入行数据分析，你考虑清楚了吗？
我经常碰见一些入门的、转行的圈友来问：老大，我想快速提升我的数据分析能力，如何进行？
一般回答这个问题前，我必问的几个问题
- 你现在什么背景？
- 你未来想做什么？
- 你的焦虑出现在什么地方？
- 预期是什么样子的？有没有明确的目的
在回答这个问题前，我想先对数据分析师本身来一个准确的定位分析
我们常见的几个数据分析师划分，主要包含这6大类，当然每一类其实也有自己的层级，我只是做一个简单的区分，让大家有一个基本的概况
A类：商业分析师 特点：上手快、深入难
主要的工作：帮助业务、市场以及管理层做一些数据的洞察，还原数据的本质，讲述数据的故事，要很清楚的了解市场要什么？用户爱什么？
需要掌握的：
硬性技能：SQL、EXCEL、PPT
软性技能：表达能力、视觉思维、逻辑性强、思维清晰，特别是沟通能力！！！
掌握的方法论：ABtest、AAARRR、SWOT、RFM、28原则、5W2H等
掌握的统计学：常规统计指标（均值、中位数、分位数、T检验等)、回归、聚类、因子、决策树、逻辑回归等，这些足够了
加分项：图表可视化、结构化思维、金字塔原理、千万级数据处理经验（这类一般1年遇不到几次）
注意：掌握一些宏观数据的获取方式，没事的时候多收集一些，自己根据所在行业而定，从事互联网或者移动互联网的话，最好掌握一种自助式BI工具，比如Google Analytics、百度统计、taklingdata、神策数据等
总结：不一定技术强、算法掌握牛，但一定要能深入行业、深入场景
B类：初级分析师 表哥表姐表神图爹图奶
主要的工作：协助业务或者上级完成一些常规的需求，这类一般是别人要什么，我们做什么，但是在不同的行业，不同的部门做的事情差异还是很大
需要掌握的：
硬性技能：SQL、EXCEL、PPT、pythonspssR任选其一，根据场景而定
软性技能：沟通能力、抗打击能力、数据管理能力（数据库和数据字典）
掌握的方法论：ABtest、AAARRR、SWOT、RFM、5W2等，不知道也能干
掌握的统计学：常规统计指标（均值、中位数、分位数等)、回归、聚类、因子、决策树、逻辑回归等，这些足够了，但基本高级的模型用不上，定位决定
加分项：图表可视化、语言表达、书写表达
突破：要自己根据环境主动参与一些讨论，承担一些从无到有的分析，从被动变为主动
总结：纯人工智能提数机
C类：数据分析师 每个人的梦想，独当一面
主要的工作：除了被动的常规分析外，还要能主动发现业务存在的问题，会用数据找事，梳理业务发展与指标体系之间的关系，从日常监督分析开始，更多的是专题性的分析，无中生有
需要掌握的：
硬性技能：SQL、EXCEL、PPT、pythonspssR任选其一，tableaupowerbi，也要懂一些BI工具、市面上流行的数据产品
软性技能：沟通能力、表达能力、逻辑思维强
掌握的方法论：ABtest、AAARRR、SWOT、RFM、28原则、5W2H，用户及产品生命周期等
掌握的统计学：常规统计指标（均值、中位数、分位数等)、回归、聚类、因子、决策树、逻辑回归、机器学习等，这些足够用了
加分项：图表可视化、PPT展示、系统性思维、在行业有很多认识和沉淀
要点：算法、技术、工具、业务混为一体，样样都要懂
总结：这类目前市场上很紧缺，被称为稀缺动物
D类：BI工程师 分析师中的程序员，很纯的那种
主要的工作：和数据的ETL打交道多，主要做数据规范、数据仓库、业务需求报表开发、多维度呈现等
需要掌握的：
硬性技能：数据库技术、数据仓库、Informatica, Datastage，Kettle，还有一些厂家的展示产品Business Objects, Cognos，常用梳理工具
ERwin、echarts等
软性技能：理解能力、表达能力、思维缜密
掌握的方法论：无，基本人家让干啥咱干啥
掌握的统计学：常规统计指标（均值、中位数、分位数等)、回归、聚类、因子、决策树、逻辑回归等，
加分项：技术过硬，有过大型BI建设经验，既能干DBA又能干BI、视觉思维
突破：这些人比一般的数据分析师更懂底层，缺少的只是与业务的融合，看自己的定位了
总结：绝对的苦逼，容易吐血那种，常常怀疑人生
E类：算法工程师 就是你们班技术最强那个人
主要的工作：做算法、搞研发、创新算法
需要掌握的：
硬性技能：数据库技术、hadoop、python、R、spark等等
软性技能：理解能力、表达能力、思维能力
掌握的方法论：懂一些常见的即可
掌握的统计学：各种算法都要精通，而且在不同的场景下，要自己开发新算法
加分项：算法很熟悉、技术没得说、学历高
总结：工资高、压力大，经常断片
F类：大数据分析师 现在改名了，叫人工智能专家
主要的工作：做算法、建平台、构建大生态、做产品，搞优化
这类我没干过，但干的一定都是专家，从0到1干起来的那种很吃香，但很多是大”忽悠“
最后，总结一下
等你明白了上面不同的定位的时候，接下来我们再讨论你学习的方向和要突破的地方，是不是更加清晰一些
针对要转行就业的小伙伴
不管你之前什么背景，都建议你从商业分析师和初级分析师去入手，集中精力学好常用的工具，先从咱们的数据分析入门课开始，自己掌握数据分析的流程和方法论，这期间一定要补充自己的统计学，工具放在后面去学，至于编程还是非编程线路，自己根据自己的兴趣和目标公司去设定，这样事半功倍，千万不要一上来就学工具
接下来我们看看这个行业未来的前景：
全球最顶尖管理咨询公司麦肯锡(McKinsey)出具的一份详细分析报告显示，预计到2018年，大数据或者数据工作者的岗位需求将激增，其中大数据科学家的缺口在140000到190000之间，对于懂得如何利用大数据做决策的分析师和经理的岗位缺口则将达到1500000!
美国企业与高等教育论坛（BHEF）与普华永道（PWC）近期发布的重要报告 指出“数据分析的人才需求每年都在增长，而每年的高校毕业生数量远远无法满足行业需求。” 也就是说数据分析师是现在的一个行业热门，当然也已经有越来越的人开始向数据方向进修。
约23%的毕业生掌握数据科学与数据分析技能，69%的雇主希望求职者具备数据分析技能。
数据分析应用于不同的工作岗位，已成为一种职业技能，而非专业职位
- 帮助企业识别机会、规避风险；
- 帮助企业诊断问题、亡羊补牢；
- 帮助企业评估效果、改进营销；
- 帮助企业提高效率、加强管理
来自搜狐。
