數據分析師須要掌握哪方面的計算機技能？

最近，在知乎上看到一個問題：「數據分析師須要注重哪方面的計算機技能培養？」

問題的背景是這樣的：

某211高校通訊專業出身，畢業後在運營商工做了7年多，前後從事通訊網絡運維、規劃工做，近兩年負責運營商數據分析（網絡部門，偏向業務分析）。

因爲職業發展瓶頸，從去年11月計劃跳槽，花了半年時間學習統計學基礎、SQL、Python等。

近期跳槽到互聯網產品部門，從事互聯網產品（APP）的數據分析師，支撐產品部門的數據分析（偏向業務分析，不負責數據倉庫、ETL等偏向IT工做）。工做內容差別較大，包括分析的顆粒度、工做方式（例如本身寫shell腳本跑數）、工做內容，所以緊急提高linux（shell編程）、SQL等技能，且加快對業務的熟悉，但仍感受亞歷山大。

我的想繼續往數據分析方向發展，也深知數據分析包括計算機科學、統計學、業務等三個部份內容，目前比較欠缺的應該是計算機科學，請問對於想往數據分析師（數據科學）方向發展，計算機科學方面的技能可否給些提高建議？

今天也是想借這個問題，系統回答下「數據分析師」的職業發展，也是最近在思考的。

根據我近10年的工做經驗，包括在甲方IT部任職BI項目經理和運營部任職業務分析經理，乙方Data Analytics項目（EDW/BI/Big Data/AI Machine Learning）諮詢和項目實施經驗，按照由易到難的進階步驟，我以爲應該掌握這些技能：

基礎篇
一、首先是Excel，貌似這個很簡單，其實未必。Excel不只可以作簡單二維表、複雜嵌套表，能畫折線圖/Column chart/Bar chart/Area chart/餅圖/雷達圖/Combo char/散點圖/Win Loss圖等，並且能實現更高級的功能，包括透視表（相似於BI的多維分析模型Cube），以及Vlookup等複雜函數，處理100萬條之內的數據沒有大問題。最後，不少更高級的工具都有Excel插件，例如一些AI Machine Learning的開發工具。

二、掌握SQL Server或者Oracle的SQL語句，雖然你是業務分析師，但若是取數據能少依賴於IT人員和IT工具（好比BI的多維分析模型，有時候並不能獲取你想要的數據），對於作業務分析，無疑是如虎添翼，我曾經見過華爲的會計能寫七層嵌套的SQL語句，很吃驚。包括join, group by, order by, distinct, sum, count, average, 各類統計函數等。

三、掌握可視化工具，好比BI，如Cognos/Tableau/FineBI等，具體看企業用什麼工具，像我以前用的是FineBI。這些工具作可視化很是方便，特別是分析報告能含這些圖，必定會吸引高層領導的眼球，一目瞭然瞭解，洞察業務的本質。另外，做爲專業的分析師，用多維分析模型Cube可以方便地自定義報表，效率大大提高。

總結：至此，掌握以上技能的80%，能夠算是一個合格的分析師了。這個階段的數據分析師，須要既懂得如何利用工具處理數據，也要懂得業務場景，能分析解決基本的問題。這裏仍是要強調一點，數據分析師最重要的是熟悉業務，最好是懂。懂業務，分析邏輯就會清晰通常，並且也能排除大部分無用的嘗試。長期以往對於瞭解的業務，比對一下數據就知道問題出在哪裏了。

以後，若是是要深鑽技術，甚至往數據科學家方向上發展。

進階篇
一、系統的學好統計學

純粹的機器學習講究算法預測能力和實現，可是統計一直就強調「可解釋性」。好比說，針對今天微博股票發行就上升20%，你把你的兩個預測股票上漲仍是下跌的model套在新浪的例子上，而後給你的上司看。統計學就是這樣的做用。

數據挖掘相關的統計方法（多元Logistic迴歸分析、非線性迴歸分析、判別分析等）

定量方法（時間軸分析、機率模型、優化）

決策分析（多目的決策分析、決策樹、影響圖、敏感性分析）

樹立競爭優點的分析（經過項目和成功案例學習基本的分析理念）

數據庫入門（數據模型、數據庫設計）

預測分析（時間軸分析、主成分分析、非參數迴歸、統計流程控制）

數據管理（ETL（Extract、Transform、Load）、數據治理、管理責任、元數據）

優化與啓發（整數計劃法、非線性計劃法、局部探索法、超啓發（模擬退火、遺傳算法））

大數據分析（非結構化數據概念的學習、MapReduce技術、大數據分析方法）

數據挖掘（聚類（k-means法、分割法）、關聯性規則、因子分析、存活時間分析）

其餘，如下任選兩門（社交網絡、文本分析、Web分析、財務分析、服務業中的分析、能源、健康醫療、供應鏈管理、綜合營銷溝通中的機率模型）

風險分析與運營分析的計算機模擬

軟件層面的分析學（組織層面的分析課題、IT與業務用戶、變革管理、數據課題、結果的展示與傳達方法）

二、掌握AI Machine Learning算法，會用工具（好比Python/R）進行建模。

傳統的BI分析能回答過去發生了什麼？如今正在發生什麼？但對於將來會發生什麼？必須靠算法。雖然像Tableau、FineBI等自助式BI已經內置了一部分分析模型，可是分析師想要更全面更深度的探索，須要像Python/R的數據挖掘工具。另外大數據之間隱藏的關係，靠傳統工具人工分析是不可能作到的，這時候交由算法去實現，無疑會有更多的驚喜。

其中，面向統計分析的開源編程語言及其運行環境「R」備受矚目。R的強項不只在於其包含了豐富的統計分析庫，並且具有將結果進行可視化的高品質圖表生成功能，並能夠經過簡單的命令來運行。此外，它還具有稱爲CRAN（The Comprehensive R Archive Network）的包擴展機制，經過導入擴展包就可使用標準狀態下所不支持的函數和數據集。R語言雖然功能強大，可是學習曲線較爲陡峭，我的建議從python入手，擁有豐富的statistical libraries，NumPy ，SciPy.org ，Python Data Analysis Library，matplotlib: python plotting。

最後，怎麼說呢，不管什麼時候業務分析、數據分析仍是數據科學教，他的價值體現仍是在於商業價值。數據人才到最後的發展也必定是要往企業運營VP、戰略參謀者身居。好比，數據戰略家可使用IT知識和經驗來制定商業決策，數據科學家能夠結合對專業知識的深刻理解使用IT技術開發複雜的模型和算法，分析顧問能夠結合實際的業務知識與分析經驗聚焦下一個行業爆點。

因此須要你具有溝通、組織、管理能力和商業思惟，這就不僅侷限於某個崗位了，須要你站在更高位的角度思考，爲企業謀福利。同時也要思考，拿着「數據分析」這張牌，如何在公司發揮價值，用數據驅動企業運營，這是要思考的。

課程推薦
若是想快速對數據分析創建認知，找到一個學習方向，推薦秦路老師的《7周入門數據分析》。

若是是在想要從事或已經從事數據工做的，好比「表哥表姐」，須要相似一個大牛在幫扶着教你的，這裏重點安利一個叫《決策菁英》的培訓課程。

這個課程算是我見過比較齊全比較接地氣的了。從行業背景、我的定位、工具技術學習、業務需求配合、職業發展，在企業放大數據分析的影響力等等，都有很詳細的解答。

尤爲是成爲數據分析師以後，可能會面臨的一些問題：好比說你基於數據分析得出結論和建議，領導不採納不接受，決策難落地，本身也作不出成果。若是你發展的順利，公司組建了一個數據中心，你做爲leader，爲了迎合如今以及將來各類各樣的業務需求，可能須要設計開發數據產品，很大一部分工做就涉及與業務、技術如何配（si）合（bi）溝通的事。

最後，成爲數據部門的老大，可能須要考慮如何將我的的影響力、部門的影響力在企業中放大。這裏數據分析可能要在全公司推廣，數據分析的決策可能也要上升到影響戰略的程度，這其中也有不少技能以外的東西。
轉自： https://504479728.iteye.com/b...