数据分析师这个职业越来越火，越来越多的人想往这个方向发展。

有在校生，也有转行的小伙伴来咨询数据分析师这个职业的相关问题。

从大部分情况来看，大家对于数据分析师的职业发展和技能非常关心。

那么别的先不说，数据分析入门到底要学什么？怎么学？

Excel

作为数据分析师，Excel是必备技能。Excel 是经过检验的可靠的数据分析工具，它广泛存在，非程序人员也能便捷操作，所以大多数企业即使也使用其他工具，但 Excel 工具还是他们的不二选择。

统计学

统计学同样是数据分析师的必备技能之一，你只有学好了统计学才能谈得上数据分析。统计知识会要求我们以另一个角度看待数据。当你知道AB两组的差异用平均值看是多傻的事情，你的分析技巧也会显著提高。如果你想成为一名出色的数据分析师，那么你就必须要会统计学。

推荐图书：《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。

SQL

sql是所有数据库查询的语言，sql非常容易入手。

针对不同的数据库，如mysql、sqlserver、oracle等，sql语法会有所不同，但是总体上大同小异，只是细微处的差别。

而且如果你有数据库基础的话，只需要找些sql查询的习题来做一下，就会很快的得到提高。

推荐图书：《MySQL必知必会》

学习 SQL 的入门书，薄册子一本，看起来很快。SQL 是个性价比很高的技能，简单而强大。任何想进一步提高自己数据分析技能的产品/运营/分析师 同学，都建议点亮 这个技能点。

数据分析思维

作为一名数据科学家需要很挑剔，并且善于发现他人会遗漏的东西。那么我们应该如何做到像数据科学家一样思考呢？

梳理分析思路，并搭建分析框架，把分析目的分解成若干个不同的分析要点，即如何具体开展数据分析，需要从哪几个角度进行分析，采用哪些分析指标（各类分析指标需合理搭配使用）。同时，确保分析框架的体系化和逻辑性。

推荐图书：金字塔原理

金字塔的基本结构是：中心思想明确，结论先行，以上统下，归类分组，逻辑递进。先重要后次要，先全局后细节，先结论后原因，先结果后过程。

行业知识

对于数据分析师来说，业务的了解比数据方法论更重要。而且业务学习没有捷径。这一部分也没有什么书可以看的了，基本都靠搜索，总结，思考，再搜索，总结，思考。

在对数据分析岗位进行整理与研究时，通过对于这些岗位的企业性质、从事数据分析岗位职责、岗位要求及薪资待遇进行研究。我们对于未来的数据分析这个职业充满了希望，但是也对于这个职业二极分化充满了担忧。

一、数据分析职业概述

越来越多的企业将选择拥有项目数据分析师资质的专业人士为他们的项目做出科学、合理的分析，以便正确决策项目；越来越多的风险投资机构把项目数据分析师所出具的项目数据分析报告作为其判断项目是否可行及是否值得投资的重要依据；越来越多的企业把项目数据分析师课程作为其中高管理层及决策层培训计划的重要内容；越来越多的有志之士把项目数据分析师培训内容作为其职业生涯发展中必备的知识体系，数据分析这个职业应运而生，毫不夸张的说，数据分析师带给企业的不仅仅是一个个数据报告，更是一桶桶黄金，一片片亟待探索的蓝海。

二、数据分析职业现状分析

这个职位目前呈现是二八原则，好的数据分析师的收入是非常高，差不多平均水平在13k左右，但是处境不好的数据分析人员只能拿到跟内勤同等收入的水平。比如数据分析招聘中，185号岗位，这是一家公司需要大量招聘初级的数据分析师进行长期的培养广告公司；高级数据分析师在全国的范围内来说还是很少一个群体，主要承担对于某个数据分析项目进行建模与分析及算法研究等，这批人员一般的薪资待遇在16K以上，大多数在互联网与金融行业等利润率比较高的行业，数据分析招聘中，199号岗位，该岗位是杭州大型电商公司为其呼叫中心招聘数据分析师，待遇在P7左右，也就20-22K/月，还有盛大招聘数据分析师岗位也其实有很有代表性；最高端是一些互联网数据分析部门的管理层与数据科学家，一般是大型公司对于某个项目进行数据挖掘研究，全国也只有微软与阿里及一些从事数据挖掘公司里有这些数据科学家，一般的待遇差不多在50万以上年薪，这个大家可以关注一些互联网公司的招聘信息。

三、数据分析师的能力标准

格局是决定一个数据分析师的能力标准，一个好的数据分析师应该从行业的层面来分析公司现在所处的位置以及整个行业的分析，而且通过内外的数据得出富有逻辑性的结论，然后从这些结论中提供公司战略层面思考的策略，当然我也明白现在我们很多的分析师朋友都在沉浸在业务或者项目分析中，但是我认为格局观是决定一个数据分析师的能力标准。

数据分析师要做到基于内部与外部的数据结合通过严密的完整商业思考及严密逻辑推理，得出针对业务好坏的结论，并得出业务改进的策略。

什么内部与外部的数据的结合，我们即要看内部的数据还要结合行业的数据，而商业思考是做数据分析师通用的技能，那么结论是基本产出物，策略是分析师高级产出物。

四、数据分析师的三类素质

第一类是基本素质，第二类是通用技能，第三类是专业技能。

基本素质包括：1、聪明与好奇心；2、愿意学习并愿意能沉下心来付出；3、耐心与专注。

通用技能是核心思考能与展现自己的能力，第一点，结构化的思考能力与逻辑推理能力即智商不能差，如果是这样你看到的越多就做的越好，怎么来判断呢？第二点，良好商业感觉与商业判断能力；第三点，要有宏观思考能力，你要看到的格局要到；第四点，要有良好沟通能力。

专业能力从专业上要有基本统计学知识，从能力上要包括扎实数据分析能力与数据处理能力包括SAS\R\SPSS及tableau、FineBI等可视化表达的能力。那么高级数据分析师，我们应该更看中基本素质与通用能力，如果专业操作类分析师那么我们需要基本素质与专业技能。

五、企业要求及需备的知识点

大多数的互联网行业特别是电商行业对于数据分析师这块还是比较看重，主要的原因其主要的资产除了产品、人员就是长期积累的数据而这些海量的数据已经不能用人工经验来还原业务，这就需要数据分析师对于数据进行归纳与还原商业规则与逻辑，一般主要涉及商业分析、用户分析、产品分析、运唯支撑等这几块；从各家公司招聘信息来看，要求几乎雷同，同时也说明这个职业的互通性很强，说白了就是换个行业都可以在职场上存活下来；一般需要以下几个要求：

1、数据分析经验；

2、商业数据敏感度；

3、基本工具（SAS、SPSS、SQL、EXECEL等）；

4、建模；

5、知识点（统计学、会编程）；

六、如何获得数据分析知识点？

1、数据分析经验，大家可以每天浏览我们西线学院官网的文章，我们每天都会发布一些最新的分析实战文章；

2、基本工具类，我们西线学院帮助学员从零基础学会数据分析工具编程，丰富的知识扩展，实用性强,不掺杂无用讲解,只为给学员最极致的教学体验!

主要是希望通过实际的数据来解答针对数据分析岗位的一些疑惑，给Udacity数据分析师课程的童鞋一些参考性的意见。主要针对以下几个问题：

- 数据分析师岗位需求的地域性分布；

- 整个群体中薪酬分布的情况；

- 不同城市数据分析师的薪酬情况是怎样的；

- 该岗位对于工作经验的要求是怎样的；

- 根据工作经验的不同，薪酬是怎样变化的；

- 从用人单位的角度看，数据分析师应当具备哪些技能？

- 掌握不同技能是否会对薪酬有影响？影响是怎样的？

地域性分布

在拉勾网上，全国有29个城市的企业邮数据分析师的人才需求，其中将近一半需求产生在北京市，需求量全国第一。排在前5的分别是：北京、上海、深圳、杭州、广州。数据分析这一职业大量集中在北上广深四大一线城市，以及杭州这个互联网和电子商务企业的聚集地。北京市巨大的需求比重令我稍感意外，不过，考虑到拉勾网是一个偏重互联网相关行业的招聘平台，而我国大量互联网企业在北京聚集，这个结果倒也算合理。以后有时间，可以对全国互联网行业分布特点做个分析。

总而言之，可以得出一个清晰的结论：数据分析这一岗位，有大量的工作机会集中在北上广深以及杭州，期待往这个方向发展的同学还是要到这些城市去多多尝试。当然，从另一个方面说，这些城市也都集中了大量的各行业人才，竞争压力想必也是很大的。

总体薪酬情况

如同大多数其他工作一样,数据分析师的薪酬也是一个右偏分布。大多数人的收入集中在5k-20k每月，只有少数人能够获得更高的薪酬，但有极少数人薪酬极高，让人充满期待。需要说明的是，拉勾网上的薪酬值是一个区间值，并且相互之间互有重叠，为了便于分析，我取区间的中值作为代表值进行的分析。因此，实际的薪酬分布情况可能会比图中的情况更好一些。总是有人能够拿到薪酬的上限。综合来看，数据分析师的薪酬收入整体还是可观的，从这方面说，选择这个职业还是不错的。

不同城市薪酬分布情况

忽略掉那些人才需求量比较小的城市，我重点关注排名前六的城市。从图上看，这六大城市的薪酬分布情况总体来说都比较集中，这和我们前面看到的全国的薪酬总体情况分布是一致的。深圳市薪酬分布中位数大约在15k,居全国首位。其次是北京，约12.5k，之后是上海和杭州。深圳确实是个创造奇迹的城市，在这里也给了我一个小小的惊喜。从待遇上看，数据分析师留在深圳发展是个不错的选择。

工作经验需求

不出所料的，工作经验的需求分布近似于正态分布。工作1-3年经验的熟手需求量最大，其次是3-5年工作经验的资深分析师。工作经验不足1年的新人，市场需求量比较少。另外，工作经验要5-10年的需求量非常稀少，而10年以上的更是凤毛麟角。

从这个分布我们大致可以猜测出：

数据分析是个年轻的职业方向，大量的工作经验需求集中在1-3年；对于数据分析师来说，5年是个瓶颈期，如果在5年之内没有转型或者质的提升，大概以后的竞争压力会比较大。

不同工作经验的薪酬分布

毫无疑问的，随着经验的提升，数据分析师的薪酬也在不断提高。另外，从现有数据来看，数据分析师似乎是个常青的职业方向，在10年内大概不会因为年龄的增长导致收入下降。

职业技能关键词

词云显示出的情况，有点超出了我的预料。对于数据分析师这一岗位，企业需求频率最高的技能并不是Python语言和R语言等如今非常时髦的数据分析语言，而是传统的结构化查询语言SQL和表格神器Excel。这一点需要各位小伙伴注意，要想从事数据分析师岗位，SQL和Excel看起来是必备技能。 从词云上看出，数据分析师技能需求频率排在前列的有：SQL，Excel, SAS，SPSS, Python, Hadoop和MySQL等。另外，Java, PPT, BI软件等属于第二梯队。

掌握不同技能对薪酬收入的影响

我对需求频率最高的前15个技能进行统计计算，得出每一个技能对应的平均薪酬水平，如上图。点的大小代表该技能需求量的多少。

在前15项技能中，shell，Hive， Spark这三者的平均薪酬水平最高，并且相对其他技能来说有比较大的差异。对数据分析师工作有所了解的人应该都知道，这三个工具中，Hive和Spark都是应用于分布式数据处理，而shell脚本则是Linux系统下工作的必须技能。这三者共同指向了一个方向，那就是海量数据的分布式处理！

所以，想要拿高薪的小伙伴注意了，海量数据处理、分布式处理框架是走向高薪的正确方向。 另外值得注意的是，在数据分析领域，Python语言的平均薪酬水平要高于目前如日中天的Java语言。而SQL语言和传统的SAS，SPSS两大数据分析软件，则能够让你在保证中等收入的条件下，能够适应更多企业的要求，也就意味着更多的工作机会。

分析结论

通过上面的分析，我们可以得到的结论有这些： 数据分析这一岗位，有大量的工作机会集中在北上广深以及杭州。 大多数据分析师的收入集中在5k-20k每月，只有少数人能够获得更高的薪酬，但有极少数人薪酬极高，让人充满期待。

从待遇上看，数据分析师留在深圳发展是个不错的选择，其次是北京、上海。 数据分析是个年轻的职业方向，大量的工作经验需求集中在1-3年。

对于数据分析师来说，5年似乎是个瓶颈期，如果在5年之内没有转型或者质的提升，大概以后的竞争压力会比较大。 随着经验的提升，数据分析师的薪酬也在不断提高，10年以上工作经验的人，能获得相当丰厚的薪酬。

数据分析师需求频率排在前列的技能有：SQL，Excel, SAS，SPSS, Python, Hadoop和MySQL等，其中SQL和Excel简直可以说是必备技能。 海量数据、分布式处理框架是走向高薪的正确方向。 SQL语言和传统的SAS，SPSS两大数据分析软件，能够让你在保证中等收入的条件下，能够适应更多企业的要求，也就意味着更多的工作机会。

思考和总结

对于数据分析师技能的分析是比较简陋的，在本次分析过程中，仅针对工具型的技能进行了分析。但其实，数据分析师所需要具备的素质远不止这些，还需要有扎实的数学、统计学基础，良好的数据敏感度，开拓但严谨的思维等。如果要对这些内容进行深入挖掘的话，应该会更加有趣。不过，要进行这项内容的话，需要掌握大量中文分词、关键字提取等方面的知识和技能，难度也会更高。时间所限，在这里不再进一步展开了，希望以后有时间再做一个专项分析吧。 让人忍不住吐槽的是，Python2.X环境对中文编码的支持着实不够好，在处理数据的时候消耗了大量的时间和精力，也犯了不少错，走了很多弯路。以后这一块的内容要找时间专门攻坚一下，也可以考虑换到python3平台去。

大数据并不是一种概念，而是一种方法论。简单来说，就是通过分析和挖掘全量的非抽样的数据辅助决策。大数据可以实现的应用可以概括为两个方向，一个是精准化定制，第二个是预测。比如像通过搜索引擎搜索同样的内容，每个人的结果却是大不相同的。

随着大数据的愈演愈热，相关大数据的职业也成为热门，给人才发展带来带来了很多机会。数据工程师、数据分析师已经成为大数据行业最热门的职位。

数据分析师是什么？

数据分析师不同行业中获取数据，并通过获取到的数据对问题进行解答。最后还需要以合适的方式对结果进行展示，以辅助企业做出商业决策。一般来讲，数据分析师的任务是对数据进行清洗、分析以及可视化。

根据行业的不同，数据分析师的头衔也可能不同。比如：业务分析师、商业智能分析师、运营分析师、数据库分析师等等。不管头衔是什么，数据分析师都可谓是通才。他们能够胜任诸多岗位与团队角色，同时也能在极大程度上帮助企业做出基于数据的决策。

数据分析师所需技能

编程，统计学和数学，机器学习，数据可视化和通信技术，数据处理和数据集定义

数据工程师是什么？

在大数据的时代，数据工程师的角色愈发地重要。数据工程师一般被定义成“深刻理解统计学科的明星软件工程师”。数据工程师是系统的构建者与优化者，所有公司正常运营的基础之一，数据工程师的职责就是保证数据在接收、转移的准确性，并且保证其它用户对数据的可访问性。

和数据分析师不同，他们不太关注统计、分析技能、建模等。他们的工作重点在于数据架构、计算、数据存储、数据流等。因此，数据工程师必须具备相当强的编程能力—包括编写数据查询程序的能力。也就是说，他们的能力必须达到开发运营高手的级别。

数据工程师还负责数据库设计、仓储数据库、建立数据库等。 这就意味着，他们必须十分熟悉现有的数据库技术和数据管理系统，比如和大数据有关的Hadoop与HBase 等。此外，非功能性的基础设施问题，如数据的可扩展性、可靠性、韧性、有效性，备份等也由数据工程师来负责。

数据工程师所需技能

数学和统计学，程序设计和计算机科学，分析技能，商业战略

对于招聘市场端在大数据工程师和大数据分析师二个方向所涉及的岗位具体名称如下图所示：

大数据工程师方向：

大数据分析师方向：

总结：

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。

有了以上信息，数据分析师和大数据工程师之间的差异应该清楚。对于数据驱动的职位来说，通过数据来找到正确的问题，并据此进行更加精确的试验，这就是其最根本的工作内容。进一步的，数据科学领域将不断发展进步，同时也会对相关从业人员提出持续学习的要求。

分享 IT 技术和行业经验，请关注-技术学派。

暗刃枪剑 赵云 魔枪鞋子方块

特工 鞋子黑桃关羽 拳头黑桃

佣兵 光枪 法杖黑桃

专家 暗枪 眼睛草花

奶妈女圣职眼睛红心奶爸男圣职眼睛红心

团长 拳头草花蓝拳 鞋子黑桃

巫女 法阵红心驱魔 法阵草花

四姨 法杖草花复仇 法杖方块

刺客暗夜鞋子方块精灵 守护鞋子黑桃

死灵 法阵方块魔灵 法阵方块

忍者 法杖黑桃啪啪 眼睛红心

鹦鹉 鞋子草花龙骑 法阵黑桃

花花女格斗眼睛红心念帝男格斗法杖黑桃

毒王 鞋子草花街霸 鞋子草花

武神 拳头方块乌鸡 拳头黑桃

柔道 眼睛草花基柔 眼睛草花

剑魔女鬼剑拳头方块红眼 男鬼剑拳头黑桃

暗帝 眼睛草花鬼泣 法阵草花

剑宗 拳头黑桃剑圣 鞋子红心

剑豪 鞋子方块瞎子 眼睛草花

漫游女枪鞋子黑桃漫游男枪鞋子方块

母鸡 法阵方块公鸡 法阵黑桃

牡丹 法杖草花弹药 法杖草花

小妹 拳头黑桃大枪 拳头方块

元素女法师法杖黑桃爆破 男法师法杖黑桃

魔道 法阵草花冰结 法杖方块

召唤 法阵草花风法 鞋子红心

战法 鞋子黑桃次元 法阵方块

缔造外传法杖草花血法 眼睛草花

黑武 拳头方块

以上为官方给出的信息分析

仅供参考 可理性讨论

冒险团角色簿中每个职业有三个图标(枪剑士等稍后补上)第一个均为角色大系，颜色仅区分男女。

第二个为技能形态/风格：分为法杖 拳头 眼睛 法阵 鞋子

拳头即为物理：如红眼、剑魔

法杖则为魔法：如元素、光枪

眼睛为控制：如暗帝、瞎子

鞋子为高机动性：如特工、战法

法阵我觉得和法杖比较难区分，界限并不明显，只能说被划分为法阵的技能范围较大一点(?)。

第三个则为职业定位,分为： 黑桃 方块 草花 红心

黑桃和方块均为主c定位，但黑桃应该是出手快爆发高，如关羽、红眼，这类职业一般hit不高。

但并不是说方块没有快的职业，只能说平均下来比黑桃要慢一些，比如死灵，这类职业一般输出hit数较高。

草花则为具有一定辅助能力，可以打出一定的伤害，红心则为输出能力较为底下，辅助能力为主。

ch应该是有按照这方面进行调整的意思，但我个人觉得有些职业不是很符合当前图标的定位，比如剑圣，不知道后续会如何改版。

有精通各职业有见解的可以发表看法互相探讨，至于哭弱的只能说你玩的职业可能定位就不是输出，如果是输出职业那就等待加强。

ch也有想要各职业各司其职的。

但在当前环境下伤害还是大头，能打死谁还管控制之类的，只能说希望以后得副本能有让控制及其他职业放光的机会。

数据分析师做什么？

数据分析员收集，处理和执行数据的统计分析，即使数据以某种方式或其他方式有用。它们帮助其他人做出正确的决策，并优先处理已收集的原始数据，以便使用某些公式和应用正确的算法使工作更轻松。

如果你对数字，代数函数充满热情，并喜欢与其他人分享你的工作，那么你将成为数据分析师。以下是帮助你制定成功路线图的角色概述。

成为成功的数据分析师所需的技能：

Microsoft Excel：如果数据结构不正确，则数据无用。Excel提供了一套功能，使数据管理变得方便和轻松；基本的SQL技能；基本的Web开发技巧；能够在大型数据集中查找模式；数据映射技巧；能够从已处理的数据中获取可操作的见解。

在频谱的一端，数据分析与统计和高等数学重叠，而在另一端，它与编程和软件开发无缝融合。

数据分析师职业的编程技巧

R和Python是为数据分析师学习的两种最流行的编程语言。虽然R支持统计计算和图形，但Python的易用性使其成为大型项目中使用的良好语言。

用R编程

在谈论R时，你应该专注于某些领域，以便更好地掌握语言和你的工作。

Dplyr充当R和SQL的桥梁。它不仅可以翻译SQL语言中的代码，还可以与两种类型的数据一起使用。

Ggplot2是一个可以帮助你迭代构建绘图的系统，如有必要，可以根据图形进行编辑。此外，两个Ggplot2子系统是有用的：ggally（帮助你准备网络图）和ggpairs（矩阵）。

reshape2：这是基于两种格式，meta和cast。meta将数据从宽格式数据转换为长格式数据，而演员则相反。

用Python编程

Python是最简单的编程语言之一，并且是初学者的首选。这些软件包将为你提供数据分析师世界的先机：numpy，pandas，matplotlib，scipy，scikit-learn，ipython，ipython notebooks，anaconda和seaborn。

统计

如果数据解释不正确，编程是没有用的。如果我们谈论数据，统计数据将始终进入图片。许多统计技能对于建立成功的数据分析师职业生涯是必要的，例如形成数据集，平均值，中位数，模式，SD和其他变量的基本知识，直方图，百分位数，概率，anova，链接和分布特定组中的数据，相关性，因果关系等。

数学

数据分析是一个数字游戏 - 如果你对数字很好，这就是你要走的路。

矩阵和线性代数，关系代数，CAP定理，成帧数据和系列的高级知识对数据分析师来说非常重要。

机器学习

如果你想成为数据分析师，机器学习是最强大的技能之一。它基本上是多变量微积分，线性代数和统计学的组合。你不需要投资任何机器学习算法，因为你只需升级你的技能。

机器学习有三种：

在监督学习中，计算机算法分两个阶段学习：学习阶段和测试阶段。在第一阶段，计算机学习并适应学习，而在第二阶段它变得活跃。示例：在现代智能手机中，语音识别首先学习用户的真实语音和语调，然后再将其应用于未来的用例。你将使用的工具是逻辑回归，决策树，支持向量机，朴素贝叶斯分类，朴素贝叶斯分类，朴素贝叶斯分类。无监督学习是指多个项目之间存在多个关系，并且建议引擎提供实时建议。一个很好的例子是Facebook的朋友名单。你将使用的工具是主成分分析，奇异值分解，聚类算法和独立成分分析。强化学习是监督学习和无监督学习之间的一个空间，有可能改善或加倍努力。你将使用的工具将是TD-Learning，Q-Learning和遗传算法。

数据争论

从某种意义上说，数据争论是所有研究数据汇集在一起形成一个单一的，有凝聚力的整体的地方。在数据争论中，原始数据被转换为可行的结构合理的逻辑集。为此，你可能需要使用充当中心集线器的基于SQL和非SQL的数据库。一些例子是PostgreSQL，Hadoop，MySQL，MongoDB，Netezza，Spark，Oracle等。

通信和数据可视化

数据分析师的工作不仅限于数据解释和报告。预计数据分析师还将向所有相关利益相关方传达见解。了解asggplot，matplotlib，d3.js和seaborne等可视化编码工具对于有效实现这一目标至关重要。

数据直觉

假设你作为数据分析师在组织中工作。你已经分析了一组数据，并已将你的报告提交给团队，以便他们可以开始工作。在开始项目工作之前，团队可能没有什么问题可以正确理解项目以及如何使用数据。但是你可能没有足够的时间来回答所有这些问题。

这就是数据直觉技能所介入的地方。通过经验，你可以了解可能会提出哪些问题，以及如何策划一组解决所有盲点问题的答案。这也有助于你将问题归类为知识渊博或需要知道的问题。

数据分析师执行的任务：

收集和提取数值数据。查找数据中的趋势，模式和算法。解读数字。分析市场研究。将这些决定应用于业务。

要成为一名成功的数据分析师，你需要对数字充满热情，能够从已处理的数据中提取有用的见解，以及以视觉形式准确呈现这些见解的技能。这些技能无法在一夜之间学会。有了耐心，努力工作和正确的指导，一切皆有可能。是的，这一切都始于一个计划。

CPDA数据分析师作为从事数据分析的高级决策人才，是大数据时代不可或缺的核心人才。2018年的高薪“金领”职业。作为CPDA，你贡献的智慧，就是企业所需要的！！CPDA领航你的前程，在这里，你将获得一种能力，用数据进行决策；获得远见，以锐利的眼光透视企业的未来。

大数据时代

你是企业需要的核心人才吗？

大数据时代，已经到来！国家在推动，企业在应用！

数据分析已经成为决策者的必备技能！

面对大量的数据，你是否时常感觉到困扰？

数据不少，无米下锅；数据纷杂，难以下手；数据清洗，费时耗力！

分析报告，隔靴搔痒；数据报告，空洞无物；分析价值，难以体现！

学习了那么多的技能，但是，看到企业数据还是直接的晕菜？老板对你的报告还是摇头叹息？

如果答案是YES，那么你需要的就是CPDA数据分析师课程！

编者按：本文来自公众号秦路（ID：tracykanc），作者秦路；36氪经授权发布。

最近有不少同学在后台问我数据分析的职业发展相关，这里先列一个简易大纲。它更多是以我所在的互联网行业展开的。

入门和职业规划应该从两个角度考虑：领域和路线。

领域是不少新人常忽略的要素，其实数据分析不会脱离业务存在。你进入哪个行业，很大程度会决定你初期的技能树和技能点。譬如金融领域的风控模型、营销领域的生命周期、广告领域的点击率预估等，各有各的特色。

如果是一位应届生，不妨多了解自己感兴趣的领域，和专业相关是最好的，并且积累相关的经验，为面试做准备。

如果已经有一定行业履历，只是想要转岗数据分析师，那么跨岗不跨行，避免跳到一个陌生的领域。

领域经验太宽泛，我给不了太多的指点，主要也就三点：1.自己感兴趣的，2.自己擅长的，3.有钱途的。从职场生涯看，成为某领域的数据专家，会是一个更好的筹码。

而路线大致可以划分成四大方向：

数据分析，数据挖掘，数据产品，数据工程。

数据分析/数据运营/商业分析

这是业务方向的数据分析师。

绝大部分人，都是从这个岗位开始自己的数据之路，也是基数最大的岗位。

因为基数大，所以这类岗位通常鱼龙混杂。有些虽然叫数据分析师，但是每天只需要和Excel打交道，完成leader布置的表格整理工作就行。混个几年，成为一位数据分析主管，给下面的新人继续布置Excel任务。

又有一种数据分析师，岗位职责要求你掌握常用的机器学习算法，面试首先推导一个决策树或者逻辑回归。入职后也是各类代码，和分析打交道的情况不多。

都叫数据分析师，其实天差地别。

这里更多指互联网行业，偏业务的数据分析师，一般属于运营部门。不少公司也称数据运营或者商业分析。

这类岗位的职位描述一般是：

负责和支撑各部门相关的报表；

建立和优化指标体系；

监控数据的波动和异常，找出问题；

优化和驱动业务，推动数据化运营；

找出可增长的市场或产品优化空间；

输出专题分析报告；

实际情况是，不少业务端的数据分析师，主要工作只做第一点。别管它用汇总、分析、数据支持什么修饰词，基本是跑SQL，做报表。硬生生活成了业务端的表哥。

这是很常见的情况，也是入门新人的第一个坑。因为从头到尾，这类分析师，都没有解决问题。

业务部门往往更关心，某个指标为什么下跌或者上升。产品的用户是什么样的？怎么能更好的完成自己的KPI。

以活跃指标的下跌举例：

活跃指标下跌了多少？是属于合理的数据波动，还是突发式？

什么时候开始的下跌？

是整体的活跃用户下跌，还是部分用户？

为什么下跌？是产品版本，还是运营失误？

怎么解决下跌的问题

这是一套标准的解决思维。分别对应what、when、who、why、how，每一部分都不是三言两语可以解释清楚。不要看它简单，例如你通过多维分析，发现某个地区的活跃下跌了，不要急着把它作为分析的结论，这是不合格的数据分析。某地区的活跃下跌，只是现象，不是原因，把它作为结论提交，肯定会被骂的。

你要解决的是，为什么这个地区的活跃下跌了。是该地渠道，是该地竞争对手，是该地市场环境？这些问题都是细化深入的范畴。并且，它们要能以量化解释，而不是我认为。

做好了这点，才是一个真正的业务端的数据分析师。

当然，这一点看的是leader。leader能否带你进入业务分析的大门，决定你将来是不是成为一个表哥。新人切记切记。

解决问题是一方面工作，另外一方面，数据分析师的职责是将业务数据体系化，建立一套指标框架。活跃下跌的问题，本质上也是指标问题。什么时候开始下跌，哪部分下跌，都能转化成对应指标，如日活跃用户数，新老用户活跃数，地区活跃数。

你不能衡量它，就无法增长它，指的就是指标体系。指标体系可以是业务部门建立，但数据分析师也挺合适。一方面他们比数据挖掘这类技术岗位更贴合业务，一方面不像业务岗位对数据抓瞎。

两者结合，这岗位也能称为数据运营。

指标体系如果工程化自动化，也就是BI，所以数据分析师可以算半个BI分析师，这里不包括BI报表开发。BI如果采购第三方，数据分析师负责BI没问题，如果自有开发，那么BI岗技术的色彩更浓厚。

数据分析思维和业务的理解，是分析师赖以生存的技能。很多时候，工具是锦上添花的作用。掌握Excel+SQL/hive，了解描述统计学，知道常见的可视化表达，足够完成大部分任务。机器学习这类能力，对此类数据分析师不是必须的，Python也一样，只是加分项。毕竟为什么下跌，你无法用数据挖掘解答。

数据分析师是一个基础岗位，如果专精于业务，更适合往管理端发展，单纯的工具和技巧很难拉开差距。数据分析的管理岗，比较常见的有数据运营经理/总监，数据分析经理等，相对应的能力是能建立指标体系，并且解决日常的各类「为什么」问题。

商业/市场分析是另外一个方向，更多见于传统行业。你要开一家超市，你得考虑哪里开，这就要考虑居民密度，居民消费能力，竞争对手的多寡，步行交通距离，开车交通距离等。这些数据是宏观的大指标，往往靠搜索和调研完成，这是和互联网数据分析师最大的差异。

若往其他分支发展，比如数据挖掘工程师，则要继续掌握Python和机器学习等。从业务型发展上来的好处是接地气，具备商业洞察力（天天搞报表，怎么可能不熟），这点是直接做数据挖掘，或者程序员转岗，所不具备的。

新人，比较普适的发展路线是先成为一位数据分析师。积累相关的经验，在一两年后，决定往后的发展，是数据挖掘，还是专精数据分析成为管理岗。

学习资料：

这里对学习资料不再多做推荐，看历史文章：如何七周成为数据分析师

数据挖掘/算法专家

这是技术向的数据岗，有些归类在研发部门，有些则单独成立数据部门。

数据挖掘工程师要求更高的统计学能力、数理能力以及编程技巧。

从概念上说，数据挖掘Data mining是一种方式，机器学习Machine Learning是一门方法/学科。机器学习主要是有监督和无监督学习，有监督又可划分成回归和分类，它们是从过去的历史数据中学习到一个模型，模型可以针对特定问题求解。

数据挖掘的范围则大得多，即可以通过机器学习，而能借助其他算法。比如协同过滤、关联规则、PageRank等，它们是数据挖掘的经典算法，但不属于机器学习，所以在机器学习的书籍上，你是看不到的。

除此之外，还有一个领域，属于最优化问题的运筹学。现实中的问题往往有很多约束，比如护士排班，一共有三班（早、中、晚），现在要求每班满足最低护士人数，每位护士尽量不能连班，每位护士不能连续工作5天。每位护士的夜班数要均衡，每位护士每月的班数要均衡…这些问题很难用机器学习的方法完成，而在最优化领域，则有遗传算法、模拟退火算法、蚁群算法等。

实际的应用场景中，如外卖行业，如何寻找骑手效率最大化的最优路径，同样属于最优化，也是数据挖掘的工作范畴。

数据挖掘工程师，除了掌握算法，同样需要编程能力去实现，不论R、Python、Scala/Java，至少掌握一种。模型的实施，往往也要求Hadoop/Spark的工程实践经验，精通SQL/Hive是必须的。

常见数据挖掘项目的闭环如下：

定义问题

数据抽取

数据清洗

特征选取/特征工程

数据模型

数据验证

迭代优化

单看环节，数据挖掘对分析能力没有业务型那么高。这不代表业务不重要，尤其在特征选取方面，对业务的理解很大程度会影响特征怎么选取，进而影响模型质量。用户流失是一个经典的考题，如何选取合适的特征，预测用户会否流失，能够考察对业务是否深刻洞察。

数据挖掘的业务领域一样可以细分。金融行业的信用模型和风控模型/反欺诈模型、广告模型的点击预估模型、电商行业的推荐系统和用户画像系统。从需求提出到落地，数据挖掘工程师除了全程跟进也要熟悉业务。

因为要求高，所以数据挖掘的平均薪资高于数据分析师。

一个分工明确的团队，数据分析师负责将业务需求抽象成一个具体的数据假设或者模型。比如，运营希望减少用户流失，那么设立一个流失指标，现在需要预测用户流失率的模型。模型可以是数据分析师完成，也能是数据挖掘工程师。最终由数据挖掘团队部署到线上。

在一些公司，高级数据分析师会等价于数据挖掘工程师（其实行业内，对Title并没有严格的标准），只是工程能力可以稍弱，模型部署由专门的工程团队完成。

数据挖掘工程师，往后发展，称为算法专家。后者对理论要求更严苛，几乎都要阅读国外的前沿论文。方向不局限于简单的分类或者回归，还包括图像识别、自然语言处理、智能量化投顾这种复合领域。这里开始会对从业者的学校和学历提出要求，名校+硕士无疑是一个大优势，也有很多人直接做数据挖掘。

深度学习则更前沿，它由神经网络发展而来，是机器学习的一个子集。因为各类框架开枝散叶，诸多模型百花齐放，也可以算一个全新的分支。除了要求熟悉TensorFlow, Caffe, MXNet等深度学习框架，对模型的应用和调参也是必备的，后者往往是划分普通人和大牛的天堑。

算法专家和深度学习专家，薪资level会更高一级，一般对应于业务型的数据运营/分析总监。

数据科学家是上述岗位的最终形态之一，要么理论能力非常强，往往担任研究院的一把手。要么工程能力突出，上述的系统都能完成平台化的部署。

这类岗位对基础知识要求扎实，所以书籍需要比较大的阅读量，而且要保持领域新论文的吸收。

统计知识，除了「商务与经济统计」外，国外有一本「The Elements of Statistical Learning」，评价不错。

机器学习的入门，李航的「统计学习方法」，周志华的「机器学习」都是好书，英文好也能看PRML。

Python入门书籍的推荐太多，略过。「用Python进行数据分析」是必备的，当然这本书有点老，活用官网最新文档和stackoverflow，基本无碍。Python可视化查阅文档也够了，不用看书。

再进一步，则是机器学习的代码实现，比较知名的有「集体智慧编程」，「机器学习实战」等。其实最近还有不少新书，「Python DataScience Handbook」等，我当然不可能都看过，所以也不好推(hu)荐(you)。

除了基础，行业领域的也别落下，诸如推荐系统实战、计算广告…按需学习。如果你们公司对于人才有较高的挑战（一个人当两个人用），大概Spark/Hadoop机器学习相关的框架也得了解。

数据产品经理

这个岗位比较新兴，它有两种理解，一种是具备强数据分析能力的PM，一种是公司数据产品的规划者。

前者，以数据导向优化和改进产品。在产品强势的公司，数据分析也会划归到产品部门，甚至运营也属于产品部。这类产品经理有更多的机会接触业务，属于顺便把分析师的活也干了，一专多能的典型。

他们会运用不同的数据源，对用户的行为特征分析和挖掘，达到改进产品。最典型的场景就是AB测试。大到页面布局、路径规划、小到按钮的颜色和样式，均可以通过数据指标评估。

下图的案例，就是弱化心愿单按钮的存在感，让用户更多的聚焦在直接购买而不是收藏，最终让销售额提高了35%。

俗话说，再优秀的产品经理也跑不过一半AB测试。此类数据产品经理，更多是注重数据分析能力，擅长用分析进行决策。数据是能力的一部分。

后者，是真正意义上的数据产品经理。在公司迈大迈强后，数据量与日俱增，此时会有不少数据相关的产品项目：包括大数据平台、埋点采集系统、BI、推荐系统、广告平台等。这些当然也是产品，自然需要提炼需求、设计、规划、项目排期，乃至落地。

我们不妨看几个数据产品经理要求：

负责大数据产品的设计，输出需求文档、产品原型；

负责推荐算法的产品策略，完成相关推荐及个性化推荐产品的需求分析；

负责分析和挖掘用户消费内容的行为数据，为改进算法策略提供依据；

负责客户端数据需求的对接，制定相关埋点规范及口径，相关业务指标验证；

报表展示工具的落地和应用；

和C端注重用户体验不同，数据产品，更注重整体的分析能力和逻辑。除了产品经理最基础的Axure、Visio、MindManager等工具。往往还需要很多技术型的能力。比如了解BI/DW原理和实施、了解常用的推荐算法、了解机器学习模型等。这也很容易理解，C端要求你了解用户需求，而在数据端，主要用户就是数据。

这当然不是说，用户体验不重要，拿推荐算法来说，除了满足用户最基本的感兴趣，也要考虑时效性，考虑新兴趣的挖掘，考虑无数据时的冷启动问题…这些一样是用户体验，只是解决方案也得从数据出发。再多思考一步，模型是离线还是实时，实时怎么实现它？技术细则不用�...

文 | 邹昕-知乎

来源：再生谈|reborn_chat

受本人背景和知识水平所限，本答案局限性如下（包括但不限于）：

1. 更适用于中大型公司；

2. 更适用于互联网公司；

3. 可能更适用于美国的工作环境。

个人以为，一个三年工作经验的数据分析师应该具备以下方面的能力：对技术的掌握，对产品的理解，对数据的敏锐性，数据和产品之间互相转化的能力，分析思维的广度、深度和速度，数理统计的能力，沟通的能力，辅导新人的能力，面试把关的能力。

以下分开来说，同时举例的时候假设这个数据分析师是知乎这个产品的，目的是为了增长活跃用户。

【1】对技术的掌握

不一定需要非常高深的技术，但是基本的一定要过关。比如针对互联网行业的数据分析，SQL 是一定要过关的。在这基础之上，掌握公司惯用的BI工具或者报表工具，譬如帆软系列；Python / R 可以提高长期的工作效率，但在初期并不一定需要。

简单来说，技术能力决定了一名数据分析能力的下限，而对产品和业务的理解则决定了上限。

如果缺乏技术的支持，那就只能去当 CEO 了。

就好比在电影 Margin Call 里，底下的小兵负责分析数据，各种模型预测金融危机什么时候会发生。

而对于 CEO 来说，他的任务就是猜。

【2】对产品的理解

数据分析的目的是为了改进产品。如果缺乏对产品的理解，那么技术再好，也有可能像是无头苍蝇到处乱撞。

或者是变成 data dump，提供一堆一堆的图表，但其中有互相什么关联，能说明什么问题，提供什么样的建议，却并没有好的想法。

如果是初入行的话，这还是问题不大的。

因为新人可以有老板带着，或者是老人带着，但是如果想要更进一步，那就必须能够自己独立的做项目。

尤其是在互联网行业更是如此，除了新人之外，对大多数人的基本要求都是能单兵作战，不需要详细的指导。

同时在很多情况下，问题是很开放性的，对于如何解决并没有一个非常固定的套路，或者是因为这完全就是一个新的问题，或者因为不同产品之间套路无法直接套用，需要做大量的调整和创新。

比如这里面增长的例子，哪些是可以借用于知乎的，哪些是需要调整的，哪些是完全不适用的？

【3】对数据的敏锐性

对数据的敏锐性体现在两方面，一是在结果还不是那么清晰的时候，甚至根本就没有什么数据的时候，能够大致感觉往哪个方向深挖是更有可能出成果的；二是在数据出问题的时候，能够反应出来，及时找出原因。

比如做知乎的数据分析，目的是为了增长活跃用户，可以做的地方有很多，比如增加获新、增加内容、增加用户关注话题数、增加用户关注人数等等。一个经验丰富的老司机可以快糙猛的大概估算一下各个方面的机会有多大，大致的实施难度如何，风险是大是小，产品哪些方面是有缺陷可以改进的。

另一方面，是人就会犯错，最大的区别在于有的人可以很好的纠错，而有的人则需要别人提醒，还有的人即使别人提醒了也反应不过来。

【4】数据和产品之间互相转化的能力

在互联网行业，多数时候问题是很不清晰的，比如说问题可能是2017年新用户留存远差于2015年的用户，如何解决？

对数据分析师来说，并不会有一个详细的单子来告诉你都有哪些步骤，而是需要自己灵活处理。

一方面这些问题本身就比较新，虽然会有一个大致的套路，比如 AARRR 模型，解决增长需要先解决留存等等；然而再往下具体的时候，套路就没有那么固定了，因为不同的产品之间可以差别很大。

即使像是 Quora 和知乎这样理应非常类似的产品，也可能因为一些或大或小的差异，导致给分析数据也带来差别。

比如 Quora 的 upvote 并不完全代表赞同，而更多带有传播的意味。

而对于知乎来说，点赞即是赞同，传播只是副产品而已。

如果只懂数据不懂产品的话，很容易进入一个误区，要么产品/业务方追着问数据，要么没活儿干。

【5】分析思维的广度、深度和速度

速度这个比较好理解，尤其是在互联网行业，讲究快糙猛，没有时间精细打磨。

比如一个项目可以花两个月时间做出 95%，也可以花两周时间做 80%，那么多数时候都会是后者。

广度：产品的各个方面之间总是互相牵扯的。最简单的例子，如果知乎的拉新做得非常好，那么留存就有可能降低，用户活跃度也有会降低。

如何分析各者之间的关系，如何保持一个合理的平衡，如何增加其中一个不过于负面影响其它，这些数据分析都需要在广度上有一定的了解。

深度：有些问题一个人解决不了或者很难，多几个人就可以了，比如说搬砖，十人人搬总会比一个人搬快得多，哪怕不是十倍速度。而有些问题，靠堆人力是没用的。

【6】数理统计的能力

这一部分跟 1，3，5 是相关的。不一定需要特别高精尖，但是对于分析问题会有很大的帮助。比如说如何识别数据分析里可能出现的错误。

【7】沟通的能力

除非兼任软件工程师和产品经理的职，否则数据分析师总是需要通过说服产品和工程方面来改变产品，产生影响力。

有了好的结果是第一位，如何影响合作伙伴，让他们接受自己的建议甚至比有好的结果还重要。

毕竟，没有声音，再好的戏也出不来。

【8】辅导新人的能力

毛主席说过，人多力量大，要把敌人淹没在人民战争的汪洋大海中。

辅导新人，不只是团队 leader/manager 的要求，对于独立贡献者（inpidual contributor）也是一样重要的。

闻道有先后，术业有专攻。

一个人的力量终究是有限的，如果把自己的能力复制到整个团队甚至整个公司，是增大自己影响力最有效的办法之一。

【9】面试把关的能力

大多数人应该都希望自己的公司处于一个增长的状况，如果是高速增长那就更好不过了。

有增长，就必然要招人。

而招人并不是简单的招人来干活，而是招来更优秀的人进一步提高团队的水平。

这对于高速增长的团队来说是一个很大的挑战，所以提高面试技能和精准的判断面试者的能力，无疑是有效的扩张团队的不二法则。

【10】少睡的能力

比如说七周不睡觉，快速成为数据分析师（开玩笑的）。

数据分析是一项技术性很强的工作，要想在工作和研究中取得成功，你应该具备多种关键技能和素质。在本文中，我们将深入探讨一些有助于数据分析师完成工作的职业素质。

通常认为分析师需要具备的职业素质有很多，根据我的工作经验，我们将重点关注其中五个。

条理清晰

一个优秀的数据分析师必须能系统地解决问题。数据分析首先就需要你能够仔细、清晰地建立数据搜集的分步指南，以指导他人按照指南搜集数据（数据搜集的工作一般不属于分析师的职责范围）。需要特别重视的一点就是，指南的任何一点歧义都可能导致对数据的严重误读。

洞察力

按照项目的方向设计搜集策略并找到结果是一回事，而根据结果给出专家意见是另一回事。一位优秀的数据分析师不仅要读懂数据给出趋势，还要结合具体项目和公司战略洞察到趋势背后的逻辑（不要认为这是项目经理或产品的工作）。数据分析师的报告应反映这种洞察，你要明白一点，很多时候，你的项目经理、产品经理或其他要看这份报告的人，他们并没有具备像你一样的专业素养，他们不仅仅是要一个趋势，更需要数据分析师视角下的专家意见。请记住，一个优秀的数据分析师一定是积极主动的，一定是具有洞察力的，他们无需等待被告知如何去做即可完成他们应做的事情。

想象力

想象力不仅仅适合孩子。为了使数据真正的独一无二，出色的数据分析师会使数据可视化。这就是我们常说的让你的数据说话。例如，数据分析师可以利用数据可视化工具（我常用的是D3和Gephi）来帮助建立数据“活”模型。通常”活“模型（即动态模型）比静态模型更有表现力，但要注意选用哪种模型目的是为了表现数据而不是好看。一个优秀的数据分析师可以讲述数据的故事，以帮助其他人更好地理解分析结果。

保持怀疑

没有数据收集过程是完美的，所有你将分析的数据集都有其缺陷。对于数据分析师来说，怀疑主义只是对这一事实的认可。数据分析师需要能够识别其数据中的缺陷，并且有义务在报告中讲明这些缺陷和清楚地解释这些缺陷可能是如何影响他们的分析结果。需要注意，数据分析师应该关注数据所反映的任何一种趋势、观点、逻辑，而不仅仅是那些看起来跟项目相关的，这是因为你的专业视角可以帮助你发现问题的本质，但也会阻碍你看到其他视角下的问题。

善于发现模式

这是一个重要素质，因为数据在很大程度上反映某种模式。优秀的数据分析师可以通过查看不同的数据集来确定趋势以及触发这些趋势的原因，最终形成一个模式，这会帮助公司在未来复制成功的模式和规避错误。

结论

虽然计算机可以获取数据并对其进行操作、读取、分析，但只有优秀的数据分析师才能使这些数据变得有意义。他们可以将数字变成其他人可以使用的有意义的模式。顶尖的数据分析师可以帮助他们的公司通过使用通常很难被解释的数据来发现业务中存在的问题。

最后，除了条理清晰、洞察力、想象力、保持怀疑、善于发现模式外，请保持谦虚、谨慎和务实，这是作为一个数据分析师的职业道德。

随着大数据时代的到来，各个行业对数据价值越来越重视，他别是近两年，数据分析师岗位的需求激增，数据分析师已成为当今最具发展潜力的职业，人才缺口达到150万，在生活中很多想转行数据分析师培训的从业人员纷纷报名数据分析师培训机构，来增强自己的技能因此转行高薪行业。那么数据分析师的就业方向是什么，一位过来人的职业规划之路告诉你！

数据分析师作为一个出现时间不长的工种，大数据时代下，成为螺丝钉还是成为龙头，需要尝试新的可能。

数据分析师的职业规划

数据分析师手中拥有一座宝藏。作为滴滴出行数据分析团队的负责人，刘普成发现了数据分析师通往卓越的秘诀：视野。数据分析提供了这样一种可能：它不是简单的技术工种，它是最具有潜力的一项工作，背后蕴藏着相当多的机会。刘普成是中国最懂互联网数据分析的人之一。北大ccer硕士出身，做过公务员，这位业界资深的大牛，曾先后任职于百度、豆瓣、豌豆荚，对产品、设计、运营等互联网业务有着深刻的理解。现在，他担任滴滴出行数据分析团队的负责人，统筹这家体量巨大的公司随时产生的海量数据。作为一个成长经历颇为不同的资深大牛，他认为，推动一个人进步的本质原因是开放的心态和兴趣。硕士毕业后，他没有像大多数同学那样出国读博，或顺理成章进入金融业，而是选择在中国互联网界进行数据方面的探索，寻找一些“新”的东西。随着专业能力的提升，又开始深入学习互联网行业的其他技能，拓展自己的知识领域。

在八年时间，从一名普通的数据分析师，成长为精通技术和业务的数据科学家，刘普成发现，数据分析师在不同阶段需要掌握不同的能力，本质上，是让自己的视野更开阔。

数据分析师不能只成为一个技术专家，要成为可以影响公司运作的人。结合自身经历，刘普成认为数据分析师在进阶的道路上有如下选择：

1、成为数据技能超强的产品经理

2、成为数据指导业务的运营VP

3、成为管理或战略

4、成为博学广识的数据科学家

而关于数据分析师的职业规划，小编认为主要是从两个方面表现，一个方向是偏文一些（即运营分析），另一个方向则偏理一些（即挖掘分析）。不管是文的还是理的，可能你都需要掌握一些入行的行规，例如Excel技能、数据库操作（MySQL/SQL Server/Oracal/Hive等）、Tableau可视化、R或Python的编程能力等。这些都是用人单位在招聘数据分析师时提到最多的“任职资格”，其实这也都是技能门槛。如果这些你还没有接触过，可以在准备入行前花3~6个月去充充电，可以选择闭关修炼、或观看学习视频、甚至可以挑选口碑比较好的数据分析师培训班。而不管是数据运营分析师和数据挖掘工程师，它们在企业中都属于技术岗。根据工作人员的能力，会匹配相应的段位，一般来说，较高的技术段位，也可以对标到相应的管理岗。最后，就看你希望往哪个方向去发展，然后在这个方向上去努力，如果顺利的话你可以成为高级总监。

以上有关数据分析师的就业方向，一位过来人的职业规划之路告诉你的内容介绍，到这里就结束了，更多数据分析师相关信息可关注容大教育。