如何成为一名数据分析师
大数据时代，数据为王。用数据做分析，为公司决策提供指导，是很多公司在这个精细化运营、降本增效的时代必须要做的事情。各大企业都建立了数据分析部门。截至目前，国内数据分析人才缺口14万，预计2025年市场规模将达到2000亿！数据分析与其说是一项工作，不如说是一项重要的技能。拥有这项技能意味着你的就业前景更好，职业发展更广阔。
那么如何学习零基础数据分析呢？接下来，我将从学习周期、学习内容、职业发展规划三个方面带大家全面了解数据分析这个行业。
1.学习数据分析需要多长时间？
每个人的学习能力和基础不一样，所以数据分析的学习周期也不一样。如果是通过自学，这个周期可能会很长，因为没有专业老师的指导，没有系统的学习。一般来说，零基础学习者如果进行系统的训练，最快也要近三四个月。数据分析的学习要从熟悉表格和表格结构开始，其本源必须建立在熟悉Excel和能够从数据库中提取数字的基础上才能提升技能。你的技能从能够从数据库中提取数字，用Excel和BI处理数万行的小数据，到用python批量处理数十万甚至数百万行的中型数据，最后使用大数据的相关组件，如hadoop、spark、flume等组件处理数千万甚至数十亿的大数据。每个阶段所需的工具和方法是不同的。一般来说，对于能够处理中等数据的自学型分析师来说，至少要了解一下python的熊猫、numpy等数据处理库。这种零自学的循环，一般也与理解和自律有关。悟性和自律性高的同学，4个月可能就能掌握；如果学生没有悟性和自律性，这个周期可能会半途而废，无法估计时间。这里推荐数据分析实战就业班(聚聚学院)，重点培养数据分析师的数据处理能力、数据分析能力、数据挖掘能力。课程内容包括数据库管理、统计理论和方法、主流数据分析软件的应用以及数据挖掘算法等。，并以实战练习系统讲解了一套数据分析流程技术。学习后，学习者可以直接达到数据分析师的水平。
2.数据分析应该学些什么？
(1) Excel
说起Excel，可能有人会觉得这很简单，但是Excel确实是一个强大的武器。零基础科学的数据分析师一定要从Excel开始，因为Excel是处理小规模数据企业用的最多的工具，在基础数据分析师和数据操作中起着极其重要的作用。作为数据分析师的核心工具，具体学习内容包括Excel函数技能(搜索函数、统计函数、逻辑函数)、Excel快速处理技能(格式调整、搜索定位、快捷键技能等。)和Excel可视化技能(组合图、条形图、数据气泡图)。
(2) Mysql
SQL也是零基础学习数据分析的核心内容。因为作为数据分析师，你首先要解决的问题是你有数据要分析。通常情况下，企业会有自己的数据库，数据分析师首先要知道自己要根据业务需求从企业数据库中提取什么数据。如果企业部署了本地数据库，提取数据必须是SQL语言。SQL很好理解，非常好用，一定要学。SQL语言从学习MySQL数据库开始，涉及到添加、删除、修改、查询表结构数据。在现实企业中，数据分析师一般没有增删改的权利，只有检查的权利。学生要重点掌握各种句型。
(3) Python
Python的基础对于数据分析师来说非常重要。对于10万或者100万的数据量，Excel和BI都会因为运行卡顿而完全无法使用。但是在实际的企业应用中，一次处理十万级、百万级的数据是很常见的。Python是处理这种中量级数据的有力工具。因为Python有很多强大的第三方库，比如Numpy，Pandas，Matplotlib，Seaborn等等。这些库使数据分析师能够清理和分析数百万的数据。Python不仅可以清洗数据、画图，还可以用sklearn分析大数据算法。虽然Python是数据分析的重要工具，但是在不同的职业发展方向上，Python的掌握程度不同。
(4) BI商业智能工具
BI可以理解为Excel图表透视表的高级版本。BI就是把表格相互连接起来，然后画出很多指标图。这是一个大屏幕看板，如下所示:
BI看板图
企业销售指标、运营指标、物流指标等等。这些曲线图可以显示企业过去5个月的平均销售单价，过去24个月销售的物流出货量变化曲线，甚至现在的实时销售额。这些都是企业关心的问题。有了这个看板，领导层在监控企业的业务方面就有了非常直观的数据，让他们能够及时做出决策调整。现在市面上比较流行的BI软件有FineBI，PowerBI等等。这些BI软件其实很像，学起来也不难。从入门到精通学习FineReport和FineBI，快速挖掘数据的价值，将这些数据转化为有用的信息，为企业决策提供数据依据，从而驱动企业决策和运营。
(5)数理统计和数据运算
数理统计和数据操作方法论是数据分析师的理论基石。数理统计包括概率论、统计学、线性代数和基本微积分理论。这些内容不需要深入理解，但其原理和内涵需要掌握。因为整个数据分析的来源其实是脱胎于描述性统计分析。描述性统计分析是统计样本总数和平均值；数据分析中涉及的算法是统计学中更深层次的架构建模。所以，掌握数理统计的相关知识，对于入门级的数据分析师来说，是基本的，也是必须的。
数据运营方法论是什么？数据运营的方法论其实就是学习各个行业运营的分析模型。举个例子，对于电子商务，漏斗分析可以分析出进入首页的人数PV1，进入服装板块的人数PV2，PV2/PV1可以得到一个进入服装板块的比例。还有很多通用的分析模型:相关性分析，A/B检验等。对于想发展管理路线的数据分析师来说，数据操作是必须学习的知识。其实数据操作的知识并不复杂，就是根据自己的业务需求把指标拆解到最细，然后用同比和环比两种数据分析方法。
(6)机器学习
最后一个高级水平，需要数据分析师掌握分析大量数据的能力。这种分析不仅仅是描述统计分析和使用数据运算方法，还包括预测分析。预测分析的本质是利用已有的数据，算出一组变量X与预测终值Y之间的关系(即数学算法公式)，然后用这个算法把更多的X输入算法，得到一个预测值Y，这里不懂也没关系。简而言之，这个阶段的数据分析就是利用大量的历史数据构建一套数学公式(即算法)，并利用这个数学公式来预测未来。比如一个人刷了很多体育短视频，根据算法可以得出这个人可能对腾讯体育会员看足球比赛感兴趣。这种推断和预测对商业世界意义重大。如果你想成为一个能掌握算法的数据分析师，机器学习是一个不能跳过的入门。学生要从简单的一元回归、多元回归、logistic回归学习，逐步学习决策树、随机森林、SVM等更高级的算法。
3.数据分析的职业发展规划？
一般来说，数据分析有两条路线，一条是管理路线，一条是技术路线。发展到管理层，比如初级数据分析师，到数据运营，到数据分析经理，数据运营总监等等。这条发展路径主要需要统计、Excel、PPT等技能，需要写一份市场分析报告。这条路看似技术掌握不算太深，但对业务的理解却极其深刻。而深刻的商业理解需要时间和深厚的商业研究精神。如果是不是数学、计算机、统计专业的朋友，更适合这条非技术类的职业发展道路。
而且要往技术方向发展，目标会很明确。一是向数据挖掘方向发展，学习深度神经网络、NLP等前沿算法。二是深入数据分析与开发，学习hadoop、spark等大数据组件。这是技术的一个发展方向，需要更高的统计能力、数学能力和编程能力。
其实无论是非技术业务方向还是技术专家方向都需要两个字:研究。当然，听到这里，我们也需要重重的阐述一下:初级数据分析入门并不难。后半段很难成为一名优秀的数据分析师，需要刻苦学习。
如果你看到这里，觉得你已经对数据分析师的入门方向做好了心理准备，但是如果你没有基础，真的不知道怎么入行，欢迎你私聊，免费获取数据分析师知识点大纲，免费做数据分析师入门咨询。