“数据分析师”需要注重哪方面的计算机技能培养？

最近在知乎上看到一个问题：“数据分析师应该关注哪些方面的计算机技能？”

这个问题的背景是这样的：

毕业于211大学通信专业。毕业后在运营商工作了7年多。一直从事通信网络运营、维护和规划工作。近两年负责运营商数据分析（网络部，偏向业务分析）。

由于职业发展遇到瓶颈，去年11月就打算转行，花了半年时间学习了统计学、SQL、Python等基础知识。

最近调到互联网产品部，做互联网产品（APP）的数据分析师，支持产品部的数据分析（偏向于业务分析，不负责数据仓库、ETL等IT工作）。工作内容千差万别，包括分析的粒度、工作方式（如自己编写shell脚本自己运行）、工作内容等。所以急着提高linux（shell编程）、sql等技能，加快对业务的熟悉，但还是觉得Alexander。

个人想继续往数据分析方向发展。我也知道数据分析包括三个部分：计算机科学、统计学和商业。目前比较欠缺的应该是计算机科学。, 你对提高你的计算机科学技能有什么建议吗？

今天也想用这个问题来系统回答一下“数据分析师”的职业发展，最近也在思考。

根据我近10年的工作经验，包括在甲方IT部门担任BI项目经理，在运营部门担任业务分析经理，乙方数据分析项目（EDW/BI/Big Data/AI Machine Learning）咨询及项目实现经验，按照从易到难的高级步骤，我认为应该掌握这些技巧：

基本

1、首先是Excel。看起来这很简单，但也不一定。Excel不仅可以制作简单的二维表、复杂的嵌套表，还可以绘制折线图/柱形图/条形图/面积图/饼图/雷达图/Combo char/散点图/Win Loss图表等高级功能，包括数据透视表（类似于BI的多维分析模型Cube），以及Vlookup等复杂功能，处理100万条以下的数据没有大问题。最后，许多更高级的工具都有 Excel 插件，例如一些 AI 机器学习开发工具。

2、掌握 SQL Server 或 Oracle 的 SQL 语句。虽然你是一名业务分析师，但如果你能较少依赖 IT 人员和 IT 工具（比如 BI 的多维分析模型，有时你无法获取你想要的数据）来检索数据，它无疑是一个强大的工具。商业分析。看过华为的会计写了七层嵌套的SQL语句，很惊讶。包括join、group by、order by、distinct、sum、count、average、各种统计功能等。

3、掌握可视化工具，比如BI，比如Cognos/Tableau/FineBI等。这要看企业用什么工具，比如我之前用过FineBI。这些工具可视化非常方便，尤其是分析报告如果能包含这些图表，肯定会引起高层领导的关注，一目了然，洞察业务本质。此外，作为专业分析师，多维分析模型Cube可以轻松自定义报表，效率大大提升。

FineBI

总结：至此，掌握了以上80%的技能，就可以算是一个合格的分析师了。这个阶段的数据分析师不仅要知道如何使用工具处理数据，还要了解业务场景，能够分析和解决基本问题。这里要强调一下，对于数据分析师来说，最重要的是要熟悉业务，最好能懂。了解业务，分析逻辑就会清晰通用，大部分无用的尝试都可以排除。对于长期业务，您可以比较数据以了解问题所在。

以后如果想深入钻研技术，甚至往数据科学家的方向发展。

先进的

1、统计学的系统研究

纯机器学习注重算法的预测能力和实现，但统计学一直强调“可解释性”。比如今天微博的股票增发20%，你把你预测股票涨跌的两个模型放在新浪的例子上，然后拿给你老板看。这就是统计的工作原理。

与数据挖掘相关的统计方法（多元逻辑回归分析、非线性回归分析、判别分析等）

定量方法（时间线分析、概率模型、优化）

决策分析（多用途决策分析、决策树、影响图、敏感性分析）

竞争优势分析（通过项目和成功案例学习基本分析概念）

数据库入门（数据模型、数据库设计）

预测分析（时间线分析、主成分分析、非参数回归、统计过程控制）

数据管理（ETL（提取、转换、加载）、数据治理、管理责任、元数据）

优化和启发式（整数规划、非线性规划、局部启发式、超启发式（模拟退火、遗传算法））

大数据分析（非结构化数据概念学习、MapReduce技术、大数据分析方法）

数据挖掘（聚类（k-means法、分割法）、关联规则、因子分析、生存时间分析）

其他，选择以下两项（社交网络、文本分析、网络分析、财务分析、服务业分析、能源、医疗保健、供应链管理、整合营销传播中的概率建模）

风险分析和操作分析的计算机模拟

软件级分析（组织级分析主题、IT 和业务用户、变更管理、数据主题、结果的呈现和沟通方法）

2、掌握 AI 机器学习算法并使用工具（如 Python/R）进行建模。

传统的 BI 分析能否回答过去发生的事情？现在发生了什么？但是未来会发生什么？需要算法。虽然 Tableau、FineBI 等自助式 BI 已经内置了一些分析模型，但分析师想要更全面、更深入的探索，需要 Python/R 等数据挖掘工具。此外，传统工具无法通过人工分析来实现大数据之间的隐藏关系。这时候通过算法来实现，无疑会有更多的惊喜。

其中，用于统计分析的开源编程语言及其运行环境“R”备受关注。R 的优势不仅在于其丰富的统计分析库r语言 没有这个数据集，还在于它能够生成高质量的图表，将结果可视化并使用简单的命令运行它们。此外，它还有一个名为CRAN（The Comprehensive R Archive Network）的包扩展机制，可以通过导入扩展包来使用标准状态下不支持的功能和数据集。R语言虽然功能强大，但是学习曲线比较陡峭。个人建议入手python，有丰富的统计库r语言 没有这个数据集，NumPy，SciPy.org，Python数据分析库，matplotlib：python绘图。

最后，怎么说呢，无论何时讲授业务分析、数据分析或数据科学，其价值仍在于业务价值。数据人才的最终发展还必须是业务运营副总裁和战略顾问。例如，数据战略家可以利用 IT 知识和经验做出业务决策，数据科学家可以结合对专业知识的深入理解，利用 IT 技术开发复杂的模型和算法，分析顾问可以结合实际的业务知识和分析经验来专注于关于下一次工业爆炸。

因此，你需要具备沟通、组织、管理能力和商业思维。这不限于某个位置。你需要从更高的角度思考，为公司谋取利益。同时，我们也需要思考如何用“数据分析”这张牌在公司发挥价值，用数据驱动业务运营。这是需要考虑的事情。

课程推荐

如果你想快速建立数据分析意识，找到学习方向，推荐秦路老师的《7周数据分析入门》。

如果你想从事或者已经从事数据工作，比如“表哥表哥”，就需要像大牛一样帮助和教导你，这里有安利的《决策精英》培训课程。

这门课程是我见过的最全面、最接地气的课程之一。从行业背景、个人定位、工具技术学习、业务需求合作、职业发展、放大数据分析在企业中的影响力等方面，都有非常详细的解答。

尤其是成为数据分析师之后，你可能会面临一些问题：比如，如果你根据数据分析得出结论和建议，领导不接受或不接受，决策难以执行，你自己也做不出结果。如果你的发展顺利，公司成立数据中心。作为领导者，为了满足现在和未来的各种业务需求，您可能需要设计和开发数据产品。很大一部分工作涉及到如何匹配业务和技术（si）是（bi）沟通的问题。

最后，要成为数据部门的老板，你可能需要考虑如何放大个人和部门在企业中的影响力。在这里，数据分析可能会在整个公司范围内推广，数据分析的决策也可能上升到影响战略的层面。除了技能之外，还有很多东西。