تحلیلگر بینش مشتری
Customer Insights Analyst
تحلیلگر بینش مشتری داده‌های خرید، باشگاه مشتریان، رفتار دیجیتال و نظرسنجی‌ها را کنار هم می‌گذارد تا بفهمد مشتریان چه کسانی‌اند، چرا می‌خرند یا می‌روند و کدام کمپین واقعاً اثر داشته است. خروجی کار بخش‌بندی مشتریان، تحلیل ریزش و ارزش طول عمر مشتری، سنجش کمپین و توصیه‌های روشن برای بازاریابی، محصول و تجربهٔ مشتری است. در آگهی‌های ۲۰۲۶ ساختن مدل یادگیری ماشین معمولاً کار تیم علم داده است و هوش مصنوعی بیشتر به‌عنوان ابزاری برای سریع‌تر کردن تحلیل داده و بازخوردها آمده است.
مقدمه و تعریف شغل
تحلیلگر بینش مشتری (Customer Insights Analyst) به این سؤال جواب می‌دهد که مشتریان چه کسانی‌اند، چه می‌کنند و چرا. آگهی Reitmans کار را «تبدیل دادهٔ مشتری، تراکنش، دیجیتال و باشگاه مشتریان به بینش‌های عملی» برای بهبود جذب، درگیرسازی، حفظ مشتری و ارزش طول عمر او تعریف می‌کند و آگهی Learning Care Group آن را «فهمیدن اینکه خانواده‌ها چه کسانی‌اند، چه تجربه‌ای دارند و چه چیزی تصمیمشان را شکل می‌دهد». این شغل دو نیمه دارد: نیمهٔ کمّی که با SQL و داشبورد، بخش‌بندی، ریزش و سنجش کمپین سروکار دارد، و نیمهٔ پژوهشی که نظرسنجی، NPS و بازخورد مستقیم مشتری را تحلیل می‌کند. وزن این دو نیمه از شرکتی به شرکت دیگر فرق می‌کند.
ایدهٔ تصمیم‌گیری بر پایهٔ دادهٔ مشتری قدیمی‌تر از اصطلاحات امروزی است. طبق ویکی‌پدیا، Clive Humby و Edwina Dunn در ۱۹۸۹ شرکت dunnhumby را بنیان گذاشتند و از همکاری با فروشگاه‌های Tesco در ۱۹۹۵ کارت وفاداری Clubcard را راه انداختند که نخستین برنامهٔ وفاداری با شخصی‌سازی انبوه در جهان شمرده می‌شود. dunnhumby امروز در آگهی‌هایش خود را پیشتاز جهانی Customer Data Science معرفی می‌کند. در آمار رسمی آمریکا گروه جداگانه‌ای برای این عنوان نیست؛ نزدیک‌ترین گروه در BLS «تحلیلگران تحقیقات بازار» است که پیش‌بینی می‌شود اشتغالش از ۲۰۲۵ تا ۲۰۳۵، ۷٪ رشد کند. دربارهٔ هوش مصنوعی، تصویر آگهی‌های ۲۰۲۶ روشن است: هیچ‌کدام از آگهی‌های بررسی‌شده ساختن مدل یادگیری ماشین را وظیفهٔ اصلی تحلیلگر نگذاشته‌اند. Reitmans و Learning Care Group از همکاری یا پشتیبانی از تیم علم داده حرف می‌زنند و Fullstory و Fetch استفاده از ابزارهای AI را برای سریع‌تر کردن تحلیل داده و بازخورد می‌خواهند.
چه چیزی می‌سازید؟
مثال‌های واقعی از خروجی کار یک تحلیلگر بینش مشتری
بخش‌بندی مشتریان و پرسوناها
Reitmans از تحلیلگر می‌خواهد بخش‌بندی مشتریان را برای ارتباطات هدفمند، شخصی‌سازی و راهبرد هر برند بسازد و نگه دارد. Learning Care Group هم مدل‌های بخش‌بندی و پرسونای خانواده‌ها را می‌خواهد که در بازاریابی، محصول و عملیات استفاده شوند.
تحلیل ریزش و ارزش طول عمر مشتری
در آگهی Reitmans، تحلیل عمیق سفر مشتری، عوامل حفظ مشتری، الگوهای ریزش و اهرم‌های ارزش طول عمر مشتری جزو کار اصلی است؛ یعنی پیدا کردن اینکه کدام مشتریان در حال رفتن‌اند و چه چیزی آن‌ها را نگه می‌دارد.
داشبورد KPIهای مشتری
Reitmans داشبوردهایی برای جذب، حفظ، LTV و دفعات خرید می‌خواهد. در Datavant داشبوردهای Sigma و گزارش‌های دوره‌ای به تیم‌های موفقیت مشتری و عملیات نشان می‌دهند وضع مشتریان چطور است.
سنجش کمپین و باشگاه مشتریان
سنجیدن اینکه یک کمپین ایمیلی، یک شخصی‌سازی یا یک پیشنهاد وفاداری واقعاً اثر داشته یا نه. Reitmans این سنجش را صریحاً جزو وظایف آورده و تجربه در سنجش کمپین را شرط کرده است.
برنامهٔ صدای مشتری (VoC)
Learning Care Group از تحلیلگر می‌خواهد مالک برنامهٔ صدای مشتری باشد: نظرسنجی‌ها، کدهای دلیل تماس، شکایت‌ها، نظرها و دادهٔ خروج مشتریان، به‌علاوهٔ سنجش NPS و CSAT در همهٔ برندها.
تحلیل ریشه‌ای بازخوردها
در Fetch تحلیلگر گفتگوهای پشتیبانی، نظرسنجی‌های CSAT و نظرهای فروشگاه اپ را با دادهٔ رفتاری ترکیب می‌کند تا بفهمد تجربهٔ کاربر کجا و چرا خراب می‌شود، و برای این کار تجربه با AI و اتوماسیون خواسته شده است.
تخصص‌های مختلف تحلیلگر بینش مشتری
این شغل یک عنوان واحد نیست — مسیرهای تخصصی متعددی دارد
تحلیل مشتری در خرده‌فروشی و باشگاه مشتریان
Retail & Loyalty Customer Analytics
کار روی دادهٔ تراکنش، کارت‌های وفاداری و فروش آنلاین و حضوری: بخش‌بندی، ریزش، LTV و سنجش پیشنهادها. آگهی Reitmans نمونهٔ کامل این شاخه است و ریشهٔ تاریخی‌اش به Clubcard فروشگاه‌های Tesco برمی‌گردد.
صدای مشتری و بینش تجربهٔ مشتری
Voice of Customer / CX Insights
تمرکز روی نظرسنجی‌ها، NPS و CSAT، شکایت‌ها و گفتگوهای پشتیبانی و ترکیب آن‌ها با دادهٔ رفتاری؛ مثل آگهی‌های Learning Care Group و Fetch.
بینش مصرف‌کننده
Consumer Insights
نزدیک به تحقیقات بازار، بیشتر در کالاهای مصرفی: پژوهش کیفی و کمّی برای کشف نیازهای پنهان و شکل دادن محصول تازه. SharkNinja برای این نقش تجربهٔ پژوهش کیفی و کمّی و اجرای گروه کانونی را می‌خواهد.
بینش مخاطب
Audience Insights
همین کار در رسانه، سرگرمی و پلتفرم‌های چندطرفه. آگهی Audience Insights Analyst در Warner Bros. Discovery نظرسنجی، دادهٔ داخلی و پژوهش کیفی را کنار هم می‌گذارد تا معلوم شود مخاطبان چه کسانی‌اند و چه انگیزه‌ای دارند، و تیم Audience Insights در DoorDash صدای مشتریان، فروشندگان و پیک‌ها را به تصمیم‌ها می‌آورد.
بینش مشتری در شرکت‌های B2B و کار مشاوره‌ای
B2B & Client-facing Customer Insights
تحلیل دادهٔ مشتریان سازمانی برای تیم‌های موفقیت مشتری (Datavant) یا تحلیل دادهٔ مشتریانِ مشتری در نقش مشاور، مثل Senior Customer Insights Analyst در Fullstory که با داده‌های محصول Fullstory برای مشتریان بزرگ شرکت تحلیل و توصیه آماده می‌کند.
تفاوت با شغل‌های مشابه
کجا این شغل تمام می‌شود و شغل دیگری شروع می‌شود؟
تحلیلگر بینش مشتری در اصل تحلیلگر داده‌ای است که روی یک حوزه تمرکز کرده: مشتری. ابزارها مشترک‌اند (SQL، BI، آمار)، اما دو چیز اضافه می‌شود. اول، دانش متریک‌ها و روش‌های مخصوص مشتری مثل بخش‌بندی، کوهورت، ریزش و LTV که Reitmans صریحاً می‌خواهد. دوم، پژوهش: Learning Care Group طراحی نظرسنجی، نمونه‌گیری و آزمون معناداری را الزامی کرده است، در حالی که صفحهٔ تحلیلگر داده در همین راهنما کار آن نقش را بیشتر جواب دادن به سؤال‌های جاری کسب‌وکار با SQL، داشبورد و تحلیل موردی توصیف می‌کند. به همین دلیل تحلیلگر داده با تجربه در دادهٔ بازاریابی یا CRM نزدیک‌ترین مسیر ورود به این شغل است.
در O*NET، کار BI Analyst تهیهٔ گزارش‌های استاندارد یا سفارشی برای مدیران و نگهداری ابزارها، داشبوردها و سیستم‌های BI است. تحلیلگر بینش مشتری هم داشبورد می‌سازد، اما خروجی اصلی‌اش جواب به سؤال «چرا» دربارهٔ مشتری و توصیه برای بازاریابی و محصول است. مرز در بعضی شرکت‌ها کم‌رنگ است: آگهی Customer Insights Analyst در Datavant بیشتر دربارهٔ داشبوردهای Sigma، گزارش‌های دوره‌ای و SQL است و در عمل به نقش BI برای تیم‌های مشتری‌محور نزدیک است.
هر دو به تصمیم کمک می‌کنند، اما عمق روش فرق دارد. طبق صفحهٔ دانشمند تصمیم‌گیری در همین راهنما، آگهی‌های آن نقش طراحی آزمایش و روش‌های استنباط علّی مثل synthetic control را می‌خواهند تا اثر واقعی یک تغییر سنجیده شود. تحلیلگر بینش مشتری هم کمپین را می‌سنجد و آزمون معناداری انجام می‌دهد (Reitmans و Learning Care Group)، اما تمرکزش روی شناخت مشتری است: بخش‌بندی، پرسونا، بازخورد و رفتار. Learning Care Group مدل‌سازی پیش‌بینی را کار تیم علم داده می‌داند و نقش تحلیلگر را پشتیبانی با پژوهش و اعتبارسنجی.
BLS کار تحلیلگر تحقیقات بازار را بررسی ترجیحات مصرف‌کننده و شرایط بازار برای سنجیدن فروش بالقوهٔ یک محصول تعریف می‌کند؛ با نظرسنجی، گروه کانونی و مصاحبه، و اغلب دربارهٔ رقبا و کل بازار. تحلیلگر بینش مشتری بیشتر روی دادهٔ خود شرکت کار می‌کند: تراکنش، باشگاه مشتریان، رفتار دیجیتال و بازخورد مشتریان فعلی. بعضی آگهی‌ها به سمت تحقیقات بازار کلاسیک می‌روند؛ Consumer Insights Analyst در SharkNinja تجربه در اجرای گروه کانونی و مدیریت شرکای پژوهشی بیرونی را می‌خواهد.
تأثیر در صنایع مختلف
تحلیلگر بینش مشتری در همه صنایع مشغول به کار است — نه فقط شرکت‌های فناوری
خرده‌فروشی مد
Reitmans با سه برند پوشاک، تحلیل‌گری می‌خواهد که دادهٔ تراکنش، وب و باشگاه مشتریان را برای کمپین، تنوع کالا، قیمت‌گذاری، تخفیف‌ها و برنامهٔ وفاداری به کار ببرد
سوپرمارکت و برنامه‌های وفاداری
طبق ویکی‌پدیا، dunnhumby علم و فناوری را روی دادهٔ مشتری به کار برد تا کسب‌وکارها روندها و رفتار مصرف‌کننده را بفهمند و Clubcard فروشگاه‌های Tesco از همین همکاری بیرون آمد
خدمات خانواده و آموزش کودکان
Learning Care Group با برنامهٔ صدای مشتری، NPS و CSAT و پرسونای خانواده‌ها می‌سنجد خانواده‌ها چه تجربه‌ای از مراکزش دارند
دادهٔ سلامت
Datavant در کسب‌وکار بازیابی پروندهٔ پزشکی برای بیمه‌گرها، دادهٔ مشتری و عملیات را به داشبورد و تحلیل برای تیم‌های موفقیت مشتری تبدیل می‌کند
نرم‌افزار تجربهٔ دیجیتال (SaaS)
Fullstory تحلیلگر بینش مشتری را در نقش مشاور کنار مشتریان بزرگش می‌گذارد تا با دادهٔ جلسه‌ها و سفر کاربران، توصیهٔ عملی برای بهبود تجربهٔ دیجیتال بدهد
اپلیکیشن‌های پاداش و تبلیغات
Fetch بازخورد کاربران در پشتیبانی، نظرسنجی و فروشگاه اپ را با دادهٔ رفتاری ترکیب می‌کند تا مشکلات تجربهٔ کاربر را پیدا و اولویت‌بندی کند
رسانه و سرگرمی
Warner Bros. Discovery در لندن از بینش مخاطب برای تصمیم‌های محتوایی، محصول و فروش تبلیغات و برای سنجش اثر کمپین‌ها استفاده می‌کند
کالاهای مصرفی
SharkNinja با پژوهش کیفی و کمّی مصرف‌کننده، نیازهای پنهان و روندهای هر دسته کالا را پیدا می‌کند تا روی نقشهٔ راه محصول اثر بگذارد
تصورات غلط رایج
قبل از تصمیم‌گیری، این باورهای اشتباه را بشناسید
بینش مشتری یعنی فقط نظرسنجی
نظرسنجی بخشی از کار است، نه همهٔ آن. Reitmans کار را روی دادهٔ مشتری، تراکنش، وب و باشگاه مشتریان تعریف کرده و SQL را الزامی دانسته است. حتی Learning Care Group که روی صدای مشتری تمرکز دارد، کوئری گرفتن با SQL از انبار داده را شرط گذاشته است.
برای این شغل باید مدل یادگیری ماشین بسازید
در آگهی‌های بررسی‌شده، مدل‌سازی معمولاً با تیم علم داده است. Reitmans Python یا R را فقط امتیاز می‌داند و می‌نویسد تحلیلگر با تیم‌های مهندسی داده و علم داده برای «راه‌حل‌های تحلیلی پیشرفته» همکاری می‌کند. Learning Care Group هم نقش تحلیلگر را پشتیبانی از پروژه‌های مدل‌سازی پیش‌بینی با پژوهش پایه و اعتبارسنجی می‌داند. دانستن مفاهیم مدل‌های ریزش و LTV کمک می‌کند، اما شرط ورود نیست.
هوش مصنوعی به‌زودی کل این کار را انجام می‌دهد
آگهی‌ها AI را به ابزار کار تبدیل کرده‌اند، نه جایگزین تحلیلگر. Fullstory می‌خواهد با ابزارهای AI الگوها را سریع‌تر پیدا کنید و خلاصهٔ اولیه بنویسید، اما صریحاً می‌گوید «تحلیل و توصیه مال خود شماست». Fetch هم تجربهٔ استفاده از AI برای تحلیل بازخورد را می‌خواهد و هم توانایی جدا کردن یافتهٔ قطعی از فرضیه را.
این یک شغل ورودی برای تازه‌کارهاست
آگهی‌ها معمولاً سابقه می‌خواهند: Reitmans ۳ تا ۵ سال یا بیشتر، Learning Care Group ۳ تا ۵ سال، Datavant و Fetch ۳ سال یا بیشتر. مسیر واقع‌بینانه برای تازه‌کار، شروع از نقش‌هایی مثل تحلیلگر داده، CRM یا تحقیقات بازار و ساختن نمونه‌کار با دادهٔ واقعی مشتری است.
خروجی اصلی این شغل داشبورد است
داشبورد ابزار است و خروجی اصلی توصیه است. Reitmans «قصه‌گویی تحلیلی» و ربط دادن بینش به نتیجهٔ کسب‌وکار را جزو شایستگی‌ها آورده و Learning Care Group توانایی گفتن «هنوز نمی‌دانیم» و پیشنهاد راه فهمیدنش را. ارزش تحلیلگر در این است که بگوید با این داده چه باید کرد و چقدر می‌شود به آن اطمینان داشت.
یک روز کاری واقعی
در هر سطح روز کاری چه شکلی است؟
جونیور (۰–۲ سال)
بیشتر وقت صرف کوئری نوشتن، به‌روز نگه داشتن گزارش‌ها و آماده کردن تحلیل‌هایی می‌شود که یک تحلیلگر ارشدتر تعریف کرده است. یاد گرفتن منابع دادهٔ شرکت و تعریف دقیق هر متریک، بخش مهمی از این دوره است.
- ◆نوشتن کوئری برای گزارش هفتگی جذب و حفظ مشتری
- ◆بررسی ناهمخوانی یک عدد در داشبورد با دادهٔ منبع
- ◆آماده کردن جدول نتایج یک کمپین ایمیلی برای تیم بازاریابی
- ◆پاک‌سازی پاسخ‌های یک نظرسنجی پیش از تحلیل
میانی (۲–۵ سال)
مالک چند سؤال مهم مشتری هستید: یک بخش‌بندی، تحلیل ریزش یا برنامهٔ صدای مشتری. با بازاریابی، محصول و تیم تجربهٔ مشتری جلسه دارید، روش تحلیل را خودتان انتخاب می‌کنید و نتیجه را برای مدیران ارائه می‌دهید.
- ◆به‌روزرسانی بخش‌بندی مشتریان و توضیح تغییر اندازهٔ هر بخش
- ◆تحلیل عمیق اینکه چرا مشتریان یک کانال بیشتر ریزش دارند
- ◆طراحی پرسشنامهٔ تازه و مشخص کردن حجم نمونه
- ◆ارائهٔ نتیجهٔ سنجش برنامهٔ وفاداری با توصیه‌های روشن
ارشد (۵+ سال)
سؤال‌های مبهم را ساختار می‌دهید، چارچوب سنجش تعریف می‌کنید و روی اولویت‌های تیم‌های دیگر اثر می‌گذارید، اغلب بدون اینکه مدیر آن‌ها باشید. در بعضی شرکت‌ها مثل Fullstory بخشی از کار مشاوره و ارائه به مشتریان بیرونی است.
- ◆تعریف KPIها و روش سنجش برای یک طرح تازهٔ تجربهٔ مشتری
- ◆ترکیب بازخورد کیفی با دادهٔ رفتاری برای پیدا کردن ریشهٔ یک مشکل پرتکرار
- ◆بازبینی روش و نتیجه‌گیری تحلیل‌های همکاران جوان‌تر
- ◆ارائهٔ توصیه به مدیران ارشد و دفاع از انتخاب‌های روش‌شناختی
مسئولیت‌ها و وظایف
مسئولیت‌های اصلی
وظایف روزانه و مهارت‌های مورد نیاز در این شغل
- ◈تحلیل رفتار مشتریان در برندها، کانال‌ها و مراحل چرخهٔ عمر مشتری و پیدا کردن روندها و فرصت‌های رشد
- ◈ساختن و نگهداری بخش‌بندی‌ها و پرسوناهای مشتری برای ارتباطات هدفمند و شخصی‌سازی
- ◈تحلیل عمیق سفر مشتری، عوامل حفظ مشتری، الگوهای ریزش و اهرم‌های ارزش طول عمر مشتری
- ◈سنجش اثر کمپین‌های ایمیلی، شخصی‌سازی و برنامه‌های وفاداری
- ◈ساخت داشبورد و گزارش‌های دوره‌ای برای KPIهای مشتری مثل جذب، حفظ، LTV و دفعات خرید
- ◈اداره و تحلیل برنامهٔ صدای مشتری: نظرسنجی‌ها، NPS و CSAT، شکایت‌ها، نظرهای کاربران و دادهٔ پشتیبانی
- ◈طراحی مطالعه‌های پژوهشی شامل نظرسنجی، مصاحبه و تحلیل رفتاری
- ◈همکاری با تیم‌های مهندسی داده و علم داده برای بهبود کیفیت داده و پشتیبانی از مدل‌های پیش‌بینی
- ◈تبدیل یافته‌ها به روایت و توصیهٔ روشن برای بازاریابی، محصول، عملیات و مدیران ارشد
- ◈شراکت تحلیلی با تیم‌های بازاریابی، دیجیتال و تجربهٔ مشتری و اثرگذاری بر اولویت‌ها بدون اختیار مستقیم
مهارت‌های مورد نیاز
مهارت‌های فنی، نرم و حوزه‌ای که یک تحلیلگر بینش مشتری موفق به آن‌ها نیاز دارد
مهارت‌های فنی
مهارت مشترک همهٔ آگهی‌ها؛ Reitmans آن را الزامی نوشته و Datavant «تسلط قوی» خواسته است
Tableau، Power BI، Looker یا Sigma برای داشبورد و گزارش؛ Reitmans «تخصص» در یکی از آن‌ها را می‌خواهد
ساخت و اعتبارسنجی بخش‌های مشتری؛ در آگهی‌های Reitmans و Learning Care Group آمده است
سنجیدن حفظ مشتری در طول زمان و فهم اینکه چه چیزی مشتری را نگه می‌دارد
اندازه‌گیری اثر کمپین‌های ایمیلی، شخصی‌سازی و پیشنهادهای وفاداری (Reitmans)
پرسشنامه، طراحی نمونه و آزمون معناداری؛ در Learning Care Group الزامی است
آزمون فرض، فاصلهٔ اطمینان و آزمون A/B برای تشخیص اثر واقعی از تصادف
Google Analytics یا Adobe Analytics برای دادهٔ وب و اپ (Reitmans)
برای تحلیل آماری و کارهای تکراری؛ Reitmans آن را امتیاز می‌داند و Learning Care Group ترجیح می‌دهد
دسته‌بندی بازخوردها و نوشتن خلاصهٔ اولیه با AI، همراه با اعتبارسنجی؛ Fetch و Fullstory آن را خواسته‌اند
Snowflake یا BigQuery؛ Datavant آشنایی با انبار دادهٔ ابری را خواسته است
مهارت‌های نرم
تبدیل دادهٔ پیچیده به روایت و توصیهٔ روشن؛ Reitmans آن را صریحاً جزو شایستگی‌ها آورده است
Learning Care Group تجربهٔ تبدیل یافته‌ها به ارائه برای مدیران ارشد را الزامی کرده است
توانایی طراحی برنامه‌ای که واقعاً به سؤال کسب‌وکار جواب دهد (از مهارت‌های آگهی Learning Care Group)
گفتن «هنوز نمی‌دانیم» و جدا کردن یافتهٔ قطعی از فرضیه؛ در آگهی‌های Learning Care Group و Fetch آمده است
بردن یافته‌ها به اولویت‌بندی تیم‌های محصول و بازاریابی؛ Fetch این تجربه را می‌خواهد
دانش حوزه‌ای
NPS، CSAT و متریک‌های تجربه؛ Learning Care Group سنجش آن‌ها را در همهٔ برندهایش می‌خواهد
فهم کمپین، شخصی‌سازی و برنامه‌های وفاداری؛ Reitmans تجربه در خرده‌فروشی، مد یا تجارت الکترونیک را امتیاز قوی می‌داند
آگهی‌ها تجربهٔ حوزه را امتیاز می‌دانند: سلامت و بیمه‌گرها در Datavant، خدمات خانواده در Learning Care Group، کالاهای مصرفی در SharkNinja
در بعضی بازارها شرط است؛ Reitmans در مونترال دوزبانگی فرانسوی و انگلیسی را الزامی کرده است
نقشه راه و مسیر آموزشی
نقشه راه تبدیل شدن به تحلیلگر بینش مشتری
این مسیر گام به گام شما را از صفر تا حرفه‌ای هدایت می‌کند.
پایه‌ها: Excel، SQL و آمار توصیفی
SQL در همهٔ آگهی‌های بررسی‌شده آمده است: Reitmans آن را «الزامی» نوشته و Learning Care Group کوئری گرفتن از دادهٔ مشتری در انبار داده را شرط کرده است. هم‌زمان آمار توصیفی را یاد بگیرید: میانگین و میانه، توزیع، درصد تغییر و نرخ‌ها. Excel یا Google Sheets را هم کنار بگذارید؛ آگهی Datavant تسلط به هر دو را خواسته است.
داشبورد، تجسم داده و قصه‌گویی با داده
Reitmans تخصص در یکی از ابزارهای MicroStrategy، Power BI، Tableau یا Looker را می‌خواهد و Datavant ساخت داشبورد در Sigma، Tableau یا Power BI را. اما داشبورد فقط وسیله است: Reitmans در کنار مهارت فنی «قصه‌گویی تحلیلی» یعنی تبدیل داده به روایت و توصیهٔ روشن را جزو شایستگی‌ها آورده است.
تحلیل مشتری: بخش‌بندی، کوهورت، ریزش و ارزش طول عمر
هستهٔ این شغل همین‌جاست. آگهی Reitmans تجربه در بخش‌بندی مشتری، تحلیل کوهورت و سنجش کمپین می‌خواهد و از تحلیلگر انتظار دارد الگوهای ریزش و اهرم‌های ارزش طول عمر مشتری (LTV) را بررسی کند. با یک مجموعه‌دادهٔ واقعی تراکنش کار کنید و بخش‌بندی RFM، جدول کوهورت و یک مدل ساده برای LTV بسازید.
پژوهش مشتری: نظرسنجی، NPS و آزمون معناداری
نیمهٔ دیگر کار، شنیدن صدای مشتری است. Learning Care Group تجربهٔ عملی طراحی و تحلیل نظرسنجی، از جمله طراحی نمونه و آزمون معناداری آماری، و کار با Qualtrics، Medallia یا SurveyMonkey را الزامی کرده است. نوشتن سؤال بی‌طرف، نمونه‌گیری، NPS و CSAT و آزمون A/B برای سنجش کمپین را در این مرحله یاد بگیرید.
Python یا R، تحلیل متن بازخوردها و کار با ابزارهای AI
Reitmans داشتن Python یا R را امتیاز می‌داند و Learning Care Group آن را برای تحلیل آماری ترجیح می‌دهد. Fetch تجربهٔ استفاده از AI و اتوماسیون برای سرعت و یکنواختی تحلیل بازخورد مشتری را می‌خواهد و Fullstory از تحلیلگر انتظار دارد با ابزارهای AI الگوها را سریع‌تر پیدا کند و خلاصهٔ اولیه بنویسد، در حالی که «تحلیل و توصیه مال خود شماست». یاد بگیرید متن نظرها را دسته‌بندی کنید و نتیجهٔ ابزار را با نمونه‌خوانی دستی بسنجید.
ابزارها و استک فنی
ابزارهایی که هر مهندس AI باید بشناسد، دسته‌بندی‌شده بر اساس اولویت
داده و کوئری
داشبورد و BI
نظرسنجی، صدای مشتری و رفتار دیجیتال
طراحی و اجرای نظرسنجی؛ یکی از پلتفرم‌هایی که Learning Care Group تجربه با آن یا مشابهش را الزامی کرده است
دادهٔ رفتار کاربران در وب و اپ؛ Reitmans آشنایی با Google Analytics یا Adobe Analytics را خواسته است
تحلیل آماری، مدل و AI
مسیر پیشرفت شغلی
از جونیور تا Staff Engineer — چه مهارت‌هایی نیاز دارید و چه درآمدی انتظار داشته باشید
تحلیلگر داده، CRM یا تحقیقات بازار (ورود)
۰ تا ۲ سال
گزارش‌گیری با SQL، داشبورد کمپین‌ها و تحلیل‌های ساده. آگهی‌های این عنوان معمولاً سابقه می‌خواهند، پس بیشتر افراد از نقش‌هایی مثل تحلیلگر داده، تحلیلگر CRM یا تحقیقات بازار وارد می‌شوند؛ Reitmans سابقه در customer analytics، CRM analytics یا marketing analytics را می‌پذیرد
تحلیلگر بینش مشتری
۳ تا ۵ سال
~$105K
میانگین سالانه (آمریکا)
مالکیت بخش‌بندی‌ها، تحلیل ریزش و LTV، سنجش کمپین و برنامهٔ صدای مشتری و ارائهٔ توصیه به بازاریابی و محصول؛ همان سطحی که Reitmans و Learning Care Group می‌خواهند
تحلیلگر ارشد بینش مشتری
۵+ سال
کار مستقل روی سؤال‌های مبهم، تعریف چارچوب سنجش، نفوذ در اولویت‌بندی تیم‌ها بدون اختیار مستقیم و گاهی کار مشاوره‌ای با مشتریان شرکت (مثل نقش Senior در Fullstory)
مدیر بینش مشتری / Insights Manager
پس از سطح ارشد
تعیین برنامهٔ پژوهش، مدیریت پروژه‌ها و تأمین‌کنندگان پژوهش و بردن صدای مشتری به تصمیم‌های راهبردی؛ آگهی Audience Insights Manager در DoorDash ساخت و مدیریت رابطه با تأمین‌کنندگان و اجرای کامل مطالعه‌ها در داخل تیم را جزو کار آورده است
چالش‌ها و جنبه‌های منفی
واقعیت‌هایی که کمتر در آگهی‌های شغلی می‌بینید — قبل از ورود بدانید
کیفیت و یکپارچگی داده
عمومیدادهٔ مشتری از سیستم‌های مختلف می‌آید: فروش حضوری، سایت، باشگاه مشتریان و نظرسنجی. Reitmans درستی گزارش‌ها و یکپارچگی داده را جزو وظایف آورده و Datavant اعتبارسنجی یکسانی اعداد در داشبوردها و تحلیل‌ها را. بخشی از هر تحلیل صرف این می‌شود که مطمئن شوید عددها درست‌اند.
جدا کردن سیگنال از نویز در بازخوردها
عمومیچند شکایت پرسروصدا لزوماً مشکل اصلی نیستند. Learning Care Group توانایی تشخیص سیگنال از نویز در دادهٔ بازخورد را جزو مهارت‌ها آورده و Fetch از تحلیلگر می‌خواهد فراوانی، شدت و اثر کسب‌وکاری هر مشکل را بسنجد، نه فقط آن را گزارش کند.
اثر واقعی در برابر همبستگی
عمومیاینکه مشتریان عضو باشگاه بیشتر می‌خرند لزوماً یعنی باشگاه باعث خرید بیشتر شده است. سنجش درست کمپین و برنامهٔ وفاداری به گروه کنترل، آزمون A/B و آزمون معناداری نیاز دارد؛ Learning Care Group آزمون معناداری آماری را الزامی کرده است.
اثرگذاری بدون اختیار
عمومیتحلیلگر معمولاً تصمیم‌گیرنده نیست. Fetch صریحاً تجربهٔ اثرگذاری بر اولویت‌ها و تصمیم‌ها بدون اختیار مستقیم را می‌خواهد. اگر یافته‌ها به زبان تیم‌های دیگر و با توصیهٔ روشن ارائه نشوند، معمولاً در گزارش می‌مانند.
اعتماد به خروجی ابزارهای AI
عمومیخلاصه یا دسته‌بندی‌ای که ابزار AI از هزاران نظر می‌سازد ممکن است قانع‌کننده به نظر برسد اما دقیق نباشد. Fullstory می‌گوید تحلیل و توصیه مال خود تحلیلگر است و Fetch بیان روشن فرض‌ها، محدودیت‌ها و مشکلات کیفیت داده را می‌خواهد؛ پس نمونه‌خوانی و سنجش دقت بخشی از کار است.
خطر تبدیل شدن به واحد گزارش‌گیری
عمومیدر بعضی شرکت‌ها بخش بزرگی از کار، گزارش‌های دوره‌ای و داشبورد است؛ آگهی Datavant نمونهٔ این وضعیت است. برای اینکه کار به سمت بینش و توصیه برود، باید گزارش‌های تکراری را خودکار کنید و برای تحلیل‌های عمیق‌تر وقت بگذارید.
حقوق و بازار کار جهانی
حقوق جهانی تحلیلگر بینش مشتری
حقوق سالانه در کشورهای مختلف بر اساس داده‌های منتشرشده؛ منبع هر ردیف با آیکون کنار نام کشور باز می‌شود.
* ارقام سالانه‌اند. منبع هر رقم:
- Glassdoor US, estimate updated Apr 2025, 138 salaries, base pay: 25th–75th pct; median = 50th pct
- Indeed US, updated 18 Oct 2026, base salary from 423 job postings (past 36 months): low–high; median = average
- Learning Care Group posting, Customer Insights Analyst (US remote, 3–5 years), posted Oct 7, 2026: base range; median = midpoint
- Glassdoor UK, estimate updated Oct 2026, 57 salaries, base pay: 25th–75th pct; median = 50th pct
- Glassdoor India, estimate updated Sep 2024, 12 salaries, base pay: 25th–75th pct; median = 50th pct
چگونه از صفر شروع کنیم
برنامه گام‌به‌گام برای ورود به مهندسی هوش مصنوعی
ماه ۱: SQL روی دادهٔ مشتری
اگر SQL را روزانه به کار نمی‌برید، با تمرین‌های تعاملی محکمش کنید و روی دادهٔ تراکنش واقعی کوئری بنویسید.
ماه ۲: بخش‌بندی و کوهورت
بخش‌بندی RFM و جدول کوهورت بسازید و نتیجه را در یک داشبورد منتشر کنید.
ماه ۳: ریزش و ارزش طول عمر
تعریف ریزش را برای یک کسب‌وکار مشخص بنویسید و یک مدل سادهٔ LTV بسازید.
ماه ۴: نظرسنجی و آزمون معناداری
یک پرسشنامهٔ کوتاه طراحی کنید، داده جمع کنید و تفاوت گروه‌ها را با آزمون آماری بسنجید.
ماه ۵: سنجش کمپین و آزمون A/B
یاد بگیرید اثر یک کمپین را با گروه کنترل بسنجید و نتیجه را درست گزارش کنید.
ماه ۶: نمونه‌کار و رزومه
سه پروژه را با توضیح روش، محدودیت‌ها و توصیه‌های کسب‌وکاری مرتب کنید و رزومه را با زبان آگهی‌ها بنویسید: بخش‌بندی، ریزش، LTV، سنجش کمپین و صدای مشتری.
پروژه‌های پیشنهادی برای رزومه
بخش‌بندی RFM روی دادهٔ تراکنش واقعی
مبتدیبا مجموعه‌دادهٔ Online Retail II، برای هر مشتری تازگی خرید، دفعات خرید و مبلغ (RFM) را با SQL حساب کنید، مشتریان را بخش‌بندی کنید و برای هر بخش یک پیشنهاد بازاریابی روشن بنویسید.
داشبورد کوهورت و نرخ حفظ مشتری
متوسطجدول کوهورت ماهانه بسازید و نشان دهید مشتریان هر ماه چند درصدشان در ماه‌های بعد دوباره خرید کرده‌اند. داشبورد را در Tableau Public منتشر کنید و در یک صفحه توضیح دهید چه چیزی دیده‌اید.
طراحی و تحلیل یک نظرسنجی کوچک
متوسطبرای یک کسب‌وکار واقعی یا فرضی پرسشنامهٔ NPS و رضایت بنویسید، روش نمونه‌گیری را توضیح دهید، دادهٔ نمونه جمع کنید و تفاوت بخش‌ها را با آزمون معناداری بسنجید. در گزارش بنویسید کجا هنوز «نمی‌دانیم».
مدل ارزش طول عمر مشتری (CLV)
پیشرفتهروی همان دادهٔ تراکنش یک مدل احتمالاتی CLV (مثلاً BG/NBD که یادداشت‌های Bruce Hardie پیاده‌سازی‌اش را توضیح می‌دهند) با PyMC-Marketing بسازید، پیش‌بینی را با داده‌ای که کنار گذاشته‌اید بسنجید و توضیح دهید مدیر بازاریابی با این عدد چه تصمیمی می‌تواند بگیرد.
تحلیل نظرهای کاربران با AI و اتصال به دادهٔ رفتاری
پیشرفتهچند هزار نظر یا تیکت عمومی را با BERTopic یا یک مدل زبانی دسته‌بندی کنید، صد نمونه را دستی بخوانید و دقت دسته‌بندی را گزارش دهید، بعد موضوعات پرتکرار را با یک متریک رفتاری (مثل امتیاز یا ریزش) کنار هم بگذارید. محدودیت‌ها را صریح بنویسید.
مثال‌های واقعی و Case Studies
داستان‌های واقعی از مهندسانی که در این حوزه تأثیرگذار بوده‌اند
ریاضیدان بریتانیایی که طبق ویکی‌پدیا در دانشگاه Sheffield ریاضی کاربردی و علوم کامپیوتر خواند و از ۱۹۷۶ در شرکت تحلیل دادهٔ CACI کار کرد و در ساخت سیستم طبقه‌بندی Acorn سهم داشت. در ۱۹۸۹ همراه Edwina Dunn شرکت dunnhumby را بنیان گذاشت.
از همکاری dunnhumby با Tesco در ۱۹۹۵ کارت Clubcard راه افتاد که ویکی‌پدیا آن را نخستین برنامهٔ وفاداری با شخصی‌سازی انبوه در جهان می‌نامد. در ۲۰۰۶ عبارت «Data is the new oil» را ساخت و در ۲۰۱۹ نشان OBE برای خدمات به داده و کسب‌وکار بریتانیا گرفت. از ۲۰۱۴ دانشمند ارشد دادهٔ شرکت Starcount است.
اصلی که ویکی‌پدیا از او با نام «The Power of Two» نقل می‌کند، یعنی جفت کردن دو نفر با مهارت‌های مکمل مثل تحلیلگر و بازاریاب، به نظر می‌رسد همان چیزی است که این شغل امروز هم از شما می‌خواهد: تحلیل وقتی ارزش دارد که کنار کسی بنشیند که بر اساسش تصمیم می‌گیرد.
طبق ویکی‌پدیا، پس از کارشناسی جغرافیا از دانشگاه Bournemouth در ۱۹۸۰ به‌عنوان دستیار بازاریابی به CACI در لندن پیوست و بعدها به معاونت آن رسید. در ۱۹۸۹ همراه Clive Humby شرکت dunnhumby را بنیان گذاشت و مدیرعامل آن شد.
Clubcard فروشگاه‌های Tesco در ۱۹۹۵ از همین همکاری بیرون آمد و او و Humby در ۲۰۱۱ آخرین سهمشان در dunnhumby را به Tesco فروختند. از ۲۰۱۴ مدیرعامل شرکت بینش مصرف‌کنندهٔ Starcount است و از ۲۰۱۸ عضو هیئت‌مدیرهٔ مرکز اخلاق داده و نوآوری دولت بریتانیا (Centre for Data Ethics and Innovation) بوده است.
مسیر او از جغرافیا و دستیار بازاریابی به ساختن یکی از شناخته‌شده‌ترین شرکت‌های دادهٔ مشتری نشان می‌دهد که ورود به این حوزه حتماً از رشته‌های کامپیوتری نمی‌گذرد. حضور بعدی‌اش در نهاد اخلاق داده هم یادآوری می‌کند که کار با دادهٔ مشتری بدون فکر کردن به اعتماد مشتری کامل نیست.
طبق ویکی‌پدیا، استاد بازاریابی در Wharton School دانشگاه پنسیلوانیا است و در کارشناسی در MIT ریاضی خوانده است. پژوهش او دربارهٔ تحلیل دادهٔ رفتاری برای پیش‌بینی خرید مشتریان است و با شرکت‌هایی در مخابرات، خدمات مالی، سرگرمی، خرده‌فروشی و داروسازی کار کرده است.
کاربرد کارهایش در مدیریت رابطه با مشتری، ارزش طول عمر مشتری و پیش‌بینی فروش محصول تازه است. در ۲۰۱۵ شرکت تحلیل پیش‌بینی Zodiac را هم‌بنیان گذاشت که در ۲۰۱۸ به Nike فروخته شد و کتاب Customer Centricity و، همراه Sarah E. Toms، کتاب The Customer Centricity Playbook را نوشته است.
ویکی‌پدیا می‌نویسد بخش زیادی از پژوهش او الگوهای رفتاری ثابتی را نشان می‌دهد که در صنایع مختلف تکرار می‌شوند. به نظر می‌رسد همین است که مهارت تحلیل مشتری را از یک صنعت به صنعت دیگر قابل انتقال می‌کند. او یکی از مدرسان درس Customer Analytics دانشگاه پنسیلوانیا در Coursera است که در نقشهٔ راه همین صفحه آمده است.
نمونه آگهی استخدام واقعی + تحلیل
یک آگهی واقعی از شرکت فعال در حال استخدام، با تحلیل هر بخش
Customer Insights Analyst
تحلیل نیازمندی‌ها
3–5+ years of experience in customer analytics, CRM analytics, or marketing analytics.
این نقش ورودی نیست. سابقه باید در تحلیل دادهٔ مشتری، CRM یا بازاریابی باشد؛ یعنی کسی که قبلاً با دادهٔ کمپین، باشگاه مشتریان یا فروش کار کرده است. تحلیلگر داده‌ای که در تیم بازاریابی کار کرده، نامزد طبیعی است.
ضروریProficiency in SQL (required); Python/R is a plus.
SQL ابزار اصلی است و بدون آن کار پیش نمی‌رود. Python یا R فقط امتیاز است؛ یعنی شرکت انتظار ندارد تحلیلگر مدل یادگیری ماشین بسازد، اما اگر بتوانید کارهای تکراری و آماری را با کد انجام دهید جلوترید.
ضروریExpertise with BI tools (MicroStrategy, Power BI, Tableau, Looker).
«Expertise» یعنی بیش از آشنایی. باید بتوانید داشبوردی بسازید که مدیران بدون کمک شما بخوانند. تسلط به یکی از این ابزارها کافی است؛ منطقشان شبیه هم است.
ضروریExperience with customer segmentation, cohort analysis, and campaign measurement.
سه مهارت اصلی تحلیل مشتری در یک خط: تقسیم مشتریان به گروه‌های معنادار، دنبال کردن رفتار هر گروه ورودی در طول زمان و سنجیدن اثر واقعی کمپین. نمونه‌کارهای شما باید دقیقاً همین‌ها را نشان دهند.
ضروریFamiliarity with digital analytics tools (Google Analytics, Adobe Analytics).
خرید فقط در فروشگاه اتفاق نمی‌افتد. باید بتوانید دادهٔ رفتار در سایت و اپ را بخوانید و کنار دادهٔ تراکنش بگذارید. «Familiarity» یعنی آشنایی کافی است.
مهمExperience in retail, fashion, or e‑commerce (strong asset).
شرط نیست اما امتیاز قوی است. کسی که فصل‌های فروش، تخفیف‌ها و منطق تنوع کالا در خرده‌فروشی را می‌شناسد، سؤال‌های درست‌تری از داده می‌پرسد.
مفیدBilingualism required (French/English), due to regular interactions with English‑language teams, tools, and content.
این شرط مخصوص بازار کبک است و نشان می‌دهد زبان کار در بعضی بازارها خودش یک شرط استخدام است. اگر برای کار در کشوری دیگر برنامه دارید، شرایط زبانی آگهی‌های آنجا را از اول بررسی کنید.
ضروریتحلیل مسئولیت‌ها
Analyze customer behaviour across brands, channels, and lifecycle stages to uncover trends, segment performance, and opportunities for growth.
شرکت سه برند دارد و هم فروش حضوری و هم آنلاین. باید بتوانید رفتار مشتری را به تفکیک برند، کانال و مرحلهٔ چرخهٔ عمر (مشتری تازه، فعال، در معرض ریزش) مقایسه کنید.
Develop and maintain customer segmentations to support targeted communications, personalization, and brand-level strategies.
بخش‌بندی یک بار ساخته نمی‌شود؛ باید نگه داشته شود و با تغییر رفتار مشتریان به‌روز شود. معیار خوب بودنش این است که تیم بازاریابی واقعاً با آن پیام متفاوت بفرستد.
Conduct deep-dive analyses into customer journeys, retention drivers, churn patterns, and customer lifetime value levers.
این همان بخش «چرا»ی کار است: چرا بعضی مشتریان می‌مانند و بعضی می‌روند، و چه چیزی ارزش طول عمرشان را بالا می‌برد. جواب باید به اقدام قابل اجرا برسد، نه فقط به نمودار.
Build dashboards, reports, and automated insights that track customer KPIs (e.g., acquisition, retention, LTV, purchase frequency).
بخش تکرارشوندهٔ کار. «automated insights» یعنی گزارش‌ها باید خودکار به‌روز شوند تا وقت شما برای تحلیل‌های عمیق آزاد بماند.
Measure and evaluate the effectiveness of email campaigns, personalization initiatives, and loyalty activities.
باید بتوانید بگویید یک کمپین چقدر فروش اضافه آورده، نه فقط چقدر فروش داشته. این یعنی گروه کنترل، مقایسهٔ درست و احتیاط در نتیجه‌گیری.
Work with Data Engineering and Data Science teams to improve data quality, refine metrics, and develop advanced analytics solutions.
مدل‌سازی پیشرفته کار تیم علم داده است و شما شریک آن‌ها هستید: سؤال کسب‌وکار را تعریف می‌کنید، متریک را دقیق می‌کنید و نتیجه را به زبان بازاریابی برمی‌گردانید. این همان جایی است که مهارت‌های AI و ML در این نقش معنا پیدا می‌کنند.
Leverage customer, transactional, web, and loyalty datasets to build a holistic view of customer behaviour across the retail ecosystem.
دید یکپارچه از مشتری یعنی وصل کردن دادهٔ فروشگاه، سایت و باشگاه مشتریان به یک فرد. بخش زیادی از چالش فنی کار در همین اتصال است.
نتیجه‌گیری کلی
این آگهی تصویر روشنی از نسخهٔ اصلی این شغل در خرده‌فروشی می‌دهد: تحلیل‌گری با ۳ تا ۵ سال سابقه در تحلیل مشتری یا بازاریابی که با SQL و یک ابزار BI بخش‌بندی، تحلیل ریزش و LTV و سنجش کمپین را انجام می‌دهد و نتیجه را به توصیه برای تیم‌های بازاریابی و دیجیتال تبدیل می‌کند. Python یا R فقط امتیاز است و مدل‌سازی پیشرفته با همکاری تیم علم داده انجام می‌شود. آگهی بازهٔ حقوق اعلام نکرده است.
آینده و روندها
پیش‌بینی ۵–۱۰ ساله و مهارت‌هایی که باید یاد بگیرید
BLS گروه جداگانه‌ای برای Customer Insights Analyst ندارد. نزدیک‌ترین گروه رسمی، «تحلیلگران تحقیقات بازار» (Market Research Analysts)، طبق پیش‌بینی BLS از ۲۰۲۵ تا ۲۰۳۵، ۷٪ رشد می‌کند که بسیار سریع‌تر از میانگین همهٔ مشاغل است، و به‌طور میانگین سالانه حدود ۸۲ هزار فرصت شغلی در آن پیش‌بینی می‌شود. میانهٔ دستمزد سالانهٔ این گروه در مه ۲۰۲۵، ۷۸٬۷۶۰ دلار بود.
منبع: BLS Occupational Outlook Handbook — Market Research Analysts (2025–35)
مهارت‌های نوظهور که باید یاد بگیرید
پیش‌بینی‌های آینده
در گزارش Future of Jobs 2025 مجمع جهانی اقتصاد (WEF)، کارفرمایانِ شرکت‌کننده در نظرسنجی گروه گستردهٔ «تحلیلگران و دانشمندان داده» را در رتبهٔ ۱۱ فهرست ۱۵ شغل با سریع‌ترین رشد خالص از ۲۰۲۵ تا ۲۰۳۰ گذاشته‌اند. WEF بینش مشتری را جداگانه نام نمی‌برد.
BLS آمریکا پیش‌بینی می‌کند اشتغال تحلیلگران تحقیقات بازار، نزدیک‌ترین گروه رسمی به این شغل، از ۲۰۲۵ تا ۲۰۳۵، ۷٪ رشد کند و هر سال به‌طور میانگین حدود ۸۲ هزار فرصت شغلی در این گروه ایجاد شود؛ به گفتهٔ BLS بسیاری از این فرصت‌ها برای جایگزینی افرادی است که شغل عوض می‌کنند یا بازنشسته می‌شوند.
بخشی از کار اولیهٔ تحلیل به ابزارهای AI سپرده می‌شود: Fullstory از تحلیلگر می‌خواهد با AI الگوها را سریع‌تر پیدا کند، خلاصهٔ اولیه بنویسد و آمادگی جلسه را سریع‌تر کند، و Fetch استفاده از AI و اتوماسیون را برای تحلیل بازخورد می‌خواهد. یعنی ارزش تحلیلگر بیشتر در طراحی پژوهش، قضاوت دربارهٔ اعتبار یافته‌ها و تبدیل آن‌ها به تصمیم است؛ همان چیزی که Fullstory با «تحلیل و توصیه مال خود شماست» می‌گوید. ریسک دیگر نزدیکی به گزارش‌گیری صرف است: در نقش‌هایی مثل آگهی Datavant که بیشتر داشبورد و گزارش دوره‌ای است، تحلیلگر باید خودش کار را به سمت بینش و توصیه ببرد.
منابع
اطلاعات این صفحه در تاریخ ۱ آبان ۱۴۰۵ از این ۲۳ منبع بررسی شده است.
- Customer Insights Analyst — Reitmans (Canada) Limited (job posting)
- Customer Insights Analyst — Learning Care Group (job posting, Built In Boston)
- Customer Insights Analyst — Datavant (job posting)
- Senior Customer Insights Analyst — Fullstory (job posting)
- Senior Customer Experience Insights Analyst — Fetch (job posting, Built In Boston)
- Consumer Insights Analyst — SharkNinja (job posting)
- Audience Insights Manager — DoorDash (job posting)
- Audience Insights Analyst — Warner Bros. Discovery (filled posting, EntertainmentCareers.Net)
- dunnhumby — Insights Analyst Manager (job posting, company description)
- Glassdoor — Customer Insights Analyst salaries, United States
- Glassdoor — Customer Insights Analyst salaries, United Kingdom
- Glassdoor — Customer Insights Analyst salaries, India
- Indeed — Customer insights analyst salary in United States
- BLS Occupational Outlook Handbook — Market Research Analysts
- O*NET OnLine — Market Research Analysts and Marketing Specialists (13-1161.00)
- O*NET OnLine — Business Intelligence Analysts (15-2051.01)
- World Economic Forum — The Future of Jobs Report 2025 (PDF)
- Clive Humby — Wikipedia
- Edwina Dunn — Wikipedia
- Peter Fader — Wikipedia
- Pew Research Center — Writing Survey Questions
- Coursera — Customer Analytics (University of Pennsylvania / Wharton)
- Bruce Hardie — Notes