爲何選擇數據分析師這個職業？

我爲何選擇作數據分析師？

我大學專業是物流管理，學習內容偏向於管理學和經濟學，但其實最感興趣的仍是心理學，即人在各類刺激下反應的機制以及原理。作數據分析師，某種意義上是對羣體行爲的研究和量化，二者有必定的關聯。

數據分析師的種類？

我以爲面向機器，實現自動推薦的，應該算數據挖掘工程師吧；而面向決策支持，須要人工藝術性介入的算數據分析師。二者的界限並不明顯，前者其實也是決策支持，只是更依賴機器和算法。總的來講數據分析師的核心都應該是量化和支持決策。針對實際問題而言，編程和算法並不比簡單的彙總和排序更高明，解決實際問題的能力決定了選用哪一種工具。

數據分析師須要的知識？

心理學、經濟學、管理學(營銷、財務、供應鏈)、統計學以及數據挖掘，前面是決定可否作正確的事情，後面是是否有能力實現。工具的話，SQL、EXCEL、SPSS(Modeller)、R、SAS、python、C(++)，順序是按照我掌握的東西排序的，大部分的東西前2個能夠解決(小樣本的數據處理可視化等)，算法的話我比較喜歡工具性的東西(文科生通病啊)，SPSS MODELLER作的比較人性化，並且有軟體供你們學習，不像SAS。若是要學另一門語言的話我選擇R和python，python作前期數據抽取和處理，R運行算法和可視化。本身改進算法，像我這種文科生作不來啊，我有自知之明，我用工具。可能還要涉及一些XML、JSP、HTML、正則的一些知識，繁雜！

對於偏文的人羣來講，我以爲難點可能在前期的數據的預處理，以及輸入字段的選取以及後期結果的解讀。

數據分析師應該去哪些企業？

若是要有較高的回報的話，仍是要去數據驅動的有錢的企業。通常的電商公司(巨頭之外的)都是以營銷和供應鏈爲核心的，數據雖然人家口頭上也重視，但並不給較高的估值(價值難以評估)，還由於分析師作的東西容易沉澱和複製，不免淪爲工具，另外這類公司技術上的成長比較低，很容易碰到天花板，碰到二逼老闆沒辦法，但營銷方面的東西接觸的更多點。最好的仍是去遊戲公司吧，產品少，數據分析師能夠全程參與，價值比較容易識別，遊戲公司賺錢回報就可觀。若是以爲本身能夠的數據分析師，若是去小公司還不如作運營，真刀真槍的幹。大的互聯網公司以及廣告公司都算比較好的選擇，傳統轉行互聯網的，關係就比較繁雜。

數據分析師陷阱？

由於我文科方面(管理學)的訓練，我傾向於把編程和算法，當作幫助企業作出更好決策以得到更多短時間或者長期的利潤的工具，主要作的事情就是預測、量化和決策。有的公司數據分析師常常寫PPT，但我基本不寫，由於當你把數據作到A>B這種顯而易見的決策情景下時，寫個報告畫蛇添足(我認爲實施行爲的人寫更爲恰當，須要數據分析師統合的大的專題除外)，並且寫報告是比較慢的一種反饋方式，有問題直接溝通就很好。PPT用來作系統的分析以及報告說服別人。

陷阱我說的是，無心義的炫技術(編程出身的人吧，文科生作不來)，不肯意掌握工具(文科生作的出來)，以及爲了分析而分析，沒有增長自身對商業和人的理解，也就是說工具化。工具化就是說，實際上你和程序員差不了多少地。我不認爲數據分析師是程序員，我更相信它是商業洞察與數據處理分析能力的統一。商業洞察能力強，又有實現能力的數據分析師更可貴吧。

數據分析師錢景？

我認爲短時間內數據分析師錢景仍是挺好的，供給還有缺口；可是長期來看，各類雲分析服務和技術發展會將如今很是規的技術和決策變爲常規，純技術流的發展可能受到限制(程序員再扛鼎o(╯□╰)o)。能提供十分有意義的個性化定製服務的數據分析師估值更高活的更久吧。

文科生作數據分析師也挺好的，工具上要補課。