数据分析专业怎么样

[本科英语专业分析]英语专业是一个热门的外语专业，无论是在本科还是专科，大学基本都会开设这个专业!以下是小编分享给大家的是:【本科英语专业分析】，请阅读! 本科英语专业介绍【1】专业课程主...+阅读

数据分析专业怎么样

数据分析专业前景很广阔的。

随着大数据技术在各行各业应用的越来越广，数据驱动智能产品和精细化运营已经成为企业经营的制胜法宝，相应地，数据分析师这个岗位也越来越受到关注，越来越多的小伙伴也转行做数据分析，因为大家不仅看到的是未来数据分析的发展前景，而且数据分析师的薪资待遇也很不错！

岗位缺口大，就业薪资高，而且这个岗位对学历的要不是特别高，对经验的要也不算严格，从而数据分析师，在大数据时代，迎来了黄金就业期。

数据分析师，这是数据分析职业的起点。有些企业则会根据自身所处行业特点，赋予数据分析师一些更具体的岗位名称，例如业务分析师、运营分析师、数据库分析师和财务数据分析师等。除了所处的行业不同、业务不同，对于技术来说万变不离其宗，所有数据分析师的最主要职能都是针对业务或运营问题或需，去获取、清洗、分析数据，并呈现数据分析结果，辅助企业做出判断或决策。

通过搜索BOSS直聘和领英，发现其上面有上有10万+个数据分析师职位空缺，其中绝大部分是互联网行业的需。值得注意的是，虽然国内现有很多数据分析师员工，但其数量占比依旧很少，职位空缺却占到了市场的50%之多。大多数热门岗位都会在招聘JD中，给出“具备数据分析能力”这样的招聘条件。

2020年全国大数据人才需是2015年的12倍，从数据可以看出，未来，数据分析师将是职业发展的一个重要方向。

从销售、市场，到运营、产品经理、用户研究等，都试图从各种繁杂数据中看出点门道，获得对市场、产品、消费者等方面的洞见。

数据分析需要掌握哪些知识

数学知识

对于初级数据分析师来说，则需要了解统计相关的基础性内容，公式计算，统计模型等。当你获得一份数据集时，需要先进行了解数据集的质量，进行描述统计。

而对于高级数据分析师，必须具备统计模型的能力，线性代数也要有一定的了解。

分析工具

对于分析工具，SQL 是必须会的，还有要熟悉Excel数据透视表和公式的使用，另外，还要学会一个统计分析工具，SAS作为入门是比较好的，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）可以视情况而定。

编程语言

数据分析领域最热门的两大语言是 R 和 Python。涉及各类统计函数和工具的调用，R无疑有优势。但是大数据量的处理力不足，学习曲线比较陡峭。Python 适用性强，可以将分析的过程脚本化。所以，如果你想在这一领域有所发展，学习 Python 也是相当有必要的。

当然其他编程语言也是需要掌握的。要有独立把数据化为己用的能力，这其中SQL 是最基本的，你必须会用 SQL 查询数据、会快速写程序分析数据。当然，编程技术不需要达到软件工程师的水平。要想更深入的分析问题你可能还会用到：Exploratory analysis skills、Optimization、Simulation、Machine Learning、Data Mining、Modeling 等。

业务理解

对业务的理解是数据分析师工作的基础，数据的获取方案、指标的选取、还有最终结论的洞察，都依赖于数据分析师对业务本身的理解。

对于初级数据分析师，主要工作是提取数据和做一些简单图表，以及少量的洞察结论，拥有对业务的基本了解就可以。对于高级数据分析师，需要对业务有较为深入的了解，能够基于数据，提炼出有效观点，对实际业务能有所帮助。对于数据挖掘工程师，对业务有基本了解就可以，重点还是需要放在发挥自己的技术能力上。

逻辑思维

对于初级数据分析师，逻辑思维主要体现在数据分析过程中每一步都有目的性，知道自己需要用什么样的手段，达到什么样的目标。对于高级数据分析师，逻辑思维主要体现在搭建完整有效的分析框架，了解分析对象之间的关联关系，清楚每一个指标变化的前因后果，会给业务带来的影响。对于数据挖掘工程师，罗辑思维除了体现在和业务相关的分析工作上，还包括算法逻辑，程序逻辑等，所以对逻辑思维的要也是最高的。

数据可视化

数据可视化主要借助于图形化手段，清晰有效地传达与沟通信息。听起来很高大上，其实包括的范围很广，做个 PPT 里边放上数据图表也可以算是数据可视化。

对于初级数据分析师，能用 Excel 和 PPT 做出基本的图表和报告，能清楚地展示数据，就达到目标了。对于稍高级的数据分析师，需要使用更有效的数据分析工具，根据实际需做出或简单或复杂，但适合受众观看的数据可视化内容。

协调沟通

数据分析师不仅需要具备破译数据的能力，也经常被要向项目经理和部门主管提供有关某些数据点的建议，所以，你需要有较强的交流能力。

对于高级数据分析师，需要开始独立带项目，或者和产品做一些合作，因此除了沟通能力以外，还需要一些项目协调能力。

如何做好数据分析

第一步：数据准备：（70%时间）

· 获取数据（爬虫，数据仓库）

· 验证数据

· 数据清理（缺失值、孤立点、垃圾信息、规范化、重复记录、特殊值、合并数据集）

· 使用python进行文件读取csv或者txt便于操作数据文件（I/O和文件串的处理，逗号分隔）

· 抽样（大数据时。关键是随机）

· 存储和归档

第二步：数据观察（发现规律和隐藏的关联）

· 单一变量：点图、抖动图；直方图、核密度估计；累计分布函数

· 两个变量：散点图、LOESS平滑、残差分析、对数图、倾斜

· 多个变量：假色图、马赛克图、平行左边图

第三步：数据建模

· 推算和估算（均衡可行性和成本消耗）

· 缩放参数模型（缩放维度优化问题）

· 建立概率模型（二项、高斯、幂律、几何、泊松分布与已知模型对比）

第四步：数据挖掘

· 选择合适的机器学习算法（蒙特卡洛模拟，相似度计算，主成分分析）

· 大数据考虑用Map/Reduce

· 得出结论，绘制最后图表

循环到第二步到第四步，进行数据分析，根据图表得出结论完成文章。

结合实际业务来做数据分析

“无尺度网络模型”的作者艾伯特-拉斯洛·巴拉巴西认为——人类93%的行为是可以预测的。数据作为人类活动的痕迹，就像金矿等待发掘。但是首先你得明确自己的业务需，数据才可能为你所用。

1.数据为王，业务是核心

· 了解整个产业链的结构

· 制定好业务的发展规划

· 衡量的核心指标有哪些

有了数据必须和业务结合才有效果。首先你需要摸清楚所在产业链的整个结构，对行业的上游和下游的经营情况有大致的了解。然后根据业务当前的需要，指定发展计划，从而归类出需要整理的数据。最后一步详细的列出数据核心指标（KPI），并且对几个核心指标进行更细致的拆解，当然具体结合你的业务属性来处理，找出那些对指标影响幅度较大的影响因子。前期资料的收集以及业务现况的全面掌握非常关键。

2.思考指标现状，发现多维规律

· 熟悉产品框架，全面定义每个指标的运营现状

· 对比同行业指标，挖掘隐藏的提升空间

· 拆解关键指标，合理设置运营方法来观察效果

· 争对核心用户，单独进行产品用研与需挖掘

发现规律不一定需要很高深的编程方法，或者复杂的统计公式，更重要的是培养一种感觉和意识。不能用你的感觉去揣测用户的感觉，因为每个人的教育背景、生活环境都不一样。很多数据元素之间的关系没有明显的显示，需要使用直觉与观察（数据可视化技术来呈现）。

3.规律验证，经验总结

发现了规律之后不能立刻上线，需要在测试机上对模型进行验证。

sc-cpda 数据分析公众交流平台。