一切事物尽需分析，当然了，数据也需调整与分析，本篇文章为大家详细介绍了进行数据分析时所需注意事项，以及必备技能讲解，那么带大家进入本篇文章吧！
大数据如此火爆的时代，各种人才倍受青睐。视野决定了境界和能力，而所处的环境又决定了视野。好多人不知道什么是数据分析师，认为会熟练使用Excel就是数据分析师，如果你还会使用Excel中的一些高级功能如透视和函数等等，可能别人就认为你是牛*的数据分析师了，如果你工作中还用到了VBA，(word天啊!)，在别人眼中你就是数据分析大神了。真的是这样吗?诚然，单用Excel的确可以解决大部分的数据问题，但是作为一个数据分析师，你并不是一个基层的统计分析从业者，那么数据分析师应该是怎样的职业呢?
(一)数据分析师的职场之路
图1:数据分析职位分类
数据分析的职位分类按照数据处理的不同阶段分为数据采集、数据分析、与数据挖掘三种。其中数据采集的概念是对企业来说的，是jacky企业(航航数据)在做的事，包括原始数据源的采集和地理信息数据的采集，这里受众面太窄，就不一一说了，想了解的朋友可以私信我。
下面主要说下数据分析和数据挖掘的职位：
大家要记住一句话：数据分析的职位分为业务方向与技术方向两个方向，这两个方向决定了两条不同的职业规划和晋升途径，包括下面章节要说的数据分析的学习规划也跟这两个方向紧密相关。
1、业务方向
大家在招聘网站中搜索数据分析的职位，大概分为两类：辅助业务的数据分析职位和数据分析师职位。
1)辅助业务的数据分析：一般在零售业里职位设置较多，该职位一定要对业务烂熟于心，对业务有长时间的积淀和理解，用数据发现业务流程中的问题，并提出合理化的解决方案，分析数据是为整个商业逻辑去做支撑。细分职位包括：市场调查、行业分析和经营分析三类。
2)数据分析师：业务方向的数据分析师，该职位招聘时一定前面有一个限定词，什么数据分析师，归结起来分为三类：产品数据分析师，运营数据分析师和销售数据分析师。
2、技术方向
技术方向主要指数据挖掘方向，分为三类：数据挖掘工程师(机器学习)、数据仓库工程师(构架师)和数据开发工程师。在互联网和金融行业岗位设置较多
普遍来说：技术方向的基础岗的工资薪酬要比业务岗的薪酬高一个等级，但是做到管理岗的话，在中国，业务岗的薪酬比技术岗的薪酬要高。
(二)数据分析从业者需具备的核心能力
图2:数据分析核心能力体系
我认为，数据分析从业者要具备四种核心能力：1、基础科学的能力;2、使用分析工具的能力;3、掌握编程语言的能力;4、逻辑思维的能力
1、基础科学的能力
可以说，在数据决策的时代，数据分析几乎渗透到企业的每个业务环节中，行业数据分析报告更是淋漓满目，发布报告的有的是世界500强企业，有的是知名的数据洞察咨询公司，jacky做为第三方数据评估机构的从业者，在看到可视化效果越来越绚丽的同时，我也忧心忡忡，大多数的数据分析报告：逻辑不见了，故事线没有了，统计学支撑没有了，金在其外，败絮其中。
统计学，数学，逻辑学是数据分析的基础，是数据分析师的内功，内功不扎实，学再多都是徒劳。
掌握统计学，我们才能知道每一种数据分析的模型，什么样的输入，什么样的输出，有什么样的作用，开始我们并不一定要把每个算法都弄懂。
#p#分页标题#e#
如果我们要做数据挖掘师，数据能力是我们吃饭的饭碗。如果你没有数学能力，用现成的模型也好，模块也好，也能做，但一定会影响你的技术提升，当然更影响你的职位晋升。
2、使用分析工具的能力
数据分析工具：SQL、SPSS、SAS、R、EXCEL等等吧，都必须掌握并且会应用，毕竟企业需要的不是学者而是应用型人才。
3、掌握编程语言的能力
不会Python、不会R，说你懂数据分析谁都不信。
4、逻辑思维的能力
逻辑思维对于数据分析来说特别重要，不单单是数理逻辑这块，还要有逻辑学的知识。反映商业数据里，大家可以理解为去搭建商业框架或者说是故事线，有逻辑的推进，结果才会另人信服。
下面补充下做数据分析的流程逻(参考知乎网友，有改进，非原创)：
1)提出假设
2)验证假设(统计方法)
3)取数(SQL / Hive / Spark)
4)清洗和整理数据(R / Python Pandas / PySpark)
5)可视化(Excel / R ggplot2 / Python matplotlib)
6)展示给非技术人员(PowerPoint / Tableau / iPython Notebook / R Markdown)
(三)2017，数据分析学习规划
任何一门技术或学科都有其内部规律，需要有计划，有先后，循序渐进来学，jacky跟大家分享下润禄数据学院的一些经验：2017，数据分析的学习规划(因个体差异，仅供参考)
下图：橙色区域代表数据采集板块，蓝色区域代表数据分析板块，绿色区域代表数据挖掘板块。
图3:数据分析学习规划(从入门到中级)
1、统计学(业务方向)与SQL(技术方向)：首要必会技能
任何数据分析师从事业务方向的工作都必须会统计学，统计学的学习最好辅助SPSS或其他SAS来学，做到数据分析基本功扎实，兼顾实战性。
任何数据分析师从事技术方向的工作都必会SQL，不单是数据分析师，每一个运营、产品经理、尤其是互联网行业，一定要会SQL，基本知名互联网公司的产品经理都能写SQL。
学习中，要掌握SQL的基础语法、中级语法和常用函数，结合关系数据库系统(Oracle Database、SQL Server、DB2等)来学习SQL语句，找好方法，真的不难。
2、Python与R：不分伯仲，都要掌握
Python主要掌握基础语法，pandas操作、numpy操作、sklearn建模，学会用python编写网络爬虫爬取数据，等等。
R语言就是为了统计而存在的语言，我们要掌握R语言的基础语法、数据管理、数据挖掘建模与评估等。
在中国，尽管网络营销的概念很火，但网络营销的效率低于一些发达国家也是事实。无论是门户广告、搜索引擎广告，还是广告联盟，从行业平均转化率上看，都要低于国外较为成熟国家的水平。据估计，国内的Bounce rate(蹦失率，即用户只浏览第一页即离开的比例)介于90%~99%之间，而欧美的Bounce rate则是70%左右。诚然，国内的网络营销环境处于发展之中，环境不那么尽如人意，但中国互联网络信息中心分析师孙秀秀认为，出现这种情况的很多责任在投放广告的企业方，在于对营销背后的数据分析工作的不重视，没有精确定位有效的客户群，导致大量的展示给了不相关的网民。通常，广告投放前的数据分析可以分为两步走。第一步：描述目标群体。比如，目标群体是18～25岁，上网购物的年轻女性。第二步：描述此群体的网络活动轨迹。也就是说，知道目标客户群上什么网站、做什么事、在什么时间地点能够找到他非常重要。实际上，论覆盖面，网络营销还远远赶不上传统媒体。2009年底中国的互联网普及率为28.9%，而同期中国电视的普及率却已经超过80%。但是，仍旧有很多有远见的企业选择网络营销。其中的一个重要原因是，网络营销的全过程都可以被追踪到，通过数据分析可以随时调整投放方式。
以上是我们第二阶段要学的技能。
3、数据可视化
有了Python、和R的基础，我们可以就可以学习数据可视化了。运营和产品都需要学习可视化，可视化说白了，就是画图，但做为数据分析师来说，我们不能用EXCEL 来实现可视化，因为它的局限性太大了。这里也不建议花太多时间学习给非专业人士展示的Tableau，有1个小时学会Tableau足够。
Python中可视化的工具有matplotlib,seaborn,ploltly;
R中可视化工具有plot基础库、ggplot2
随心所欲，用Python和R，你就知道做数据分析工作是多么爽一个事
4、数据挖掘
这里知道要掌握基本概念，知道数据挖掘时做什么的，知道它与数据分析相比有什么不同
5、监督学习、非监督学习、模型评估
#p#分页标题#e#
Model建模，知道模型建好后应该怎样去评估，掌握怎样用一些定量的指标，数据，数值来衡量模型建好后到底有多准确，或者说到底有多错误。模型评估的指标或计算方式选择正确与否，能够直接影响到整个项目获模型是否有效。
6、以上这些只是数据分析的入门，还有… …
机器学习，文本与自然语言处理，分布式计算工具SPARK…. …
数据分析的路上，你准备好了吗?2017，跟我一起，来逆袭吧
包括样本基本资料的描述，作各变量的次数分配及百分比分析，以了解样本的分布情况。此外，以平均数和标准差来描述市场导向、竞争优势、组织绩效等各个构面，以了解样本企业的管理人员对这些相关变量的感知，并利用t检验及相关分析对背景变量所造成的影响做检验。
小结：看完本篇文章是不是有很深的感受，对于数据分析的相关事宜有了了解了吧？更多详细内容，尽在课课家教育！我在这里等你！
