大部分不落地的分析都是伪分析，有一些探索性的可行性研究可以不考虑落地，但是其他的特定业务需求的分析都需要考虑落地，然后通过实践来反推你的作用，如此反复，才能慢慢的给你价值的肯定，同时提升你的分析技能，也只有这样才能证明你作为分析师、数据落地者的价值。
5、数据挖掘/算法
这块的话，经过这三年的摸爬滚打，感触蛮多的。体会比较深的吐槽主要有以下几点：
一个规则搞定了，还用什么算法。
·你的准确率怎么这么低?!
·你的准确率可以到99%吗?
·你的推荐有价值吗?你不推荐客人也会下那个产品的订单的。
·帮我做个大数据预测他想要什么?
很多时候，不同的场景对准确率的要求是不同的，所以在一定合理的场景下和业务进行据理力争是必要，不要害怕让业务吐槽，更多的时候管理好他们的预期。
有些场景下，推荐的价值在于『长期复购率』，所以不要每次都盯着ABTest的转化率来说事，让客人的费力度降低也是很有前途和前景的。一个智能的产品会让客人用起来爱不释手，虽然在这一次的转化中没有明显的差别，但是观察长期复购率才能体现价值。特别是要区分：高频和低频产品。频次比较低的产品就特别难体现出短期价值。
对于这个岗位的技能要求来说，没有要求你一定要从零开始实现所有的算法，现在有很多现成的算法包进行调用。最基本的要求是，你要知道每个场景会用到哪个算法，比如分类场景，常用的分类算法就有LR/RF/Xgboost/ET等等，此外，你还要知道每个算法的有效优化参数是什么、模型效果不好的时候怎么优化。还需要有算法的实现能力，语言方面可以用Scala/python/R/Java等。我们常说：工具不重要，重要的是你玩工具，不是工具玩你。
另外针对有监督式学习算法，算法工程师最好有很好的业务sense，这样在feature设计的时候才能更有针对性，设计的feature才有可能有很好的先验性。
6、深度学习(NLP，CNN，语音识别)
这块我没具体商用过，只是动手实践过。个人感觉商业化是重点吧，特别是大家都在观望说你的chatbot很有用啊，可是siri做了这么久，最后反响也一般。
现在客服机器人又很火，大家又在一通吐槽说，这个上下文理解的太差了，机器人的语义识别做的怎么这么差。谁做谁知道，对于中文的语义识别，难度比国外的难多了，因为中文的一种否定说法有太多种变体，你不知道我们会说哪种。
另外，常常有人吐槽说，你这个CNN这么复杂，我线上需要满足100ms内返回，搞的这么复杂，实时调用怎么整，肯定来不及了，最后只能考虑offline预测了。常常说这话的人，是不会自己写底层代码的，很多时候我觉得：不是你没有解决问题的办法，而是你没有去思考怎么解决问题，心智决定了你的产出。
整体来说，这块对个人的综合素质要求是很高的。如果你只是想简单利用现成的Model，提取中间层的特征，然后再套用其他的机器学习模型进行预测的话，倒也能很好的解决一些现实中的公司应用，比如yelp的图片分类。
不过，严格来说，这个不算是做深度学习的人，因为真正玩DL的人，是需要自己动手建模型，调参数，改symbol的，所以他们的编程能力是很强的，这点上，我一直都高山仰止。特别是一些创业公司，对于这个岗位的编程能力要求很高。如果你面试创业公司后没有下文了那就表示：你很优秀，但是不一定适合我们公司，因为我们要找的编程能力很强的人。
这块我不专业，所以就点到为止，不说太多。个人认为，在这块上需要有比较强的算法改造和优化能力，尽量的提高算法预测的速度，同时不断的提高算法的外延性提高精度，目前整个行业也都是朝着好的方向在发展。如果有很多人看到这块行业开出来的高工资，记得和招聘上的要求核对一下，自己哪块技能需要补充。这样你才能成为人中之凤。
对于未来，一片光明，对于未来，甚是期待，对于未来，一切可能。
做个总结：
以上说了这么多，唠叨了这么多，其实核心就是：如何用数据创造价值，如果你没有用数据创造价值的能力，那么就只能等着被数据淹没，被数据拍死在职场上，早早到达职业的天花板。