Tieruibo
你好，个人觉得这是一个有未来发展的职业，在互联网金融公司都会有，本人也是做运营管理数据增长，我们团队也有数据分析师，工资还高。
国家层面也在大力发展大数据，数据分析师是做数据的商业价值，让数据变成生产力，
传统行业的运营管理中也会用到数据分析，
更别说互联网行业了，90%的管理决策和市场营销决策都是通过数据分析确定的。
支持你！
运营管理官
俗话说的好，"男怕入错行，女怕嫁错郎。"在工作上，选对一个行业着实非常重要。
对于数据分析这个行业，它做些什么，如何入门，以及如何发展……作为一个老兵，我也聊聊自己的看法，希望对你有所帮助。
一、何为数据
既然是数据分析师，他的工作肯定是分析数据，那么，何为数据？
数据，从大的方面可以分为:结构化数据和非结构化数据。
1、结构化数据
结构化数据，指的是数据具有非常清晰的属性结构。比如:通过属性(即:字段)和对象(即:个案)，形成行列关系，表与表之间的关系。
因此，由汉字、字母、数值等所构成的表(如:Excel表)，就是最典型的结构化数据。
2、非结构化数据
在当前，其实更多的数据都是非结构化的。比如:图像、音频、视频等，也因此，针对这些数据的分析方法，就不能由传统的工具来完成。
二、掌握哪些数据分析工具
不同的数据形态，意味着我们需要采取不同的分析工具和方法。目前，作为一个入门级的数据分析师，通常会遇到以下工具。
根据它们的作用，我们可以大体分析4类:
1、数据采集
工具:python
数据采集，就是获取数据，如果是到网页上获取，又称为"爬虫"。做爬虫，最流行的就是python。
2、数据存储
工具:Excel、Mysql、Oracle、Hbase、MongoDB
(1)Excel
我们日常办公，打开一张Excel表，将客户数据记录在里面，这其实就是数据存储，只不过Excel适合存储较小的数据，因为一多就卡，极大影响工作效率。
(2)关系型数据库:Mysql、Oracle
除了甲骨文的Mysql、Oracle，其实还有微软的SqlServer，IBM公司的DB2等等。当数据量较大，Excel表不便于存储时，我们就会用数据库来存储。一个数据库，其实就是由N张表所构成。
(3)非关系型数据库:Hbase、MongoDB
以上的工具主要用于存储结构化数据，但是，如果遇到图片、音频、视频等非结构化数据时，我们会采用Hbase、MongoDB这类工具来存储。
当然，数据存储的工具非常多，我这里只是介绍最常见的几种。
3、数据分析和建模
在分析这个环节，严格来讲，会包括:描述性分析和建模分析。
(1)描述性分析
工具:Excel、IBM SPSS、Python、R、SAS
描述性分析，又称为频率分析，是在进行数据建模前不可缺少的过程。
频率分析，主要是对直观的(基本肉眼可见)客观事实进行描述。比如:依据浏览量、阅读时长、收藏人数、转发人数等，进行排名、分组、计算均值、中位数、环比、同比等各类分析。
在这个阶段，几乎每一款分析工具都可以完成。
(2)建模分析
工具:IBM SPSS、Python、R、SAS
建模分析，主要是找出数据中隐藏的规律。比如:挖掘用户特征、预测未来销量等。
传统的三大统计分析工具:IBM SPSS、SAS、R曾经较长时间牢牢占据着时常，直到机器学习、人工智能的兴起，Python才慢慢走向舞台，并迎来高光时刻。
在这个阶段，浅层次的建模Excel也能完成，另外IBM SPSS、R两者的工业化程度较低，所以，掌握Python才是硬道理。
值得注意的是，要真正做好模型，除了掌握工具外，更重要的是学习统计学、数学的一些基本模型原理。比如:线性回归、二元Logistic、朴素贝叶斯、决策树、随机森林等各类模型的原理。
4、数据可视化
工具:Excel、Python、PowerBI、Tableau
由于数据分析的最终过程，往往需要将结果展示给客户或领导，便于他们做决策。因而，数据可视化也不可避免。
做数据可视化的产品也非常多，各种BI工具满天飞，但其实最常用的Excel也能做成比较好看的图。另外，如果想做动态的BI界面，PowerBI桌面版、Tableau桌面版也是不错的选择。当然，Python中更有Pycharts这样图形丰富的拓展包可以使用。
三、零基础如何入门
看完以上的分析工具，估计对零基础、想入门的人来说，会有点懵。我这里，也给些参考:
1、先精通Excel
包括:常用功能、函数、透视表、图形及部分模型
在数据分析领域，有75%以上的人从事数据运营、用户运营、游戏运营、电商运营等互联网运营岗位，在这些岗位中，85%的分析工作可以通过Excel来完成。
因而，精通Excel工具尤其重要。
2、再熟练掌握Mysql
重点:sql查询
在数据存储上，中等规模以上的企业，基本都会用到数据库，互联网企业Mysql用的最多。因此，如果想进入这些企业，获取更高的薪酬待遇，显然熟练掌握Mysql也是不可或缺的。
当然，与分析相关的sql技能，重点在于查询。比如:多表间的连接、子查询，两者是重中之重。
3、尽早上手python
重点:numpy、pandas、sciki-learn
熟练Excel函数和Mysql时，再学python会事半功倍，因为它们有诸多类似之处。比如:Exvel函数Trim，Mysql有相同函数，python有类似函数strip。
当然，在学pyhon的同时，也尽可能去了解统计学的基础。包括:集中趋势、离散程度、四分位数、分布形态、标准化、归一化等。然后，在学习模型时，也结合统计学原理来完成。
先学会利用python实现报表自动化分析，再学会数据可视化，然后学会数据建模，循序渐进。
四、后期如何发展
由于数据分析涉及的岗位众多，可以是"大而全"什么都会一点，也可以是"小而美"专注某一种技能。因而，后期的个人发展路线也多。
总体来讲，可以分成两大方面:
1、走技能路线
路线参考:初阶分析→数据挖掘→大数据算法→人工智能。
这条路线，适合对新技能感兴趣的伙伴。从入门做描述性统计开始，再到专注统计模型，接着再到分布式环境中大数据的动态算法，最后进入人工智能领域的研究。
2、走业务路线
路线参考1:分析员→主管→经理→总监
由于分析人员对数据敏感，便于做出正确决策，容易给企业创造价值。因而，该岗位的升迁速度会相对更快。
路线参考2:项目顾问→项目经理→自己创业
我身边的朋友，不少是走这条路线。首先，进入一家乙方公司做项目顾问。乙方公司的好处是可以接触很多不同的项目，见很多形形色色的人，对提升自身的能力，积累人脉资源有很大帮助。
然后，做几年之后，有部分积蓄，就自己创业做类似的服务。
当然，不管是走哪条路线，其实都不会太差。因为，这个时代有着更多的数据，需要更多的人来挖掘价值。
写了这么多，希望对你了解数据分析行业有些帮助，也祝你早日成为一名合格的数据分析师。
壹玖捌伍
数据分析师，目的一是，分析出地区消费能力群体和特性便于洞察先机创新和品类分化，市场洞察（正常都利基，大众市场明显点，广告宣传，口啤，模仿效应能激发）和危机预警。二是流程细节完善。
