从零开始学数据分析，什么程度可以找工作，如何计划学习方案？

1. 第一阶段(一般岗位叫数据专员)

基本学会excel(VBA最好学会会做透视表熟练用筛选、排序、公式)，做好PPT。这样很多传统公司的数据专员已经可以做了

2. 第二阶段(数据专员~数据分析师)

这一阶段要会SQL，懂业务，加上第一阶段的那些东西。大多数传统公司和互联网小运营、产品团队够用了。

3. 第三阶段(数据分析师)

统计学熟练(回归、假设检验、时间序列、简单蒙特卡罗)，可视化，PPT和excel一定要溜。这些技术就够了，能应付大多数传统公司业务和互联网业务。

4. 第四阶段(分裂)

数据分析师(数据科学家)、BI等：这部分一般是精进统计学，熟悉业务，机器学习会使用(调参+选模型+优化)，取数、ETL、可视化啥的都是基本姿态。

可视化工程师：这部分国内比较少，其实偏重前端，会high charts，d3.js, echarts.js。技术发展路线可以独立，不在这四阶段，可能前端转行更好。

ETL工程师：顾名思义，做ETL的。

大数据工程师：熟悉大数据技术，hadoop系二代。

数据工程师(一部分和数据挖掘工程师重合)：机器学习精通级别(往往是几种，不用担心不是全部，和数据分析师侧重点不同，更需要了解组合模型，理论基础)，会组合模型形成数据产品计算机基本知识(包括linux知识、软件工程等)各类数据库(RDBMS、NoSQL(4大类))

数据挖掘：和上基本相同。

爬虫工程师：顾名思义，最好http协议、tcp/ip协议熟悉。技术发展路线可以独立，不在这四阶段

发现回答的有点文不对题额，不过大致是所有从底层数据工作者往上发展的基本路径。往数据发展的基本学习路径可以概括为以下内容：

1. EXCEL、PPT(必须精通)

数据工作者的基本姿态，话说本人技术并不是很好，但是起码会 *** 作要会大胆秀自己，和业务部门交流需求，展示分析结果。技术上回VBA和数据透视就到顶了。

2. 数据库类(必须学)

初级只要会RDBMS就行了，看公司用哪个，用哪个学哪个。没进公司就学MySQL吧。

NoSQL可以在之后和统计学啥的一起学。基本的NoSQL血MongoDB和Redis(缓存，严格意义上不算数据库)，然后(选学)可以了解各类NoSQL，基于图的数据库Neo4j，基于Column的数据库BigTable，基于key-value的数据库redis/cassendra，基于collection的数据库MongoDB。

3. 统计学(必须学)

如果要学统计学，重要概念是会描述性统计、假设检验、贝叶斯、极大似然法、回归(特别是广义线性回归)、主成分分析。这些个用的比较多。也有学时间序列、bootstrap、非参之类的，这个看自己的意愿。

其他数学知识：线性代数常用(是很多后面的基础)，微积分不常用，动力系统、傅里叶分析看自己想进的行业了。

4. 机器学习(数据分析师要求会选、用、调)

常用的是几个线性分类器、聚类、回归、随机森林、贝叶斯不常用的也稍微了解一下深度学习视情况学习。

5. 大数据(选学，有公司要求的话会用即可，不要求会搭环境)

hadoop基础，包括hdfs、map-reduce、hive之类后面接触spark和storm再说了。

6. 文本类(选学，有公司要求的话会用即可)

这部分不熟，基本要知道次感化、分词、情感分析啥的。

7. 工具类

语言：非大数据类R、Python最多(比较geek的也有用julia的，不差钱和某些公司要求的用SAS、Matlab)大数据可能还会用到scala和java。

如何转行数据分析师

近年来，各大平台开始炒起了“数据分析”热，导致有不少小伙伴来问我：做数据分析师有那么好吗？如何转行做数据分析师？学数据分析难不难？

我想首先澄清一个概念：“转行”。对于从未接触数据分析领域或者大数据领域的童鞋而言，“转行”这个词其实是不够准确的，大部分的童鞋还是符合“入行”这个词。就我看来，字面意义的“转行”更像是平行概念，似乎是在同一个水平面，走到街转角，然后右转，便到了另一番天地。

但是实际的“转行”是远比这残酷的。

“转行”的第一个动作一定是放弃和下沉。放弃你现在所拥有技能带给你现在的地位和薪资，是走下现在的台阶，到达更低的台阶，然后再往上攀登的过程。也就是说：没有放弃和下沉，你谈不上是在转行。如果你要转行，一定要意识到转行的残酷性。

很好，你已经意识到转行的残酷了。你放弃了现有的，也心态和身体都下沉做好了起跑的准备了。下一步，就是精准地找到那扇门：进入数据分析师世界的大门。

注意“精准”这个词。那一定是旁边那些形形色色的门你都不选，而选了唯一的这一扇门。为了找到这扇门，你经过了无数次的百度搜索，论坛搜知识点，然后在判别上去伪存真，最终找到了进入数据分析师这条正确的大门。

     

     

那如何找到这扇门呢？

高度概括就两件事：工具+方法论。工具从初级到高级的排序是：Excel, MySQL, BI, Python, 算法等。

你需要做以下几件事：

1. 掌握数据分析工具

A. 基础工具：excel

excel能够帮助你实现数据透视并可视化，只需用到其中部分功能即可完成日常量数据的计算工作。

B. 提取数据工具：MySQL

MySQL数据库中包含基本的增、删、改、查等语法，你可以利用它对数据进行清洗和规范化。

C. 分析工具：python

爬取数据，并对数据进行分析和挖掘收集，python有非常丰富的库去访问网页文档的api以及后期网页文档的快速处理。

D. 可视化工具：excel、PPT、FineBI

可视化就是将原本比较抽象的数据用图表的方式呈现出来，使数据变得更加清晰，便于理解。excel和PPT就是相当常用的可视化工具。

E. 机器学习或神经网络等算法

算法的作用就是把事物的已有特征跟这件事的结果，这个“特征x”和“结果y”之间建立一个数学公式之间的联系。从无数个已知的x，y之中找到x,y最优的关系的数学公式，最终找到一个数学公式能在已知很多x的情况下，预测它的y值。这个听起来或许没那么直观。但是它的应用是极其广泛的。比如：如果已知各个森林的各种实时数据，就能够知道哪个森林更容易着山火，下次就避免这种山火。

2. 掌握数据分析方法论

这个就是结合到公司的业务要找到最符合公司的数据分析模型。通常每一个特定行业都有业务分析习惯使用的模型，例如电商中常使用的分解因子分析，漏斗分析等；零售行业常用RFM模型；教育行业常用时间趋势分析，描述性统计分析，人物画像分析等。每个行业所对应的数据运营模型甚至是算法，都会是定制化的，个性化的，但是这背后都会有通用逻辑。掌握这些通用逻辑，是数据分析师在业务模型上变通的基础。也就像是学习篮球，你先得学会基本运球技巧，熟练左右手上篮，然后再在实战中练习传球，走位等等。掌握通用技能就是练习左右手上篮以及运球技巧，在实际业务中运用模型也就是练习走位和传球。对于想入行的零基础学员来说，掌握数据分析通用方法论是极其重要的。

然而，没有人是能够一蹴而就就掌握好这么多工具和方法论的。所有的远航都得有一个开始的远点，入门数据分析师也一样。

一开始，你可能只是学习成为初级数据专员。这要求你熟练掌握excel、PPT，会做VBA、会做透视表、会使用基本公式，这样你已经能做很多传统公司的数据专员了。第二阶段是要会SQL、懂业务，能够做一些基本的数据处理，再加上上一阶段的那些技能，你就能做大部分公司的数据运营和数据产品。然后是专业的数据分析师，你要非常熟悉统计学，回归、假设检验、时间序列等等，还要会做数据可视化，掌握了这些技术，就足以应付大多数的互联网业务。最高阶的就是数据科学家，到了这个阶段，已经成为了数据分析师中的王者，要求你精通统计学，会使用机器学习，比如调参数和优化，而取数、数据仓库、可视化什么的，对你来说就是小菜一碟。

其实，数据分析已经逐渐成为了职场中的必备技能，无论你是不是想要成为一名数据分析师，数据分析都应用在我们生活中的方方面面。学习数据分析能够充分发挥你在工作中的超强能力，如果你想要有更系统的学习方案和职业规划，欢迎加入【聚数学院】~

---