数据分析师

首先是基础篇1、首先是Excel，貌似这个很简单，其实未必。Excel不仅能够做简单二维表、复杂嵌套表，能画折线图/Column chart/Bar chart/Area chart/饼图/雷达图/Combo char/散点图/Win Loss图等，而且能实现更高级的功能，包括透视表（类似于BI的多维分析模型Cube），以及Vlookup等复杂函数，处理100万条以内的数据没有大问题。最后，很多更高级的工具都有Excel插件，例如一些AI Machine Learning的开发工具。2. SQL（数据库）我们都知道数据分析师每天都会处理海量的数据，这些数据来源于数据库，那么怎么从数据库取数据？如何建立两表、三表之间的关系？怎么取到自己想要的特定的数据？等等这些数据选择问题就是你首要考虑的问题，而这些问题都是通过SQL解决的，所以SQL是数据分析的最基础的技能。3. 统计学基础数据分析的前提要对数据有感知，数据如何收集？数据整体分布是怎样的？如果有时间维度的话随着时间的变化是怎样的？数据的平均值是什么？数据的最大值最小值指什么？数据相关与回归、时间序列分析和预测等等。4、掌握可视化工具，比如BI，如Cognos/Tableau/FineBI等，具体看企业用什么工具，像我之前用的是FineBI。这些工具做可视化非常方便，特别是分析报告能含这些图，一定会吸引高层领导的眼球，一目了然了解，洞察业务的本质。另外，作为专业的分析师，用多维分析模型Cube能够方便地自定义报表，效率大大提升。进阶阶段需要掌握的：1、系统的学好统计学纯粹的机器学习讲究算法预测能力和实现，但是统计一直就强调“可解释性”。比如说，针对今天微博股票发行就上升20%，你把你的两个预测股票上涨还是下跌的model套在新浪的例子上，然后给你的上司看。统计学就是这样的作用。数据挖掘相关的统计方法（多元Logistic回归分析、非线性回归分析、判别分析等）定量方法（时间轴分析、概率模型、优化）决策分析（多目的决策分析、决策树、影响图、敏感性分析）树立竞争优势的分析（通过项目和成功案例学习基本的分析理念）数据库入门（数据模型、数据库设计）预测分析（时间轴分析、主成分分析、非参数回归、统计流程控制）数据管理（ETL（Extract、Transform、Load）、数据治理、管理责任、元数据）优化与启发（整数计划法、非线性计划法、局部探索法、超启发（模拟退火、遗传算法））大数据分析（非结构化数据概念的学习、MapReduce技术、大数据分析方法）数据挖掘（聚类（k-means法、分割法）、关联性规则、因子分析、存活时间分析）其他，以下任选两门（社交网络、文本分析、Web分析、财务分析、服务业中的分析、能源、健康医疗、供应链管理、综合营销沟通中的概率模型）风险分析与运营分析的计算机模拟软件层面的分析学（组织层面的分析课题、IT与业务用户、变革管理、数据课题、结果的展现与传达方法）2、掌握AI Machine Learning算法，会用工具（比如Python/R）进行建模。传统的BI分析能回答过去发生了什么？现在正在发生什么？但对于未来会发生什么？必须靠算法。虽然像Tableau、FineBI等自助式BI已经内置了一部分分析模型，但是分析师想要更全面更深度的探索，需要像Python/R的数据挖掘工具。另外大数据之间隐藏的关系，靠传统工具人工分析是不可能做到的，这时候交由算法去实现，无疑会有更多的惊喜。其中，面向统计分析的开源编程语言及其运行环境“R”备受瞩目。R的强项不仅在于其包含了丰富的统计分析库，而且具备将结果进行可视化的高品质图表生成功能，并可以通过简单的命令来运行。此外，它还具备称为CRAN（The Comprehensive R Archive Network）的包扩展机制，通过导入扩展包就可以使用标准状态下所不支持的函数和数据集。R语言虽然功能强大，但是学习曲线较为陡峭，个人建议从python入手，拥有丰富的statistical libraries，NumPy ，SciPy.org ，Python Data Analysis Library，matplotlib: python plotting。以上我的回答希望对你有所帮助

数据工程师的重心在“后端”，他们需要持续的优化数据通道，才能保证企业数据的准确性与可用性。同时还需确保在需要的时候能够顺畅地将数据提供给用户。数据分析师则是通过使用数据工程师所构建的自定义API来提取新的数据集，并对其中的数据趋势进行识别，同时对异常数据进行分析。分析师们将会对结果进行总结，并以一种清晰直观的方式来展示这些结果，以便于其它非技术团队能够更好地了解他们目前的工作效果。

1 写 SQL （很多入职一两年的大数据工程师主要的工作就是写 SQL ）2 为集群搭大数据环境（一般公司招大数据工程师环境都已经搭好了，公司内部会有现成的大数据平台，但我这边会私下搞一套测试环境，毕竟公司内部的大数据系统权限限制很多，严重影响开发效率）3 维护大数据平台（这个应该是每个大数据工程师都做过的工作，或多或少会承担“运维”的工作）4 数据迁移（有部分公司需要把数据从传统的数据库 Oracle、MySQL 等数据迁移到大数据集群中，这个是比较繁琐的工作，吃力不讨好）5 应用迁移（有部分公司需要把应用从传统的数据库 Oracle、MySQL 等数据库的存储过程程序或者SQL脚本迁移到大数据平台上，这个过程也是非常繁琐的工作，无聊，高度重复且麻烦，吃力不讨好）6 数据采集（采集日志数据、文件数据、接口数据，这个涉及到各种格式的转换，一般用得比较多的是 Flume 和 Logstash）7 数据处理7.1 离线数据处理（这个一般就是写写 SQL 然后扔到 Hive 中跑，其实和第一点有点重复了）7.2 实时数据处理（这个涉及到消息队列，Kafka，Spark，Flink 这些，组件，一般就是 Flume 采集到数据发给 Kafka 然后 Spark 消费 Kafka 的数据进行处理）8 数据可视化（这个我司是用 Spring Boot 连接后台数据与前端，前端用自己魔改的 echarts）9 大数据平台开发（偏Java方向的，大概就是把开源的组件整合起来整成一个可用的大数据平台这样，常见的是各种难用的 PaaS 平台）10 数据中台开发（中台需要支持接入各种数据源，把各种数据源清洗转换为可用的数据，然后再基于原始数据搭建起宽表层，一般为了节省开发成本和服务器资源，都是基于宽表层查询出业务数据）11 搭建数据仓库（这里的数据仓库的搭建不是指 Hive ，Hive 是搭建数仓的工具，数仓搭建一般会分为三层 ODS、DW、DM 层，其中DW是最重要的，它又可以分为DWD,DWM,DWS，这个层级只是逻辑上的概念，类似于把表名按照层级区分开来的操作，分层的目的是防止开发数据应用的时候直接访问底层数据，可以减少资源，注意，减少资源开销是减少 内存 和 CPU 的开销，分层后磁盘占用会大大增加，磁盘不值钱所以没什么关系，分层可以使数据表的逻辑更加清晰，方便进一步的开发操作，如果分层没有做好会导致逻辑混乱，新来的员工难以接手业务，提高公司的运营成本，还有这个建数仓也分为建离线和实时的）总之就是离不开写 SQL ...

CDA——数据分析师常见岗位，包括：竞品分析、业务分析、数据挖掘、数据运营等。对销售支持，销售运营等岗位也可以胜任。主要工作内容就是：数据收集、处理、可视化等内容，专门从事行业数据搜集、整理、分析，并依据数据做出行业研究、评估和预测。

作为数据分析师，需要具备以下条件：1. 数学和统计学基础：数据分析师需要具备扎实的数学和统计学基础，能够理解和运用各种统计方法和模型。2. 数据处理和分析工具：熟练掌握数据处理和分析工具，如Excel、SQL、Python、R等，能够使用这些工具进行数据清洗、分析和可视化。3. 领域知识和业务理解：了解所在行业的相关知识和业务流程，能够将数据分析结果与业务需求结合起来，提供有针对性的建议和决策支持。4. 逻辑思维和问题解决能力：具备良好的逻辑思维和问题解决能力，能够从大量的数据中提取有价值的信息，并进行合理的解释和推断。5. 沟通和表达能力：能够将复杂的数据分析结果以简洁清晰的方式呈现给非技术人员，能够与团队成员和业务部门进行有效的沟通和协作。八爪鱼采集器是一款功能全面、操作简单、适用范围广泛的互联网数据采集器。如果您需要采集数据，八爪鱼采集器可以为您提供智能识别和灵活的自定义采集规则设置，帮助您快速获取所需的数据。了解更多八爪鱼采集器的功能与合作案例，请前往官网了解更多详情

数据分析师的职位要求 ：x0dx0ax0dx0a　　1、计算机、统计学、数学等相关专业本科及以上学历；x0dx0a　　2、具有深厚的统计学、数据挖掘知识，熟悉数据仓库和数据挖掘的相关技术，能够熟练地使用SQL；x0dx0a　　3、三年以上具有海量数据挖掘、分析相关项目实施的工作经验，参与过较完整的数据采集、整理、分析和建模工作；x0dx0a　　4、对商业和业务逻辑敏感，熟悉传统行业数据挖掘背景、了解市场特点及用户需求，有互联网相关行业背景，有网站用户行为研究和文本挖掘经验尤佳；x0dx0a　　5、具备良好的逻辑分析能力、组织沟通能力和团队精神；x0dx0a　　6、富有创新精神，充满激情，乐于接受挑战。x0dx0ax0dx0a　　1、态度严谨负责x0dx0a　　严谨负责是数据分析师的必备素质之一，只有本着严谨负责的态度，才能保证数据的客观、准确。在企业里，数据分析师可以说是企业的医生，他们通过对企业运营数据的分析，为企业寻找症结及问题。一名合格的数据分析师，应具有严谨、负责的态度，保持中立立场，客观评价企业发展过程中存在的问题，为决策层提供有效的参考依据；不应受其他因素影响而更改数据，隐瞒企业存在的问题，这样做对企业发展是非常不利的，甚至会造成严重的后果。而且，对数据分析师自身来说，也是前途尽毁，从此以后所做的数据分析结果都将受到质疑，因为你已经不再是可信赖的人，在同事、领导、客户面前已经失去了信任。所以，作为一名数据分析师就必须持有严谨负责的态度，这也是最基本的职业道德。x0dx0ax0dx0a　　2、好奇心强烈x0dx0a　　好奇心人皆有之，但是作为数据分析师，这份好奇心就应该更强烈，要积极主动地发现和挖掘隐藏在数据内部的真相。在数据分析师的脑子里，应该充满着无数个“为什么”，为什么是这样的结果，为什么不是那样的结果，导致这个结果的原因是什么，为什么结果不是预期的那样等等。这一系列问题都要在进行数据分析时提出来，并且通过数据分析，给自己一个满意的答案。越是优秀的数据分析师，好奇心也越不容易满足，回答了一个问题，又会抛出一个新的问题，继续研究下去。只有拥有了这样一种刨根问底的精神，才会对数据和结论保持敏感，继而顺藤摸瓜，找出数据背后的真相。x0dx0ax0dx0a　　3、逻辑思维清晰x0dx0a　　除了一颗探索真相的好奇心，数据分析师还需要具备缜密的思维和清晰的逻辑推理能力。我记得有位大师说过：结构为王。何谓结构，结构就是我们常说的逻辑，不论说话还是写文章，都要有条理，有目的，不可眉毛胡子一把抓，不分主次。x0dx0a　　通常从事数据分析时所面对的商业问题都是较为复杂的，我们要考虑错综复杂的成因，分析所面对的各种复杂的环境因素，并在若干发展可能性中选择一个最优的方向。这就需要我们对事实有足够的了解，同时也需要我们能真正理清问题的整体以及局部的结构，在深度思考后，理清结构中相互的逻辑关系，只有这样才能真正客观地、科学地找到商业问题的答案。x0dx0ax0dx0a　　4、擅长模仿x0dx0a　　在做数据分析时，有自己的想法固然重要，但是“前车之鉴”也是非常有必要学习的，它能帮助数据分析师迅速地成长，因此，模仿是快速提高学习成果的有效方法。这里说的模仿主要是参考他人优秀的分析思路和方法，而并不是说直接“照搬”。成功的模仿需要领会他人方法精髓，理解其分析原理，透过表面达到实质。万变不离其宗，要善于将这些精华转化为自己的知识，否则，只能是“一直在模仿，从未超越过”。x0dx0ax0dx0a　　5、勇于创新x0dx0a　　通过模仿可以借鉴他人的成功经验，但模仿的时间不宜太长，并且建议每次模仿后都要进行总结，提出可以改进的地方，甚至要有所创新。创新是一个优秀数据分析师应具备的精神，只有不断的创新，才能提高自己的分析水平，使自己站在更高的角度来分析问题，为整个研究领域乃至社会带来更多的价值。现在的分析方法和研究课题千变万化，墨守成规是无法很好地解决所面临的新问题的。x0dx0ax0dx0a技能要求：x0dx0ax0dx0a1、懂业务。x0dx0a从事数据分析工作的前提就会需要懂业务，即熟悉行业知识、公司业务及流程，最好有自己独到的见解，若脱离行业认知和公司业务背景，分析的结果只会是脱了线的风筝，没有太大的使用价值。x0dx0a2、懂管理。x0dx0a一方面是搭建数据分析框架的要求，比如确定分析思路就需要用到营销、管理等理论知识来指导，如果不熟悉管理理论，就很难搭建数据分析的框架，后续的数据分析也很难进行。另一方面的作用是针对数据分析结论提出有指导意义的分析建议。x0dx0a3、懂分析。x0dx0a指掌握数据分析基本原理与一些有效的数据分析方法，并能灵活运用到实践工作中，以便有效的开展数据分析。基本的分析方法有：对比分析法、分组分析法、交叉分析法、结构分析法、漏斗图分析法、综合评价分析法、因素分析法、矩阵关联分析法等。高级的分析方法有：相关分析法、回归分析法、聚类分析法、判别分析法、主成分分析法、因子分析法、对应分析法、时间序列等。x0dx0a4、懂工具。x0dx0a指掌握数据分析相关的常用工具。数据分析方法是理论，而数据分析工具就是实现数据分析方法理论的工具，面对越来越庞大的数据，我们不能依靠计算器进行分析，必须依靠强大的数据分析工具帮我们完成数据分析工作。x0dx0a5、懂设计。x0dx0a懂设计是指运用图表有效表达数据分析师的分析观点，使分析结果一目了然。图表的设计是门大学问，如图形的选择、版式的设计、颜色的搭配等等，都需要掌握一定的设计原则。

从数据分析师考试之笔试试题看职业要求一、异常值是指什么？请列举1种识别连续型变量异常值的方法？异常值（Outlier） 是指样本中的个别值，其数值明显偏离所属样本的其余观测值。在数理统计里一般是指一组观测值中与平均值的偏差超过两倍标准差的测定值。Grubbs" test（是以Frank E. Grubbs命名的），又叫maximum normed residual test，是一种用于单变量数据集异常值识别的统计检测，它假定数据集来自正态分布的总体。未知总体标准差σ，在五种检验法中，优劣次序为：t检验法、格拉布斯检验法、峰度检验法、狄克逊检验法、偏度检验法。点评：考察的内容是统计学基础功底。二、什么是聚类分析？聚类算法有哪几种？请选择一种详细描述其计算原理和步骤。聚类分析(cluster analysis)是一组将研究对象分为相对同质的群组(clusters)的统计分析技术。 聚类分析也叫分类分析(classification analysis)或数值分类(numerical taxonomy)。聚类与分类的不同在于，聚类所要求划分的类是未知的。聚类分析计算方法主要有： 层次的方法（hierarchical method）、划分方法（partitioning method）、基于密度的方法（density-based method）、基于网格的方法（grid-based method）、基于模型的方法（model-based method）等。其中，前两种算法是利用统计学定义的距离进行度量。k-means 算法的工作过程说明如下：首先从n个数据对象任意选择 k 个对象作为初始聚类中心；而对于所剩下其它对象，则根据它们与这些聚类中心的相似度（距离），分别将它们分配给与其最相似的（聚类中心所代表的）聚类；然 后再计算每个所获新聚类的聚类中心（该聚类中所有对象的均值）；不断重复这一过程直到标准测度函数开始收敛为止。一般都采用均方差作为标准测度函数. k个聚类具有以下特点：各聚类本身尽可能的紧凑，而各聚类之间尽可能的分开。其流程如下：（1）从 n个数据对象任意选择 k 个对象作为初始聚类中心； 　　　　（2）根据每个聚类对象的均值（中心对象），计算每个对象与这些中心对象的距离；并根据最小距离重新对相应对象进行划分； 　　（3）重新计算每个（有变化）聚类的均值（中心对象）；（4）循环（2）、（3）直到每个聚类不再发生变化为止（标准测量函数收敛）。优点：本算法确定的K 个划分到达平方误差最小。当聚类是密集的，且类与类之间区别明显时，效果较好。对于处理大数据集，这个算法是相对可伸缩和高效的，计算的复杂度为 O(NKt)，其中N是数据对象的数目，t是迭代的次数。一般来说，K<<N，t<<N 。缺点：1. K 是事先给定的，但非常难以选定；2. 初始聚类中心的选择对聚类结果有较大的影响。点评：考察的内容是常用数据分析方法，做数据分析一定要理解数据分析算法、应用场景、使用过程、以及优缺点。三、根据要求写出SQL表A结构如下：Member_ID （用户的ID，字符型）Log_time （用户访问页面时间，日期型（只有一天的数据））URL （访问的页面地址，字符型）要求：提取出每个用户访问的第一个URL（按时间最早），形成一个新表（新表名为B，表结构和表A一致）create table B as select Member_ID, min(Log_time), URL from A group by Member_ID ;点评：SQL语句，简单的数据获取能力，包括表查询、关联、汇总、函数等。另外，这个答案其实是不对的，实现有很多方法，就不贴出来了，大家自己去发挥吧。四、销售数据分析以下是一家B2C电子商务网站的一周销售数据，该网站主要用户群是办公室女性，销售额主要集中在5种产品上，如果你是这家公司的分析师，a) 从数据中，你看到了什么问题？你觉得背后的原因是什么？b) 如果你的老板要求你提出一个运营改进计划，你会怎么做？表如下：一组每天某网站的销售数据a) 从这一周的数据可以看出，周末的销售额明显偏低。这其中的原因，可以从两个角度来看：站在消费者的角度，周末可能不用上班，因而也没有购买该产品的欲望；站在产品的角度来看，该产品不能在周末的时候引起消费者足够的注意力。b) 针对该问题背后的两方面原因，我的运营改进计划也分两方面：一是，针对消费者周末没有购买欲望的心理，进行引导提醒消费者周末就应该准备好该产品；二是，通过该产品的一些类似于打折促销等活动来提升该产品在周末的人气和购买力。点评：数据解读能力，获取数据是基本功，仅仅有数据获取能力是不够的，其次是对数据的解读能力。五、用户调研某公司针对A、B、C三类客户，提出了一种统一的改进计划，用于提升客户的周消费次数，需要你来制定一个事前试验方案，来支持决策，请你思考下列问题：a) 试验需要为决策提供什么样的信息？c) 按照上述目的，请写出你的数据抽样方法、需要采集的数据指标项，以及你选择的统计方法。a) 试验要能证明该改进计划能显著提升A、B、C三类客户的周消费次数。b) 根据三类客户的数量，采用分层比例抽样；需要采集的数据指标项有：客户类别，改进计划前周消费次数，改进计划后周消费次数；选用统计方法为：分别针对A、B、C三类客户，进行改进前和后的周消费次数的，两独立样本T-检验（two-sample t-test）。点评：业务理解能力和数据分析思路，这是数据分析的核心竞争力。综上所述：一个合格的数据分析应该具备统计学基础知识、数据分析方法、数据获取、数据解读和业务理解、数据分析思想几个方面能力。

数据分析师必读书籍 　　有不少人留言希望我推荐数据分析的书单，无论是假日学习还是平时，都值得充电。下文是励志网整理收集的数据分析师必读书籍，供大家参考。 　　数据分析师的必读书单：Excel 　　《谁说菜鸟不会数据分析》 　　知名度比较高的一套书，适合新手，优点是它和数据分析结合，而不是单纯地学习函数。学会函数适用的场景和过程比它本身更重要。 　　是否需要学习VBA是仁者见仁的答案。我个人不建议。Excel VBA的最大优势是适用性广，哪怕去其他行业其他职位，都离不开Excel，这时候它就是一个工作加分的亮点。但是在互联网行业，对数据分析师，VBA的性价比就不高了。 　　这里只推荐一本，因为我就翻过上面这本，还没全看u2026 　　数据分析师的必读书单：数据可视化 　　数据可视化的书不多。市面上多以编程为主，面向新手和设计的教程寥寥无几。 如果只是了解图表，看Excel的书籍也管用。 　　内容很丰富，涉及可视化的方方面面，也囊括更类编程语言和设计软件：Python+JS+R+Excel。作者还有另外一本书《数据之美》。 　　可视化是一门侧重灵感的学科，有一种入门技巧是从他人设计中学习，从模仿开始，了解他人是如何设计的，这个网络上有大量的信息图可以参考。当然数据分析师更需要的是如何发现，别只学习展示。 　　英文足够好，可以看Edward Tufte的著作：《The Visual Display of Quantitative Information》、《Envisioning Information》、《Beautiful Evidence》。他是数据可视化的领军人物，他的理念是反对为艺术效果而混淆或者简化数据。暂时没有中文版。 　　数据分析师的必读书单：分析思维 　　《金字塔原理》 　　分析思维首推《金字塔原理》，金字塔原理有些人说它晦涩难懂，我认为是芭芭拉这个老太有骗稿费之嫌，本书包含了报告、写文、演讲等诸多内容。可以细看可以快看。另外还有一本同名案例集，有兴趣可以买。 　　另外麦肯锡相关的书籍还有《麦肯锡意识》《麦肯锡工具》《麦肯锡方法》等。 　　《深入浅出数据分析》 　　深入浅出系列是对新手非常友好的丛书，用生动但啰嗦的语言讲解案例。厚厚的一本书翻起来很快。本书涉及的基础概念比较广，包含一点统计学知识，学下来对数据分析思维会有一个大概了解。 　　《精益数据分析》 　　国外的精益系列一直以互联网创业作内容导向，本书也属于此类。如果是互联网行业相关，可以看看。它介绍了不同领域的指标，以及产品不同时期的侧重点。案例都是欧美，这部分做参考用。 　　接下来的几本，是兴趣向读物。《黑天鹅》能拓展思维，讲叙了不确定性。《思考的技术》，大前研一的著作，也是咨询类经典。如果对咨询向的分析感兴趣，还可以看BCG系列，或者刷CaseBook。《批判性思维》，则是教你如何形成理性思维。 　　数据分析师的必读书单：SQL 　　数据库有很多种，常见有Oracle，MySQL，SQL Server等。我推荐学习MySQL，这是互联网公司的主流数据库。以后学习Hadoop生态时，MySQL也是最接近Hive语法的语言。 　　MySQL不需要专门看书学习，因为数据分析师以查询为主，不需要考虑数据性能、数据安全和架构的问题。使用搜索引擎能解决90%的问题，我就是w3cschool学的。 　　《MySQL必知必会》 　　如果真想买书看，可以看这本，适合新手向的学习，看基础概念和查询相关的"章节即可。网络上大部分MySQL都是偏DBA的。 　　如果想深入，可以看《高性能MySQL》，对分析师没啥用。至于另外一个方向NoSQL，对入门者还是小众了些。 　　如果有余力，就学习正则表达式吧，清洗数据的工作就靠它了。 　　数据分析师的必读书单：统计学 　　统计学是比较大的范围，分析师往后还需要学线性代数和矩阵、关系代数等。初学者不需要掌握所有公式定理的数学推导，懂得如何应用就行用。 　　《深入浅出统计学》 　　大概是最啰嗦的深入浅出系列，从卖橡皮鸭到赌博机的案例，囊括了常用的统计分析如假设检验、概率分布、描述统计、贝叶斯等。书本注重应用和趣味性，数学推理一般。 　　《商务与经济统计》 　　国外的经典教材，已经出到第十二版了。国外教材都有丰富有趣的案例，所以读起来会比国内的轻松不少。如果你还在读书，不妨买这本看一看。 　　名字既然有商务与经济，所以书中辅以了大量的相关案例。书内容很多，看起来不会快，适合细读。 　　《The Elements of Statistical Learning》 　　稍微有一些难度的英文书籍，属于进阶版统计学，国外很推崇。如果要往机器学习发展，这本书可以打下很好的基础。 　　以上书籍的难度是逐步递增的。统计学是机器学习的基础，是概率、矩阵等实际应用。现在已经有很多统计工具，Excel的分析工具库、传统行业的SPSS、SAS以及R、Python等，使用过程都不用计算推导，大学考试才会考，现在都是计算机解决，轻松不少。 　　数据分析师的必读书单：业务知识 　　不同领域的业务知识都不一样，这里以互联网举例。 　　《增长黑客》 　　增长黑客的概念就是随着这本书的畅销传播开来。增长黑客在国内即是数据分析+运营/产品的复合型人才。这本书好的地方在于拓展思路，告诉我们数据能够做什么，尤其是连AB测试都不清楚的新人。 　　实际涉及的业务知识不多，我推荐，是希望新人能够了解数据驱动的概念，这本算是我走上数据化运营的启蒙读物了。 　　《从零开始做运营》 　　知乎亮哥的书籍，互联网所有的数据都是和运营相关的，如果是新手，就以此学习业务知识。如果已经工作很多，就略过吧。 ;

专业、熟练、成熟的数据分析师可以说是高级工程师，但不同考试、认证、证书有不同的评价标准，不能一概而论。就行业而言，数据分析师的价值与此类似。就新闻出版行业而言，无论在任何时代，媒体运营者能否准确、详细和及时地了解受众状况和变化趋势，都是媒体成败的关键。此外，对于新闻出版等内容产业来说，更为关键的是，数据分析师可以发挥内容消费者数据分析的职能，这是支撑新闻出版机构改善客户服务的关键职能。数据分析师的技能要求：1、懂业务。从事数据分析工作的前提就会需要懂业务，即熟悉行业知识、公司业务及流程，最好有自己独到的见解，若脱离行业认知和公司业务背景，分析的结果只会是脱了线的风筝，没有太大的使用价值。2、懂管理。一方面是搭建数据分析框架的要求，比如确定分析思路就需要用到营销、管理等理论知识来指导，如果不熟悉管理理论，就很难搭建数据分析的框架，后续的数据分析也很难进行。另一方面的作用是针对数据分析结论提出有指导意义的分析建议。3、懂分析。指掌握数据分析基本原理与一些有效的数据分析方法，并能灵活运用到实践工作中，以便有效的开展数据分析。基本的分析方法有：对比分析法、分组分析法、交叉分析法、结构分析法、漏斗图分析法、综合评价分析法、因素分析法、矩阵关联分析法等。高级的分析方法有：相关分析法、回归分析法、聚类分析法、判别分析法、主成分分析法、因子分析法、对应分析法、时间序列等。4、懂工具。指掌握数据分析相关的常用工具。数据分析方法是理论，而数据分析工具就是实现数据分析方法理论的工具，面对越来越庞大的数据，我们不能依靠计算器进行分析，必须依靠强大的数据分析工具帮我们完成数据分析工作。5、懂设计。懂设计是指运用图表有效表达数据分析师的分析观点，使分析结果一目了然。图表的设计是门大学问，如图形的选择、版式的设计、颜色的搭配等等，都需要掌握一定的设计原则。以上内容参考：百度百科-数据分析师

也许，我们爱的太早，怠慢了缘分，也许我们爱的太晚，怠慢了岁月，也许我们爱得不够深，不会珍惜，漫漫红尘路，我们就没有爱的刚刚好。如今的你，我只知道在世界的某一个地方，不知你是否有了新的爱人，陪你日 幸 运 飞艇大数据分析师出到日幕，也不知你是否依然独自一人，正走在茫茫的人海中，想要去找你，但你曾说过，世界是圆的，如果此生还有余缘，无论我们走得多远，都还能相遇。

数据分析师是数据师的一种，指的是不同行业中，专门从事行业数据搜集、整理、分析，并依据数据做出行业研究、评估和预测的专业人员。 数据分析师必学软件 1、Excel 只要谈到数据处理，数据分析，Excel是无论无何躲不开的。大概率也是现在每个人都在用的。在Office组件里，Excel应该是被关注最多，使用频率最高的组件了。从功能上来说，Excel好像无所不能，能存数据、画表格、图表、画图，写文章，还能做简单的系统。 2、Access Access是一个小型数据库软件，也是Office系列套装组件之一，是和Excel一起推出的，Access是个人建立自己的数据仓库，开启你数据之旅的起点，在Access里你可以，创建数据表之间的关系，创建查询，来练习SQL语法，这些都是入门SQL语言的起点，也是培养你数据思维的基础。 3、SQL基础操作 企业内部的数据，要通过SQL数据软件来分析内部数据的组成，当你了解了内部数据的构成，这往往是不够的，我们要把我们的数据与外部数据作对比，这样才能得到一个准确的信息。 4、Tableau 可视化利器，Tableau绝对是所有数据分析师的必备品，作为2003年就已经面市，经过10个版本的升级迭代，Tableau已经是一款非常完善的数据可视化工具。 5、Python基础操作及原理 外部数据我们是通过Python来找到，SQL可能很多人都听说过，但是Python对于很多人就比较陌生了，其实Python离我们最近只不过很少听到它的名字，现在大多的搜索引擎都是采用Python语言来编写的，俗称网络爬虫、蜘蛛爬虫这样说就明白了吧。大数据分析师学会了这两个软件基本上就能够掌握准确的数据，没错一个是内部数据一个是外部数据。 数据分析师技能要求 1、懂业务。从事数据分析工作的前提就会需要懂业务，即熟悉行业知识、公司业务及流程，最好有自己独到的见解，若脱离行业认知和公司业务背景，分析的结果只会是脱了线的风筝，没有太大的使用价值。 2、懂管理。一方面是搭建数据分析框架的要求，比如确定分析思路就需要用到营销、管理等理论知识来指导，如果不熟悉管理理论，就很难搭建数据分析的框架，后续的数据分析也很难进行。另一方面的作用是针对数据分析结论提出有指导意义的分析建议。 3、懂分析。指掌握数据分析基本原理与一些有效的数据分析方法，并能灵活运用到实践工作中，以便有效的开展数据分析。基本的分析方法有：对比分析法、分组分析法、交叉分析法、结构分析法、漏斗图分析法、综合评价分析法、因素分析法、矩阵关联分析法等。高级的分析方法有：相关分析法、回归分析法、聚类分析法、判别分析法、主成分分析法、因子分析法、对应分析法、时间序列等。 4、懂工具。指掌握数据分析相关的常用工具。数据分析方法是理论，而数据分析工具就是实现数据分析方法理论的工具，面对越来越庞大的数据，我们不能依靠计算器进行分析，必须依靠强大的数据分析工具帮我们完成数据分析工作。 5、懂设计。懂设计是指运用图表有效表达数据分析师的分析观点，使分析结果一目了然。图表的设计是门大学问，如图形的选择、版式的设计、颜色的搭配等等，都需要掌握一定的设计原则。

数据分析师需要学习统计学、编程能力、数据库、数据分析方法、数据分析工具等内容，还要熟练使用Excel，至少熟悉并精通一种数据挖掘工具和语言，具备撰写报告的能力，还要具备扎实的SQL基础。1、数学知识数学知识是数据分析师的基础知识。对于初级数据分析师，了解一些描述统计相关的基础内容，有一定的公式计算能力即可，了解常用统计模型算法则是加分。2、分析工具对于初级数据分析师，玩转Excel是必须的，数据透视表和公式使用必须熟练，VBA是加分。另外，还要学会一个统计分析工具，SPSS作为入门是比较好的。对于高级数据分析师，使用分析工具是核心能力，VBA基本必备，SPSS/SAS/R至少要熟练使用其中之一，其他分析工具（如Matlab）视情况而定。3、编程语言对于初级数据分析师，会写SQL查询，有需要的话写写Hadoop和Hive查询，基本就OK了。对于高级数据分析师，除了SQL以外，学习Python是很有必要的，用来获取和处理数据都是事半功倍。当然其他编程语言也是可以的。数据分析师可从事：IT系统分析师、数据科学家、运营分析师、数据工程师。更多职业教育培训，请查看：https://wenda.hqwx.com/catlist-3.html/?utm_campaign=baiduhehuoren

数据分析师指的是不同行业中，专门从事行业数据搜集、整理、分析，并依据数据做出行业研究、评估和预测的专业人员。互联网本身具有数字化和互动性的特征，这种属性特征给数据搜集、整理、研究带来了革命性的突破。以往“原子世界”中数据分析师要花较高的成本（资金、资源和时间）获取支撑研究、分析的数据，数据的丰富性、全面性、连续性和及时性都比互联网时代差很多。与传统的数据分析师相比，互联网时代的数据分析师面临的不是数据匮乏，而是数据过剩。因此，互联网时代的数据分析师必须学会借助技术手段进行高效的数据处理。更为重要的是，互联网时代的数据分析师要不断在数据研究的方法论方面进行创新和突破。就行业而言，数据分析师的价值与此类似。就新闻出版行业而言，无论在任何时代，媒体运营者能否准确、详细和及时地了解受众状况和变化趋势，都是媒体成败的关键。此外，对于新闻出版等内容产业来说，更为关键的是，数据分析师可以发挥内容消费者数据分析的职能，这是支撑新闻出版机构改善客户服务的关键职能。技能要求1、懂业务。从事数据分析工作的前提就会需要懂业务，即熟悉行业知识、公司业务及流程，最好有自己独到的见解，若脱离行业认知和公司业务背景，分析的结果只会是脱了线的风筝，没有太大的使用价值。2、懂管理。一方面是搭建数据分析框架的要求，比如确定分析思路就需要用到营销、管理等理论知识来指导，如果不熟悉管理理论，就很难搭建数据分析的框架，后续的数据分析也很难进行。另一方面的作用是针对数据分析结论提出有指导意义的分析建议。3、懂分析。指掌握数据分析基本原理与一些有效的数据分析方法，并能灵活运用到实践工作中，以便有效的开展数据分析。基本的分析方法有：对比分析法、分组分析法、交叉分析法、结构分析法、漏斗图分析法、综合评价分析法、因素分析法、矩阵关联分析法等。高级的分析方法有：相关分析法、回归分析法、聚类分析法、判别分析法、主成分分析法、因子分析法、对应分析法、时间序列等。4、懂工具。指掌握数据分析相关的常用工具。数据分析方法是理论，而数据分析工具就是实现数据分析方法理论的工具，面对越来越庞大的数据，我们不能依靠计算器进行分析，必须依靠强大的数据分析工具帮我们完成数据分析工作。5、懂设计。懂设计是指运用图表有效表达数据分析师的分析观点，使分析结果一目了然。图表的设计是门大学问，如图形的选择、版式的设计、颜色的搭配等等，都需要掌握一定的设计原则。[1]其他要求良好的沟通交流能力，文字语言表达能力，较好的逻辑分析能力；具有独立的产品策划开发能力，项目管理，商务沟通能力；强烈责任心，开放的性格，良好的沟通能力； 擅于协作，具备良好的团队合作精神；能够在压力下开展工作；善于学习。当前数据分析师分为数据分析员（四级），数据分析员（三级），数据分析师（二级），数据分析师（一级）共计四个等级。考试时应该会有通知的 你可以找些认识的人打听一下

第一职场网“教练式”职业规划有专门针对数据分析师的职业规划，包括入门、职业成长路径设计及行业选择，你可以关注一下。

大数据行业就业薪资吸引了很多人的关注，不过大数据技术的特色在于对海量数据进行分布式数据挖掘，会用到大规模并行处理(MPP)数据库、数据挖掘、分布式文件系统、分布式数据库、云计算平台、互联网和可扩展的存储系统等技术点，参加专业的学习成为了人们的普遍选择。大数据时代已经来临，大数据人才的高薪前景可期。如果你想快速学习大数据技术，更多需要的是付出时间和精力。可以根据自己的实际需求去实地看一下，先好好试听之后，再选择适合自己的。只要努力学到真东西，前途自然不会差。

数据分析师指的是不同行业中，专门从事行业数据搜集、整理、分析，并依据数据做出行业研究、评估和预测的专业人员。主要工作就是通过数据去解决企业实际遇到的问题，包括根据数据分析的原因和结果推理以及预测未来进行制定方案、对调研搜集到的各种产品数据的整理、对资料进行分类和汇总等等……现在数据分析这一行在国内才刚刚起步，很多企业都需要这方面的人才，发展空间很大，是很有潜力的。

这个问题也是学员经常问到的。这里我做一个详细的区分。关于CPDA，CPDA全名叫项目数据分析师，在国内做培训比较早，课程内容主要针对的是基于传统企业在投资管理领域的项目分析，类似MBA，以数据支持来进行业务层面的管理和分析，课程包括《量化投资》等知识内容，应该说投资类企业的管理层适合学习CPDA来进行管理层面的分析和指导。x0dx0a关于CDA，CDA全名是数据分析师，是真正意义上的数据分析，为什么说真正意义，因为一名合格的数据分析师他需要具备的能力有以下几点：x0dx0a1、统计概率基础；x0dx0a2、数据分析模型方法；x0dx0a3、工具的运用。x0dx0a如果这些技术没有，也不可能会玩数据分析。所以，CDA主要是针对数据分析师必备能力的技术性培训，是从数据的获取，储存，整理，清洗，分析，检验到结果报告一个整体的流程，其中每一个环节会涉及到很多知识技巧，这些都是在培训中老师手把手地教学。x0dx0a 因此，对于这两者的区别，我想大家应该有一个清晰的认识，如果您是管理者，尤其是金融领域的管理者，可以选择CPDA；如果你是在一线从事数据分析相关的职业，或者是0基础入门的，想掌握和提高数据分析的技术，这时你可以选择CDA。

CDA Level I报考条件：无要求。考试时间：随报随考。CDA Level II报考条件：需通过LEVEL I认证。考试时间：随报随考。CDA Level Ⅲ报考条件：需通过LEVEL II认证。考试时间：一年四届(3、6、9、12月的最后一个周六)，每届考前一个月截止该届报名。

CDA的数据分析师的考试是适合没有数据基础的考生的，考试的内容都是比较基础的知识，对于刚接触数据分析工作的考生是个不错的选择的。有了一定的数据基础后，是可以继续报考CPDA的数据分析师的考试的，何况现在数据分析师的发展前景是不错的，以后的薪资待遇还是可以的，我之前学习数据分析的时候是有在中鹏考CDA的证书的，是可以学到一些东西的。

level1是业务分析师 level2是建模分析师和大数据分析师 level3 是数据科学家，level3比较难考，相比较前两个还是比较好考的。你报名成功后给你发考题大纲和模拟题，只要认真看大纲和做模拟题，通过还是不难的。CDA数据分析师认证的含金量还是很高的，获得CDA数据分析师中英文双认证，中文证书是由经管之家认证，英文证书由CDA INSTTUTE认证。而且是很有权威性的，如中国银行、招商银行、中国烟草、中国电信、国家电网、苏宁易购等企业的机构的认可。考试与国家知名考试服务机构Pearson VUE合作，随报随考，专家命题，评分公平，流程严格，更具含金量。

CDA（CertifiedDataAnalyst），即“CDA数据分析师”，是大数据和人工智能时代面向国际范围全行业的数据分析专业人才职业简称，具体指在互联网、金融、咨询、电信、零售、医疗、旅游等行业专门从事数据的采集、清洗、处理、分析并能制作业务报告、提供决策的新型数据分析人才。“CDA数据分析师认证”是一套科学化，专业化，国际化的人才考核标准，共分为CDALEVELⅠ，LEVELⅡ，LEVELⅢ三个等级，涉及行业包括互联网、金融、咨询、电信、零售、医疗、旅游等，涉及岗位包括大数据、数据分析、市场、产品、运营、咨询、投资等。该标准符合当今全球数据科学技术潮流，可以为各行业企业和机构提供数据人才参照标准。CDA数据分析师行业标准由国际范围数据科学领域的行业专家、学者及知名企业共同制定并每年修订更新，确保了标准的公立性、权威性、前沿性。通过CDA认证考试者可获得CDA数据分析师中英文认证证书。CDA与CFA、CPA类似，是数据分析行业必考的证书。

CPDA全名叫项目数据分析师，国内最早的数据分析培训，原先是信息产业部在组织，目前由中商联数据分析专业委员会和工信部教育与考试中心主管，内容主要针对的是基于企业在投资、经营、管理领域的分析，类似MBA课程。课程包括《数据分析基础》、《战略管理》、《量化投资》、《量化经营》等，涵盖企业运营的每个环节，以数据分析方法来进行管理、经营、投资等分析，应该说企业的管理层适合学习CPDA来进行管理层面的分析和指导。目前很多课程没有实际可操作模型，而CPDA就有，其中介绍很多企业生产、管理、经营、投资分析和决策的案例和模型，目的也是为了使广大学员能够在管理岗位上能够有理论支持、实际模型可操作，使大家有切实可操作的实际模型去分析。CDA全名是数据分析师，由中国人民大学经济论坛主办。主要是讲数据分析方法、技术和软件操作为主。因此，对于这两者的区别，我想大家应该有一个清晰的认识，如果您是已经工作有数据分析基础技术的，想做到管理层，可以选择CPDA。

全国统考为四次，大致时间为每年3、6、9、12月中旬左右进行考试，登陆项目数据分析师官网可查询具体考试时间。考试费用8800。数据分析发展前景很好，毕竟数据分析这一行在国内才刚刚起步，很多企业都需要这方面的人才，是很有潜力的，这一行偏商科，技术辅助。真正的大牛不是数据分析工具技术，而是用数据帮助企业在产品、价格、促销、顾客、流量、财务、广告、流程、工艺等方面进行价值提升的人。像我本人就是自学的数据分析师然后毕业后去了决明工作，现在基本实现了财务自由，但想成为大数据分析师的话，需要日积月累坚持沉淀下去，相信你总有一天也能达到这个层次。

CDA(Certified Data Analyst)，即“CDA数据分析师”，是大数据和人工智能时代面向国际范围全行业的数据分析专业人才职业简称，具体指在互联网、金融、咨询、电信、零售、医疗、旅游等行业专门从事数据的采集、清洗、处理、分析并能制作业务报告、提供决策的新型数据分析人才。全球CDA持证者秉承着先进商业数据分析的新理念，遵循着《CDA数据分析师职业道德和行为准则》新规范，发挥着自身数据科学专业能力，推动科技创新进步，助力经济持续发展。CDA数据分析师行业标准由国际范围数据科学领域的行业专家、学者及知名企业共同制定并每年修订更新，确保了标准的公立性、权威性、前沿性。通过CDA认证考试者可获得CDA数据分析师中英文认证证书。

就是CDA数据分析师协会等级认证证书，CDA数据分析师证书由CDA数据分析师协会官方颁发，此证书在国内需通过人大经济论坛举办的CDA等级认证考试后获得。此证书可作为企业事业单位选拔和聘用专业人才的任职参考依据。学习CDA不错，我同事和我就是学CDA数据分析师的，现在工作工资非常可观，现在这年头学这个还能多挣钱，有没有这方面基础都可以学啊，非常适合我们学。

最近收到了不少数据分析朋友的吐槽和抱怨：Title 是数据分析，结果天天做着提数的工作，没有技术含量分析结论都是运营和产品向老板汇报，没自己什么事别人家的数据分析都是各种算法和模型，为什么到了自己就是提数和提数上面这些情形不管是在大公司还是小公司都是很常遇见的，如果你经常处于类似的工作状态下，那么一定时间后，你将失去两项核心竞争力：技术深度和业务深度。本文聊一下三个内容：为什么数据分析会变成提数工程师数据分析该如何改变提数工程师的命运，充分发挥数据分析的作用聊一下其它岗位的类似情况一、为什么成了提数工程师？为什么做数据分析会变成提数工程师？我们来看一下数据分析的大致工作流程：1. 问题提出；2. 数据获取；3. 数据处理；4. 数据分析与建模；5. 数据结论输出。由于现在大部分互联网公司的产品和运营相对更靠近业务，因此这两个角色更容易发现和提出问题，如果数据分析师的主动性比较弱，那就会变成了如下这样的工作分工：【产品或运营】问题提出【数据分析】数据获取【数据分析】数据处理【数据分析】数据分析与建模【产品或运营】数据结论输出也就是说，问题提出 这个重要的环节不属于数据分析师负责，按照上面的模型运行的时间一长，数据分析基本就变成了帮助产品或运营验证想法的工具。因此我们可以得到第一个原因：问题提出权不在数据分析师，数据分析只能去实现产品和运营的想法！如果问题不是由数据分析师提出，再加上数据分析师的主动性差一些，那就会变成这种情况：产品或运营提一个需求，分析师就按需求实现一下，不需要思考太多，按需求做就好。这样的结果是，很多分析问题都会很简单，因为产品和运营并不太了解数据分析师能提供的能力。我们得到第二个原因：产品和运营可能会提出相对简单的问题，数据分析机械去执行即可，不需要过多的技术深度。在上述两种原因的影响下，数据分析也会逐渐失去主动性，最终沦为提数工具。二、如何优雅地进行数据分析工作前面抛出了问题和可能的原因，那么我们该如何去改进呢？毕竟没有谁愿意只做个机械的提数工具的。总的来讲，主观能动性是解决问题的最重要的因素。细分来讲，可以从下面几个角度来改变：积极主动地发现和提出问题，如果产品或运营已经抛出了问题，那就去深入详细的了解问题的背景提供更多的分析思路和自己的见解，帮助产品和运营同学打开思路，让对方知道数据分析可以提供的能力持续跟进分析结论的效果和反馈，不断改进和优化优化数据分析的流程，加入数据分析师可以更多参与的环节举个栗子上面说的太虚，我们举个例子来说明：需求：假设运营同学提出了这样一个数据分析需求：最近我们网站的DAU降低了，麻烦你提个数据，看一下近30天我们各个模块的DAU是什么样子的。解决方案一：假设我只是想简单地完成这个需求，那么很简单，我只需要做这三件事即可：2. 数据获取；3. 数据处理；4. 数据分析与建模。到这个场景里面，可能就是从数据里面捞一下我们网站数据里面各个模块的DAU情况，提供给运营就行了，不需要多复杂的处理，甚至如果有现成的报表，简单导出来一个excel即可。那么当运营拿到数据后，就可以看出哪一个模块的DAU降低，简单看一下原因后写在报告里面即可。解决方案二：我们当然不希望是上面这种解决方案这么低的参与感。那么，该如何做呢？首先，我们可以改进我们的分析流程：问题提出：通过监控或者主观的数据敏感度，提前来发现相应的数据问题，比如DAU下降，是可以通过监控平台来提前发现DAU的下降确定分析目标和产品诉求：需求中只是要看各模块的DAU趋势，但运营同学更想要的是找到为什么整体DAU会下降，找到原因并优化该问题。我们需要和运营童鞋沟通并get相应的点收集假设：运营同学提出要看各模块的DAU，这只是运营提出的一种猜测，让我们提相应的数据去验证该猜测。我们既然知道了运营童鞋的诉求，在盲目地直接捞数据之前，可以提出一些假设，比如说：是不是某种浏览器的兼容出现了问题，是不是某种类型的用户对我们的网站感兴趣度降低了，是不是某个模块出现了问题，等等。设计指标：有了假设，我们就可以根据相应的假设设计一些统计指标或者相应的分析方法，比如看不同用户画像的用户近期的访问情况、不同浏览器用户的访问情况、不同模块的访问情况。设计验证方法和建模：有了假设，有了指标，我们就可以设计相应的方案来验证我们的假设是否正确，这时就可以用到相应统计学和机器学习的方法，当然用户画像也是很重要的一环。确定分析结论和运营策略：最终，根据前面的步骤，我们再提供相应的分析结论给到运营侧，此时，我们提供的就不是简单的一个数据，而是一整套的数据分析报告。效果验证和改进：一定要关注数据分析的效果，比如你的报告中提出了DAU降低是由于18-25岁年龄的用户大量流失，相应的运营策略是增加年轻化的内容，那你就要关注该策略上线前后的数据变化，数据是否按照你们假象的方向来发展，如果不符合预期就要相应的做调整。如此，这才是相对优雅的数据分析流程。在改进分析流程之外，我们可以提供更多的自助分析工具，比如BI工具。让产品和运营能够更多地自助验证自己的想法，将数据分析师的工作从提数中解脱。这一块，我之前写过不少用BI工具来做分析的方案，就不再展开细讲。三、思考其实，除了数据分析师之外，数据仓库和数据开发同学都会面临类似的困境，在很多分工不明确的公司中，这种提数需求是可以落在任意的数据同学身上，不同的是各个角色解决该问题的角度是不同的。简单来讲：数据分析师：更多地要去深入到业务的需求中去，帮助产品、运营或者老板思考，通过更多的思考来帮助需求方设计更好的分析思路数据仓库工程师：数仓同学的侧重点更多地在数据模型的设计，设计出更灵活的数据模型来支持多样性的分析提取需求数据开发工程师：开发同学呢，则可以更多地侧重于工具的建设，比如OLAP系统的建设，自助分析工具的建设等等。总结总结一下本文的内容：本文通过【数据分析师做成了提数工程师，该如何改变这种现状？】 这一个问题，引出了造成这种现象的两大原因：问题提出权不在数据分析师，数据分析只能去实现产品和运营的想法！产品和运营可能会提出相对简单的问题，数据分析机械去执行即可，不需要过多的技术深度。针对这两个原因，我们提出了两个解决方法：改进分析流程提供更多的自助分析工具

数据分析师要学会数据分析思维、编代码、懂数据库、统计、数据、等技能，还要懂业务、懂管理等。而且作为数据分析师，Excel是必备技能。个人以为要成为一名优秀的数据分析师，除了应具备专业知识外，成熟的人格、宽泛的视野也是必须要具备的。

一、在上海，口碑好、就业率高的培训班有：企赢培训学院、传智播客培训学院、产品手记培训机构、传一培训机构、黑马高端培训机构。具体介绍如下：1、企赢培训学院：企赢培训学院的优势，企业自己的案例和业内标杆企业案例结合，讲师针对性讲解；多年研发企业的研发实践和产品管理经验总结，课程系统全面。从市场需求到产品规划整个过程中具体工具和方法介绍；小组方式实际演练，体会上述工具在市场需求分析、产品规划中的运用。2、传智播客培训学院：传智播客培训学院于每年暑期举办“全国高校IT骨干教师师资培训”独家承办由工业和信息化部软件与集成电路促进中心举办的“国家信息技术紧缺人才培训工程（软件开发与应用）全国骨干教师暑期研修班”，共有195所院校的617名教师参加培训。传智播客已经建立自己的大学，打造涵盖中小学基础教育、职业教育、继续教育在内的全套教育生态链，从开端启蒙教育到成年后的职业应用教育，从根本上解决以“人”为单位的系统化教育培训问题。3、产品手记培训机构：产品手记培训机构具有完全真实互联网公司化教学体制，BAT产品专家（职位高于总监）全天面授，全方位产品干货及实战经验指导，根据个人实际工作经验定向培养特定方向的产品经理。产品专家亲临面授，互动性强，可以更快速吸引产品知识；一周五天脱产学习，学习持久，全方向提升产品综合能力；每期限定15人上课，精品小班，更有针对性地培养每位学员。4、传一培训机构：传一大数据培训机构拥有自主研发的全套系列理论教材、项目实战手册， 以及完善项目管理体系及MOOC线上教学平台。在如此完善的学术沉淀的引领下，造就了数千人的成功就业， 同时获得了众多省内知名企业的认可；先后与星网锐捷、网龙、睿能、万利达、鑫诺、厦华、雅迅、巨龙等知名企业签订人才战略合作， 并为网龙、中国邮政、亿力科技、日立集团等多家大型企业实施员工内训。 高质量的师资团队保证了传一科技高水平、高质量的教学。5、黑马高端培训机构：黑马高端大数据培训机构已经建立自己的大学，打造涵盖中小学基础教育、职业教育、继续教育在内的全套教育生态链，从开端启蒙教育到成年后的职业应用教育，从根本上解决以人为单位的系统化教育培训问题。二、交大数据分析师课程的教学方法：交大数据分析师课程一直致力于中国人快速快乐学财务的研究与实践，率先提出“大财务”教育理念，全面搭建“面授教学、 在线教学、移动教学、游戏教学”四位一体分享式财务学习生态链，真正实现了快速快乐学财务的理想效果。经过多年的研究与发展，为会计从业人员与财经类专业大学生，提供考试培训、继续教育、实务操作与就业服务，为全国各类企业，提供代理记账服务与财税咨询服务，已形成“考试培训、继续教育、实务操作、财税咨询、就业服务”五位一体完善的教育体系。

数据分析师主要工作就是通过数据去解决企业实际遇到的问题，包括根据数据分析的原因和结果推理以及预测未来进行制定方案、对调研搜集到的各种产品数据的整理、对资料进行分类和汇总等等发展前景很好，毕竟数据分析这一行在国内才刚刚起步，很多企业都需要这方面的人才，是很有潜力的，这一行偏商科，技术辅助。真正的大牛不是数据分析工具技术，而是用数据帮助企业在产品、价格、促销、顾客、流量、财务、广告、流程、工艺等方面进行价值提升的人。像我本人就是自学的数据分析师然后毕业后去了决明工作，现在基本实现了财务自由，但想成为大数据分析师的话，需要日积月累坚持沉淀下去，相信你总有一天也能达到这个层次。

数据分析师主要工作就是通过数据去解决企业实际遇到的问题，包括根据数据分析的原因和结果推理以及预测未来进行制定方案、对调研搜集到的各种产品数据的整理、对资料进行分类和汇总等等发展前景很好，毕竟数据分析这一行在国内才刚刚起步，很多企业都需要这方面的人才，是很有潜力的，这一行偏商科，技术辅助。真正的大牛不是数据分析工具技术，而是用数据帮助企业在产品、价格、促销、顾客、流量、财务、广告、流程、工艺等方面进行价值提升的人。像我本人就是自学的数据分析师然后毕业后去了决明工作，现在基本实现了财务自由，但想成为大数据分析师的话，需要日积月累坚持沉淀下去，相信你总有一天也能达到这个层次。