宽松的格子衫、酒瓶底一样的眼镜，这或许是大多数人对程序员这一群体的群体画像，但在大数据发展如此之快的今天，数据分析师已经成为一个新兴职业。这个听着就高大上的职业，你有没有想过也可以算得上是程序员的一个分支，他们的就业现状如何?

数据分析师不仅听起来是个高大上的职业，做起来也需要高大上的技能;所以，打算一脚踏入数据分析师行业的年轻人请注意，此门深似海，换句话说，你需要投入大量精力，而且需要学习的东西太多，导致数据分析师的回报率相对较低。
　　
数据分析师在我国属于新兴职业，这一方面意味着缺乏大量这方面的人才;但另一方面也意味着行业规模小，行业规章制度与基础设施还不完善。如此看来，数据分析师这个职业，是你的菜吗?

数据分析师的主要职责包括寻找、检索、整理和传递从数据中来的见解。数据分析师也帮助报告和发现隐藏在数据潜在产品中的有意义的见解。从商业指标到用户行为和产品表现，他们负责获取、分析和报告范围的数据。

举个例子，职责可能涵盖：

书写查询从数据库中检索数据，和正确的利益相关者分享数据
浏览用户行为来寻找可以用来提升公司产品表现的见解或趋势
解释A/B测试的结果，基于此结果做出产品推荐

很多时候，数据分析师不能就数说数，陷入各种报表中不能自拔。一个优秀的数据分析师应该具有全局观，碰到分析需求的时候退一步多问个为什么，更好地了解问题背景和分析目标。
数据分析师要在所在行业（例如电商、O2O、社交、媒体、SaaS、互金等等）展示她/他的专业度，熟悉自己行业的业务流程和数据背后的意义，避免上面的数据笑话。

很多时候，数据分析师不能就数说数，陷入各种报表中不能自拔。一个优秀的数据分析师应该具有全局观，碰到分析需求的时候退一步多问个为什么，更好地了解问题背景和分析目标。
数据分析师要在所在行业（例如电商、O2O、社交、媒体、SaaS、互金等等）展示她/他的专业度，熟悉自己行业的业务流程和数据背后的意义，避免上面的数据笑话。

很多时候，数据分析师不能就数说数，陷入各种报表中不能自拔。一个优秀的数据分析师应该具有全局观，碰到分析需求的时候退一步多问个为什么，更好地了解问题背景和分析目标。
数据分析师要在所在行业（例如电商、O2O、社交、媒体、SaaS、互金等等）展示她/他的专业度，熟悉自己行业的业务流程和数据背后的意义，避免上面的数据笑话。

数据分析师是目前比较火的一个行业。

数据分析：

SciPy and NumPy 这本书可以归类为数据分析书吧，因为numpy和scipy真的是非常强大啊。

Python for Data Analysis 作者是Pandas这个包的作者，看过他在Scipy会议上的演讲，实例非常强！

Bad Data Handbook  很好玩的书，作者的角度很不同。

适合入门的教程：

集体智慧编程  学习数据分析、数据挖掘、机器学习人员应该仔细阅读的第一本书。作者通过实际例子介绍了机器学习和数据挖掘中的算法，浅显易懂，还有可执行的Python代码。难易程度：中。

Machine Learning in Action  用人话把复杂难懂的机器学习算法解释清楚了，其中有零星的数学公式，但是是以解释清楚为目的的。而且有Python代码，大赞！目前中科院的王斌老师（微博： 王斌_ICTIR）已经翻译这本书了 机器学习实战 这本书本身质量就很高，王老师的翻译质量也很高。难易程度：中。我带的研究生入门必看数目之一！

Building Machine Learning Systems with Python  虽然是英文的，但是由于写得很简单，比较理解，又有 Python 代码跟着，辅助理解。

对中国很多企业来说，都是拥有“数据金矿”，但是已经开始挖掘数据并熟练使用数据分析的企业并不是很多。在国内外市场的影响和中国ZF的扶持下，很多企业开始整理、分析自己的数据，这导致数据分析类岗位和专门从事数据分析的企业如雨后春笋般出现，这意味着企业对数据分析师这个岗位需求会越来越大，直至出现井喷。所以笔者从目前市场供求关系来看，认为目前从事数据分析师竞争压力会小，而且越早从事越有利。

回到大数据圈子里，每一个圈子里面的人，都是在做着改变未来世界的事，都有可能引领着大数据科技与生活的完美融合，不管是互联网+、生物医疗、基因工程、智能家居还是人工智能等等，太多新领域充满了太多未知，充满了太多使命感，所以我们真正天生傲娇，每个人都是自己的英雄。

可现在这个圈子并没有健康的茁壮生态，很多人从早就认为它就是一个泡沫，人人谈，人人吹，人人忽悠。就像法国的密西西比公司泡沫、英国的南海公司泡沫。当真正每个人都在吹捧它的时候，那说明大数据已经很危险了。

我很担心，未来的以后，大数据只是数据的积累和整合，一大堆框架性的东西，只是耗钱的东西，高空楼阁。并不是担心着失业，我只是觉得自己一路探索的“数学真正的价值”，仍然还是很难得到满意的答案。那种无助，也只能是弃甲归田罢了。

数据分析师分布在不同行业中，专门从事行业数据搜集、整理、分析，并依据数据做出行业研究、评估和预测。数据分析师需要敏锐的数字洞察力，因此，统计、会计、保险、工程经济、金融、数学、计算机等专业的同学对这个行业有明显优势，但其他行业的同学如果对这个职业感兴趣，通过日常学习，掌握一些统计必备技能，亦可以从事此类工作.

这是一个用数据说话的时代，也是一个依靠数据竞争的时代。目前世界500强企业中，有90%以上都建立了数据分析部门。IBM、微软、Google等知名公司都积极投资数据业务，建立数据部门，培养数据分析团队。各国ZF和越来越多的企业意识到数据和信息已经成为企业的智力资产和资源，数据的分析和处理能力正在成为日益倚重的技术手段。

良好的表达能力：数据分析师有个天然的优势，能够直接和老板打交道，这就要求你能站在老板的层面来表达。把一堆堆的数据，很好的呈现给业务人员，帮助他们做出正确的决策。

　　快速动手能力：业务人员提的数据需求，巴不得下一秒都拿到。

　　数据分析的专业能力。

　　兴趣是可以培养的，既然愿意看这篇文章，说明有兴趣。理解、表达、动手能力，是要有意识的训练。数据分析的专业能力，是可以通过学习提升的。

数据分析师一方面要和业务人员打交道，满足业务人员的数据需求，另一方面，要借助 ETL 工程师建模好的数据，以及数据平台工程师开发的平台，来更高效的完成工作。

有些公司在人员紧缺的情况下，会把 ETL 工程师要做的工作，也安排给数据分析师，这样对数据分析师的开发能力和建模能力，就会有更高的要求。最后一点是提供洞察，前面的工作更多的是被动的，数据分析师还要主动的发现数据中的异常，将这些异常指导业务。

数据分析师一方面要和业务人员打交道，满足业务人员的数据需求，另一方面，要借助 ETL 工程师建模好的数据，以及数据平台工程师开发的平台，来更高效的完成工作。

有些公司在人员紧缺的情况下，会把 ETL 工程师要做的工作，也安排给数据分析师，这样对数据分析师的开发能力和建模能力，就会有更高的要求。最后一点是提供洞察，前面的工作更多的是被动的，数据分析师还要主动的发现数据中的异常，将这些异常指导业务。

围绕数据分析，主要有六种角色。从平台建设线上，包括：
　　数据平台工程师：负责数据平台的研发，牵涉到从数据采集到分析的相关组件开发。
　　数据挖掘工程师：利用机器学习/数据挖掘相关技术，研发算法模型，用于个性化推荐、用户画像、精准广告等。
　　数据产品经理：把数据相关的需求抽象为数据平台的功能产品。
　　从数据流向的角度，包括：
　　ETL工程师：把工程团队的模块产生的数据，不管是日志、数据表，还是埋点的数据，进行清洗、转换，建模成利于数据分析的数据。ETL是Extract–Transform–Load的缩写。
　　数据分析师：利用ETL工程师处理好的数据，满足业务人员的数据需求。
　　业务人员：产品、运营、市场、管理层等，因为产品改进、运营活动、商业决策等，有数据需求。

要成为高级数据分析师的话，一方面是要强化对业务的理解，最好是做到通过数据分析帮助公司决策方向，或者说促进企业快速增长。另一方面，要加强机器学习/数据挖掘的专业知识学习，将机器学习成为数据分析的手段。比如预测用户的流失，对用户进行自动分类等。你能提供的价值就大不相同了。 最后，要强调的是，数据分析师是一个实践的职位，要在实际项目中不断的训练，才能成为高手。

数据分析师的工作就像是一个化腐朽为神奇的过程，一本大数据有关的书里说大航海时代一个聪明人买来很多船只的航海日志，从里面提取出各种事件（比如什么时间、什么地点、什么天气、遇到什么洋流……）。这些事件就是多维数据，积累到一定程度以后，他搞出一个可以按个性化维度检索信息的“书”，比如可以帮助推测今年夏天适不适合去南美、如果适合走哪条航线最安全、或者走哪条航线最快速……

不同行业不同公司对数据分析师的要求会很不一样，比如说银行做数据分析、建模会要求 SAS/SQL，而互联网行业数据分析只要会 SQL 就可以了。再比如说小公司可能会要求还会 R/Python 什么的，但是稍微中型一点的公司比如说 Facebook 只需要会 SQL 就行了。乍一看有点奇怪，但其实也不奇怪，因为大一点的公司基础设施做得好，很多事情比如说 A/B test 这种都自动化了，不需要专门写代码。

数据分析师在企业中的几种角色：

数据分析——助理分析师、分析师、高级分析师、资深数据分析/数据分析专家、商业分析师；

数据产品经理——我特别喜欢这种角度，我觉得真正的数据分析师，应该有产品的思维逻辑。因为不管你在做报表、报告、系统，那怕是一个简单的数据需求，你都可以理解为一种数据产品。(什么是产品？产品是解决目标用户的问题。请分析师都牢记这一点。)

数据挖掘——数据挖掘工程师、资深挖掘工程师；

数据分析师手中拥有一座宝藏。作为滴滴出行数据分析团队的负责人，刘普成发现了数据分析师通往卓越的秘诀：视野。数据分析提供了这样一种可能：它不是简单的技术工种，它是最具有潜力的一项工作，背后蕴藏着相当多的机会。

什么样的人适合做数据分析师？
除了需要相关的基本的技能外，也许下面的内容对一个数据分析师成长更为重要：
1、看到数据有兴奋感的人。有兴奋感说明你有兴趣，那说明很会有意愿把数据分析好。
2、愿意学习的人。你分析的内容永远不会一成不变，即使你分析的主题是相对固定，但业务是变化的，你需要不断的学习业务，与不同的人沟通，吸收别人的观点。所以分析师一定要报着学习的态度。
3、逻辑思维较强的人。数据分析师想要把你的分析做好，一定要有结论思维。
4、表达与沟通。因为数据分析最终价值的实现，一般来说不会是分析师亲自去制定或者实施。所以你需要很有条理、逻辑清晰地向别人表达，让业务方认识到你分析结果的价值，从而影响业务方去愿意使用你从数据中得到的观点。

把数据分析作为一种能力培养，让自己在现在的团队中展现出良好的数据分析能力，为你以后内部转岗做好准备。如果内部转岗不成，你可以考虑跳槽到我之前分析的行业中，但我强烈建议你还是需要把系统开发的编程能力学习好，并且对商业智能系统(BI和CRM)有一定了解，这也许是应聘数据分析的优势。如果没有数据分析经验去应聘，相对会难一些，用人单位会考你统计和数据挖掘模型方面的知识，以及工具使用情况。

想要成长为一个数据分析师，要注意「理解」你的知识，形成一个系统，而不是像机器人一样机械地胡乱套用模型。在这个理念下训练你的编程能力，了解你所分析对象的原理和尽可能多的细节。在这个基础上，才能谈数据分析。

Excel对十万条以内的数据处理起来一点不虚，但是资深的数据分析师还是笑摸狗头，Too Young Too Sample，爷搞得都是百万数据。要百万数据，就得上数据库。

SQL是数据分析师的核心技能之一。有些公司并不给数据库权限，需要分析师写邮件提需求，这非常不好。数据分析师经常有各类假设需要验证，很多时候写十几行SQL就能得到的答案，还得麻烦其他部门导出数据。

数据分析师，入门并不难，现在很多学生或是转行希望从事数据工作，但数据工作并不是做做EXCEL表格，处理简单相加相减而已，更重要的是形成一个大局系统的思维，从中又缺乏细心敏感的心，才能把工作做好，而且也会提升自己的生活质量，办事能力。

数据分析师分布在不同行业中，专门从事行业数据搜集、整理、分析，并依据数据做出行业研究、评估和预测。数据分析师需要敏锐的数字洞察力，因此，统计、会计、保险、工程经济、金融、数学、计算机等专业的同学对这个行业有明显优势，但其他行业的同学如果对这个职业感兴趣，通过日常学习，掌握一些统计必备技能，亦可以从事此类工作.

由于不同的目标，竞品分析所对应的侧重点不同。数据分析师在企业运营过程中通常发挥着“医生”般的作用，对内“巡诊开方”，对外则是“找病例，研究药方”，而找病例，研究药方的过程则是竞品分析的过程，对数据分析师而言，用竞争对手研究来描述竞品分析更恰当。

作为数据分析师，如果不和业务部混在一起，商业敏感就不会凭空出现在你的面前。坚持带着业务问题来观察数据或者带着数据来观察业务，兼备二者的敏感，就做到“通”，更深层次的通是存在于公司组织中的数据。数据能不能做到在获取、使用、分享、协同、链接、组合之上让自己变得超级简单和便捷，这时数据化运营里面非常重要的一点，正是晒的内容。

就 数据分析职业来说，个人感觉这对互联网公司来说是非常重要的，也是确实能够带来实际效果的东西。比如说利用数据分析做会员的细分以进行精准化营销；利用数 据分析来发现现有的不足，以作改进，让顾客有更好的购物体验；利用CRM系统来管理会员的生命周期，提高会员的忠诚度，避免会员流失；利用会员的购买数 据，挖掘会员的潜在需求，提供销售，扩大影响力等等。