数据分析师需要掌握哪方面的计算机技能？

最近，在知乎上看到一个问题：“数据分析师需要注重哪方面的计算机技能培养？”

问题的背景是这样的：

某211高校通信专业出身，毕业后在运营商工作了7年多，先后从事通信网络运维、规划工作，近两年负责运营商数据分析（网络部门，偏向业务分析）。

由于职业发展瓶颈，从去年11月计划跳槽，花了半年时间学习统计学基础、SQL、Python等。

近期跳槽到互联网产品部门，从事互联网产品（APP）的数据分析师，支撑产品部门的数据分析（偏向业务分析，不负责数据仓库、ETL等偏向IT工作）。工作内容差异较大，包括分析的颗粒度、工作方式（例如自己写shell脚本跑数）、工作内容，因此紧急提升linux（shell编程）、SQL等技能，且加快对业务的熟悉，但仍感觉亚历山大。

个人想继续往数据分析方向发展，也深知数据分析包括计算机科学、统计学、业务等三个部分内容，目前比较欠缺的应该是计算机科学，请问对于想往数据分析师（数据科学）方向发展，计算机科学方面的技能能否给些提升建议？

今天也是想借这个问题，系统回答下“数据分析师”的职业发展，也是最近在思考的。

根据我近10年的工作经验，包括在甲方IT部任职BI项目经理和运营部任职业务分析经理，乙方Data Analytics项目（EDW/BI/Big Data/AI Machine Learning）咨询和项目实施经验，按照由易到难的进阶步骤，我觉得应该掌握这些技能：

基础篇

1、首先是Excel，貌似这个很简单，其实未必。Excel不仅能够做简单二维表、复杂嵌套表，能画折线图/Column chart/Bar chart/Area chart/饼图/雷达图/Combo char/散点图/Win Loss图等，而且能实现更高级的功能，包括透视表（类似于BI的多维分析模型Cube），以及Vlookup等复杂函数，处理100万条以内的数据没有大问题。最后，很多更高级的工具都有Excel插件，例如一些AI Machine Learning的开发工具。

2、掌握SQL Server或者Oracle的SQL语句，虽然你是业务分析师，但如果取数据能少依赖于IT人员和IT工具（比如BI的多维分析模型，有时候并不能获取你想要的数据），对于做业务分析，无疑是如虎添翼，我曾经见过华为的会计能写七层嵌套的SQL语句，很吃惊。包括join, group by, order by, distinct, sum, count, average, 各种统计函数等。

3、掌握可视化工具，比如BI，如Cognos/Tableau/FineBI等，具体看企业用什么工具，像我之前用的是FineBI。这些工具做可视化非常方便，特别是分析报告能含这些图，一定会吸引高层领导的眼球，一目了然了解，洞察业务的本质。另外，作为专业的分析师，用多维分析模型Cube能够方便地自定义报表，效率大大提升。

总结：至此，掌握以上技能的80%，可以算是一个合格的分析师了。这个阶段的数据分析师，需要既懂得如何利用工具处理数据，也要懂得业务场景，能分析解决基本的问题。这里还是要强调一点，数据分析师最重要的是熟悉业务，最好是懂。懂业务，分析逻辑就会清晰一般，而且也能排除大部分无用的尝试。长期以往对于了解的业务，比对一下数据就知道问题出在哪里了。

之后，如果是要深钻技术，甚至往数据科学家方向上发展。

进阶篇

1、系统的学好统计学

纯粹的机器学习讲究算法预测能力和实现，但是统计一直就强调“可解释性”。比如说，针对今天微博股票发行就上升20%，你把你的两个预测股票上涨还是下跌的model套在新浪的例子上，然后给你的上司看。统计学就是这样的作用。

数据挖掘相关的统计方法（多元Logistic回归分析、非线性回归分析、判别分析等）

定量方法（时间轴分析、概率模型、优化）

决策分析（多目的决策分析、决策树、影响图、敏感性分析）

树立竞争优势的分析（通过项目和成功案例学习基本的分析理念）

数据库入门（数据模型、数据库设计）

预测分析（时间轴分析、主成分分析、非参数回归、统计流程控制）

数据管理（ETL（Extract、Transform、Load）、数据治理、管理责任、元数据）

优化与启发（整数计划法、非线性计划法、局部探索法、超启发（模拟退火、遗传算法））

大数据分析（非结构化数据概念的学习、MapReduce技术、大数据分析方法）

数据挖掘（聚类（k-means法、分割法）、关联性规则、因子分析、存活时间分析）

其他，以下任选两门（社交网络、文本分析、Web分析、财务分析、服务业中的分析、能源、健康医疗、供应链管理、综合营销沟通中的概率模型）

风险分析与运营分析的计算机模拟

软件层面的分析学（组织层面的分析课题、IT与业务用户、变革管理、数据课题、结果的展现与传达方法）

2、掌握AI Machine Learning算法，会用工具（比如Python/R）进行建模。

传统的BI分析能回答过去发生了什么？现在正在发生什么？但对于未来会发生什么？必须靠算法。虽然像Tableau、FineBI等自助式BI已经内置了一部分分析模型，但是分析师想要更全面更深度的探索，需要像Python/R的数据挖掘工具。另外大数据之间隐藏的关系，靠传统工具人工分析是不可能做到的，这时候交由算法去实现，无疑会有更多的惊喜。

其中，面向统计分析的开源编程语言及其运行环境“R”备受瞩目。R的强项不仅在于其包含了丰富的统计分析库，而且具备将结果进行可视化的高品质图表生成功能，并可以通过简单的命令来运行。此外，它还具备称为CRAN（The Comprehensive R Archive Network）的包扩展机制，通过导入扩展包就可以使用标准状态下所不支持的函数和数据集。R语言虽然功能强大，但是学习曲线较为陡峭，个人建议从python入手，拥有丰富的statistical libraries，NumPy ，SciPy.org ，Python Data Analysis Library，matplotlib: python plotting。

最后，怎么说呢，无论何时业务分析、数据分析还是数据科学教，他的价值体现还是在于商业价值。数据人才到最后的发展也一定是要往企业运营VP、战略参谋者身居。比如，数据战略家可以使用IT知识和经验来制定商业决策，数据科学家可以结合对专业知识的深入理解使用IT技术开发复杂的模型和算法，分析顾问可以结合实际的业务知识与分析经验聚焦下一个行业爆点。

所以需要你具备沟通、组织、管理能力和商业思维，这就不只局限于某个岗位了，需要你站在更高位的角度思考，为企业谋福利。同时也要思考，拿着“数据分析”这张牌，如何在公司发挥价值，用数据驱动企业运营，这是要思考的。

课程推荐

如果想快速对数据分析建立认知，找到一个学习方向，推荐秦路老师的《7周入门数据分析》。

如果是在想要从事或已经从事数据工作的，比如“表哥表姐”，需要类似一个大牛在帮扶着教你的，这里重点安利一个叫《决策菁英》的培训课程。

这个课程算是我见过比较齐全比较接地气的了。从行业背景、个人定位、工具技术学习、业务需求配合、职业发展，在企业放大数据分析的影响力等等，都有很详细的解答。

尤其是成为数据分析师之后，可能会面临的一些问题：比如说你基于数据分析得出结论和建议，领导不采纳不接受，决策难落地，自己也做不出成果。如果你发展的顺利，公司组建了一个数据中心，你作为leader，为了迎合现在以及未来各种各样的业务需求，可能需要设计开发数据产品，很大一部分工作就涉及与业务、技术如何配（si）合（bi）沟通的事。

最后，成为数据部门的老大，可能需要考虑如何将个人的影响力、部门的影响力在企业中放大。这里数据分析可能要在全公司推广，数据分析的决策可能也要上升到影响战略的程度，这其中也有很多技能之外的东西。

--------------------- 

作者：yuanziok 

来源：CSDN 

原文：https://blog.csdn.net/yuanziok/article/details/86299430 

版权声明：本文为博主原创文章，转载请附上博文链接！