啊哈哈哈
数据分析专业度决定了工作难度
数据分析师有很多个分支岗位，岗位的划分和公司的业务相关。
对个人而言，岗位的职责不同导致了对技能的要求不同。
1. 数据运营这种数据岗主要是偏运营方向。
工作内容是制作报表，提数据需求给开发人员，产出分析报告，承接其他部门的数据需求四大内容。对技能没有太多要求，Excel很熟，需求能和开发说清楚，明白什么外部需求可以处理，什么不能处理。分析报告自己懂得提取关键点，总结导致数据结果的原因，讲解如何去实现关于数据的任务。
2. 数据产品这种岗位偏向与搭建数据类的产品。
数据类产品分很多种，在公司内部最常见的是数据平台的搭建，或者是针对某个业务逻辑的模型方法。其中，数据平台的产品就是确定我们要看什么数据，以什么方式展示出来，能否解决其他部门的数据需求。针对业务逻辑的模型方法，和数学模型没有半点关系，就是针对用户的特点，提出一套总结性质的方法，然后跟进这种方法，实现业务逻辑，更高效完成工作任务。需要懂得制作产品原型，Excel肯定要很熟。有时需要跟进项目催促开发进度。
3. 数据分析师工作内容包括从数据库提取数据给数据运营产品，产出部分分析报告，搭建业务相关的模型（这个一般是数学模型）。
有可能会参与到报表开发，数据平台开发。技能包括会SQL查询（不要求复杂的SQL，不要求写存储过程什么的），会写脚本（Python，shell），使用数据分析工具（R，Python），懂得一般数学模型，例如 linear regression，logistics regression等等。不需要掌握数据挖掘的技术，组里有数据挖掘工程师去实现。
如果你的公司业务和数据无关，比如说只有日活，存留率，或者PVUV之类的，这个数据分析一般不用搭建模型，价值不大；但如果业务和数据相关，比如是用户投资公司的产品，数据直接和钱打交道，就需要数学模型去量化这些行为，价值不同。一般这些模型在统计学中都会学到，千万不要以为线性回归就是什么最小二乘法一条直线嘛，好好去找一个统计课本看看里面的假设检验都有哪些，不要对线性回归停留在中学阶段。实现这些模型，就是利用R或者Python。一般是离线计算，把结果放到服务器上在数据平台展示。如果需要实时性质的计算，数据分析师肯定是搞不定的。数据挖掘工程师，掌握的技能非朝夕可得，想短期速成不现实。以上三个岗位倒有可能速成。
总结：数据分析工作由于岗位细分不同，所做的工作也是有本质上的差别，需要自己对于企业数据分析这个岗位职责详细了解，明确工作的目标，任务。这样才能做到有的放矢，然后根据具体情况，进行专业领域的学习。
希望以上解答可以帮助到你，关注作者，持续带来职场干货。
鬼谷烟云
问题比较范，取决于具体的场景，你是站在求职者的角度，还是企业管理的角度，前者的话技术不是太大问题，这都有参照，难在如何结合业务场景给出分析思路，构建分析体系，这个几乎没有参照。对于企业来讲，数据治理通常是最大的难题，成本高，有不确定性因素在，尤其想做数字化转型的传统企业，路还很长，坑还很多。
数据科学与商业实践
数据分析是通过对过往历史数据信息归纳整理得出结论然后为预测未来做决策的重要手段。第一数据分析必须要有非常好的逻辑思维能力，逻辑混乱就无法做出正确决策
第二，数据分析要会搜集资料，对信息的敏感决定搜集的资料是有用还是无用，以及从庞大信息提炼出有用数据，这个脑力劳动量非常大
第三，数据的整理分析需要庞大的知识储备，首先是社会经济政策背景，其次行业知识，企业背景，用户背景，产品特点，竞争对手背景，行业不同……产品，公司，行业，社会分析模型都不同，然后从各个模型找出关系得出正确结论
第四，分析软件很多，但是针对不同客户肯定用的也不一样，excel，python，PPT……其次变化实在太快，每天还要学习提升才能不被淘汰
