杂的建模输出决策建议，例如通过关联性分析，就能直观给出商品组合建议；再如搭建RFM模型，输出价值顾客及策略建议等。
经常有新人混淆数据分析师和大数据开发之间的关系，其实从名字上就可以看出些区别。“大数据”就是一台计算机难以计算的数据量，例如TB级别甚至PB级别的数据。此时解决方案是通过多台电脑组成分布式网络把算力加起来。所以该岗位更多是技术活，需要掌握hadoop家族产品，搭建大数据框架。面对的更多是行为日志等数据流。
数据分析师则侧重在分析能力，一张几百KB的表格可以分析，一个GB级的数据库也能分析。此时的解决方案就很多样，如Excel、SQL、Python等。所以该岗位更多的是业务分析能力，除了掌握必备工具外，还需要掌握分析模型的应用能力，如RFM模型、AARRR模型等。
当然，有时候它们的界限并没有那么明显。数据分析师接触大数据任务多了，在掌握如Spark、Hive等工具及相应分析能力后，也能转为大数据分析师，乃至大数据开发。