|
数据分析师如今逐渐已经成为一个热门的岗位，在这个流量为王的年代，数据的重要性也日益增高，许多企业都是意识到了这一点，纷纷开始招募相关的数据型人才。 数据分析师的基本职业发展道路为：初级数据分析师-中级数据分析师-高级数据分析师。 这三个不同阶段的数据分析师，在工作内容、核心技能、薪资待遇方面层层递进，这不仅说明数据分析师需要保持不断学习的能力也说明了数据分析师岗位是个不断上升、十分有发展前景的工作。 那么每个阶段需要拥有哪些技能和需要处理哪些业务呢？让我们一起来看一看。 初级数据分析师 初级的数据分析中最常见的工作有三种：数据提取、报表开发、撰写分析报告。 数据提取将会是你的主要工作，也是一切分析的基础。 不夸张的说，大部分分析项目中80%的精力都在数据获取和加工的阶段。 从数据库中想尽一切办法把数据提取出来，看似并不复杂，但对你的SQL功力是个考验。 有时候一个over函数可以节省几百行的代码，一段SQL的优化可以提高十倍以上的效率。所以踏踏实实的把数据提取做好，不要认为这个毫无意义。 当你可以高效准确的把数据提取做好之后，就可以着手进行报表开发的学习：将常用的数据提取固化下来，形成表格或可视化的图表。 这时候你会发现之前学习的Excel和数据库设计等知识要发挥作用了。 需要进一步学习BI方面的基础知识，了解什么是星型模型、数据仓库、Cube等。推荐一本《数据科学与大数据分析》。 Excel也是可视化工具，但只能在单机上查看，所以更多时候会学习一些报表开发工具或可视化分析工具，比如：PowerBI、Tableau等。在网上可以搜到这些工具的视频教学，下载试用版自行练习就行。 撰写分析报告，就是把众多报表组合成一篇可以让人读懂的PPT。 这时候考验的就是你的PPT功力了。一份好的分析报告除了简洁和漂亮的PPT，更重要的抓住主题、清晰的分析思路和有价值的结论。如果你还能够生动的把PPT的内容讲出来，那就更完美了。 做好了以上三个方面，恭喜你，你应该已经成为了一名略有小成的数据分析师。 中级数据分析师 在初级的要求基础上，要求掌握多元统计、时间序列、数据挖掘等理论知识，掌握高级数据分析方法与数据挖掘算法，能够熟练运用 SPSS Moderler、SAS、Python、R 等至少一门专业分析软件。 熟悉适用 SQL 访问企业数据库，结合业务，能从海量数据提取相关信息，从不同维度进行建模分析，形成逻辑严密能够体现整体数据挖掘流程化的数据分析报告。 数据库技术（必修）:用 SQL 访问企业数据库，结合业务，能从海量数据提取相关信息，从不同维度进行建模分析，形成逻辑严密能够体现整体数据挖掘流程化的数据分析报告；简单了解关系型数据库与非关系型数据库的关系，数据库增删改查，高级查询，高级应 实用型大数据挖掘算法、(Apriori 算法、Tanagra 工具、决策树)：深入浅出数据挖掘技术。所谓“深入”，指得是从数据挖掘的原理与经典算法入手。其一是要了解算法，知道什么场景应当应用什么样的方法；其二是学习算法的经典思想，可以将它应用到其他的实际项目之中；其三是理解算法，让数据挖掘的算法能够应用到您的项目开发之中去。所谓“浅出”，指得是将数据挖掘算法的应用落实到实际的应用中。课程会通过三个不同的方面来讲解算法的应用：一是微软公司的 SQL Server 与 Excel 等工具实现的数据挖掘；二是著名开源算法的数据挖掘，如 Weka等开源工具；三是利用 Java、C#语言两种语言做演示来完成数据挖掘算法的实现。 SPSS Modeler 数据挖掘：将挖掘技术所涉及的思想、方法、参数与统计学基础联系起来，了解包括维度、数据、分析、数据流等在内的功能、参数的实际义和选择、组合等应用方法。 Python 网络爬虫技术 :掌握应用 Python 爬虫基础库；掌握使用 Python 爬虫利器；掌握使用 Scrapy 项目构建；熟练掌握 Scrapy 流化开发；熟练使用 Scrapy 拓展；掌握使用 Scrapy 与 Mysql 交互。 机器学习扩展深入（Python 语言、算法、Numpy 库、MatplotLib）：两大类机器学习的方法：有监督学习和无监督学习，其中有监督学习里面，又分为分类和预测数值型数据。这些算法都是基础的算法。通过深入学习Python来实现数据挖掘下方算法。 人工智能之机器学习（扩展）：了解线性回归、掌握决策树的应用、熟练使用SVM支持向量机、熟练使用聚类+贝叶斯、掌握EM-HMM-LDA-ML。 文章来源：网络 版权归原作者所有 上文内容不用于商业目的，如涉及知识产权问题，请权利人联系小编，我们将立即处理 |
|
|
