啊哈哈哈
數據分析專業度決定了工作難度
數據分析師有很多個分支崗位，崗位的劃分和公司的業務相關。
對個人而言，崗位的職責不同導致了對技能的要求不同。
1. 數據運營這種數據崗主要是偏運營方向。
工作內容是製作報表，提數據需求給開發人員，產出分析報告，承接其他部門的數據需求四大內容。對技能沒有太多要求，Excel很熟，需求能和開發說清楚，明白什麼外部需求可以處理，什麼不能處理。分析報告自己懂得提取關鍵點，總結導致數據結果的原因，講解如何去實現關於數據的任務。
2. 數據產品這種崗位偏向與搭建數據類的產品。
數據類產品分很多種，在公司內部最常見的是數據平臺的搭建，或者是針對某個業務邏輯的模型方法。其中，數據平臺的產品就是確定我們要看什麼數據，以什麼方式展示出來，能否解決其他部門的數據需求。針對業務邏輯的模型方法，和數學模型沒有半點關係，就是針對用戶的特點，提出一套總結性質的方法，然後跟進這種方法，實現業務邏輯，更高效完成工作任務。需要懂得製作產品原型，Excel肯定要很熟。有時需要跟進項目催促開發進度。
3. 數據分析師工作內容包括從數據庫提取數據給數據運營產品，產出部分分析報告，搭建業務相關的模型（這個一般是數學模型）。
有可能會參與到報表開發，數據平臺開發。技能包括會SQL查詢（不要求複雜的SQL，不要求寫存儲過程什麼的），會寫腳本（Python，shell），使用數據分析工具（R，Python），懂得一般數學模型，例如 linear regression，logistics regression等等。不需要掌握數據挖掘的技術，組裡有數據挖掘工程師去實現。
如果你的公司業務和數據無關，比如說只有日活，存留率，或者PVUV之類的，這個數據分析一般不用搭建模型，價值不大；但如果業務和數據相關，比如是用戶投資公司的產品，數據直接和錢打交道，就需要數學模型去量化這些行為，價值不同。一般這些模型在統計學中都會學到，千萬不要以為線性迴歸就是什麼最小二乘法一條直線嘛，好好去找一個統計課本看看裡面的假設檢驗都有哪些，不要對線性迴歸停留在中學階段。實現這些模型，就是利用R或者Python。一般是離線計算，把結果放到服務器上在數據平臺展示。如果需要實時性質的計算，數據分析師肯定是搞不定的。數據挖掘工程師，掌握的技能非朝夕可得，想短期速成不現實。以上三個崗位倒有可能速成。
總結：數據分析工作由於崗位細分不同，所做的工作也是有本質上的差別，需要自己對於企業數據分析這個崗位職責詳細瞭解，明確工作的目標，任務。這樣才能做到有的放矢，然後根據具體情況，進行專業領域的學習。
希望以上解答可以幫助到你，關注作者，持續帶來職場乾貨。
鬼谷煙雲
問題比較範，取決於具體的場景，你是站在求職者的角度，還是企業管理的角度，前者的話技術不是太大問題，這都有參照，難在如何結合業務場景給出分析思路，構建分析體系，這個幾乎沒有參照。對於企業來講，數據治理通常是最大的難題，成本高，有不確定性因素在，尤其想做數字化轉型的傳統企業，路還很長，坑還很多。
數據科學與商業實踐
數據分析是通過對過往歷史數據信息歸納整理得出結論然後為預測未來做決策的重要手段。第一數據分析必須要有非常好的邏輯思維能力，邏輯混亂就無法做出正確決策
第二，數據分析要會蒐集資料，對信息的敏感決定蒐集的資料是有用還是無用，以及從龐大信息提煉出有用數據，這個腦力勞動量非常大
第三，數據的整理分析需要龐大的知識儲備，首先是社會經濟政策背景，其次行業知識，企業背景，用戶背景，產品特點，競爭對手背景，行業不同……產品，公司，行業，社會分析模型都不同，然後從各個模型找出關係得出正確結論
第四，分析軟件很多，但是針對不同客戶肯定用的也不一樣，excel，python，PPT……其次變化實在太快，每天還要學習提升才能不被淘汰
