免费试听课倒计时2天！手把手带你成为一名Data Analyst！

重磅消息

SQL/Python

Data Science训练营

免费试听课

7.31正式上线

名额有限，快来咨询报名

01 行业前景

据 IBM 预测，未来3年，公司对Data类岗位需求量将猛增28%。

到2020年，所有美国Data类岗位数量将增加36万个，总数达到270万。

资料来源：IBM

另外麦肯锡预测，到2018年，在“具有深入分析能力的人才”方面，美国可能面临着14万~19万人的缺口，而“可以利用大数据分析来作出有效决策的经理和分析师”缺口则会达到150万。

金融、互联网科技和传媒、零售企业中，数据的用处十分广泛，不但能分析客户行为，还可以最大程度发现客户价值。

02 职业规划

关于数据分析方向求职的职业规划，小编会从不同领域和不同路线帮大家深入解读下：

不同领域

“领域”是不少刚接触数据分析的新人常忽略的要素，其实数据分析不会脱离业务存在。你进入哪个行业，很大程度会决定你初期的技能树和技能点。

举例：金融领域的风控模型/反欺诈模型、营销领域的生命周期、广告领域的点击率预估等，电商行业的推荐系统和用户画像系统各有各的特色。

不同路线

数据分析职业发展的路线大致可以划分成四大方向：

• 数据分析
• 数据挖掘
• 数据产品
• 数据工程

1. 数据分析/数据运营/商业分析

这是业务方向的数据分析师。绝大部分人，都是从这个岗位开始自己的数据之路，也是基数最大的岗位。

• 负责和支撑各部门相关的报表；
• 建立和优化指标体系；
• 监控数据的波动和异常，找出问题；
• 优化和驱动业务，推动数据化运营；
• 找出可增长的市场或产品优化空间；
• 输出专题分析报告；

2. 数据挖掘/算法专家

这是技术向的数据岗，有些归类在研发部门，有些则单独成立数据部门。数据挖掘工程师要求更高的统计学能力、数理能力以及编程技巧。

常见数据挖掘项目的闭环如下：

• 定义问题
• 数据抽取
• 数据清洗
• 特征选取/特征工程
• 数据模型
• 数据验证
• 迭代优化

3. 数据产品经理             

这个岗位比较新兴，它有两种理解，一种是具备强数据分析能力的Product Manager，一种是公司数据产品的规划者。

前者，以数据导向优化和改进产品。在产品强势的公司，数据分析也会划归到产品部门，甚至运营也属于产品部。这类产品经理有更多的机会接触业务，属于顺便把分析师的活也干了，一专多能的典型。他们会运用不同的数据源，对用户的行为特征分析和挖掘，达到改进产品。最典型的场景就是AB测试。大到页面布局、路径规划、小到按钮的颜色和样式，均可以通过数据指标评估。

后者，是真正意义上的数据产品经理。在公司迈大迈强后，数据量与日俱增，此时会有不少数据相关的产品项目：包括大数据平台、埋点采集系统、Business Intelligence、推荐系统、广告平台等。这些当然也是产品，自然需要提炼需求、设计、规划、项目排期，乃至落地。

4. 数据工程师

数据工程师其实更偏技术，从职业道路上看，程序员走这条路更开阔。在很多中小型的公司，一方面数据是无序的、缺失的、原始的，另外一方面各种业务报表又需要处理。这时候分析师只能各种任务自己动手，兼做数据清洗+ETL(提取转换加载)+商业智能

03 如何成为一名数据分析师？

当数据分析数据挖掘技术成为商业领域的重要推动力，对从业者的要求也相对提高。

1 数据分析基础

抛开对业务层面的基本理解，学好数据分析首先需要了解统计学，统计分析是数据分析的基础，也是灵魂。统计分析的几个核心内容：

• 描述统计，统计推断，概率论；
• 抽样，分布，估计，置信区间，假设检验；
• 线性回归，时间序列；

2 数据分析工具

根据作者DataCastle在CSDN发表的文章整理出的企业对数据分析的技能要求大致有以下几点：

• SQL数据库的基本操作，会基本的数据管理 
• 会用Excel/SQL做基本的数据提取、分析和展示 
• 会用脚本语言进行数据分析，Python or R 
• 有获取外部数据的能力加分，如爬虫或熟悉公开数据集 
• 会基本的数据可视化技能，能撰写数据报告 
• 熟悉常用的数据挖掘算法：回归分析、决策树、分类、聚类方法

（cr: https://blog.csdn.net/DataCastle/article/details/78033108）

1. Excel 

作为微软的一个出色表格处理工具，Excel也是数据分析师需要掌握的。因为公司很多其它部门非技术人员是不会使用编程工具的，而会使用相对简单的Excel来处理一些报表。这个时候就可能需要你可以在Excel中做一些数据分析工作然后反馈，但是也不必太深入，掌握核心的功能即可，比如：

• 增删改查
• 各类常用函数的使用
• 各类基础图标的制作
• 数据透视表等

2. R/Python

R语言就是为统计学而设计的语言，是目前主流数据应用软件之一，非常适合于数据分析与数据挖掘。而Python作为目前非常火爆的语言，绝大部分新的数据科学工具都兼容它，并且由于其出色的科学计算library的存在，也是很多人的不二选择。

资料来源：DataFlair

3. SQL

SQL作为最经典的数据库工具，为海量数据的存储与管理提供可能，并且使数据的提取的效率大大提升。你需要掌握以下技能：

1)提取特定情况下的数据：企业数据库里的数据一定是大而繁复的，你需要提取你需要的那一部分。比如你可以根据你的需要提取2018年所有的销售数据、提取今年销量最大的50件商品的数据、提取地区用户的消费数据……，SQL可以通过简单的命令帮你完成这些工作。

2)数据库的增、删、查、改：这些是数据库最基本的操作，但只要用简单的命令就能够实现，所以你只需要记住命令就好。

3)数据的分组聚合、如何建立多个表之间的联系：这个部分是SQL的进阶操作，多个表之间的关联，在你处理多维度、多个数据集的时候非常有用，这也让你可以去处理更复杂的数据。

4. 如何快速学习数据语言

数据分析的流程，一般大致可以按“数据获取-数据存储与提取-数据预处理-数据建模与分析-数据可视化”这样的步骤来实施一个数据分析项目。

那么高效的学习路径是什么？

小编给大家推荐DataCastle的一个学习方法，就是按照图上数据分析的这个流程来学习。

按这样的顺序循序渐进，你会知道每个部分需要完成的目标是什么，需要学习哪些知识点，哪些知识是暂时不必要的。然后每学习一个部分，你就能够有一些实际的成果输出，有正向的反馈和成就感，你才会愿意花更多的时间投入进去。以解决问题为目标，效率自然不会低。

为了方便大家学习掌握数据语言技能

Mean Value特别推出Data Science训练营

【SQL/Python/R语言精品课程】

课程从实用知识入手

理论与实操相结合

由浅入深，提供数据文件

手把手带你入行