 上传我的文档
 下载
 收藏
该文档贡献者很忙，什么也没留下。
 下载此文档
正在努力加载中...
数据分析师成长之路
下载积分：900
内容提示：数据分析师成长之路
文档格式：PDF|
浏览次数：0|
上传日期： 03:48:57|
文档星级：
全文阅读已结束，如果下载本文需要使用
 900 积分
下载此文档
该用户还上传了这些文档
数据分析师成长之路
官方公共微信新闻资讯 >
如何成为数据分析师
作者： 佚名
【CIO时代网】
最近几年大数据的概念比较火，越来越多的人感受到数据的价值，许多公司都开始招聘数据分析相关的职位。但如果你去看看国内的高校，会发现没有一所大学开有数据分析专业的，职位的成熟度还不够。
相比之下，从 2003
年兴起的互联网产品经理职位，就成熟一些，至少你可以找到大量的书，教你如何成为一名产品经理。而数据分析领域就没这么幸运了，相关的书籍虽然也有，但总觉得还没到火候。
都有哪些人想要成为数据分析师
从我看到想要成为数据分析师的人大致有三类：
第一类是非计算机专业的在校生，不知道怎么回事，反正就是对数据感兴趣了，然后想毕业之后从事相关工作，但对职位要求、该做什么准备一无所知，处于懵懂期;
第二类是互联网公司的产品经理和运营经理，及少数的市场经理。这些人在实际工作中，发现确实数据很有用，但对自己的数据分析能力感到不满意，进而想做出提升;
第三类是传统企业的业务人员，也是不知道怎么就对数据感兴趣了，想要从事数据分析相关的岗位，但缺少时间系统学习，工作经历又不足以支撑自己跳到数据分析职位。
对于不同的背景，采用一样的方法去训练，显然是不合理的。我先来讲解一下数据相关的角色以及职责，说不定你认识清楚了就不想成为数据分析师了，就可以不用往下看了。如果还有信心，那我就介绍一下要学习的基础内容，然后再介绍进阶的内容。
数据相关的角色
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。
数据分析师的职责范围
通过上面的角色划分，我们可以清楚数据分析师在整个数据版图中的位置。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。
看了这些工作内容，可能并不会觉得特别高大上。我曾经有个组员，干了一年多的数据统计工作，觉得整天写脚本太枯燥了，坚决要求再也不做相关工作了。其实数据分析师如果做的不好，就会发现自己无非是在&取数&。业务人员提了需求，然后把要的数据给提取出来，自己就是一个流水线工人，没有一点成就感。
这里发挥一下抽象能力，就可能把一些重复的&取数&工作给解决掉，用机器代替人工。所以理解业务，提供自己的思考与抽象，很重要。
数据分析师的基本要求
对数据感兴趣：是不是看到一行行的数字就头大，选择直接跳过?还是愿意花些时间研究这些数字背后意味着什么?如果你看苹果的发布会的话，会看到乔布斯的幻灯片里出现最多的就是数字，卖了多少部，分了多少钱，厚度减少到多少毫米之类的，他相信数字简单明了。
如果对数据不感兴趣，这个角色一定不适合你。
良好的理解和抽象能力：把业务人员说的只言片语，抽象为明确的数据需求，清楚怎么从基础数据中实现出来。还有把一些重复性的需求，抽象出模式来，用机器来替代。
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。
数据分析师要学习的内容
统计学：我看一些人推荐了不少统计学的专业书籍，直接把人吓跑了。我自己就大学时候学过《概率论与数理统计》，其他统计相关的内容也没怎么看过。对于互联网的数据分析来说，并不需要掌握太复杂的统计理论。所以只要按照本科教材，学一下统计学就够了。
一是让你相信统计本身是一门科学，这不是星座算命。
二是在研究数据时，知道一些特征是负责统计学规律的。我在刚参加工作时，看到百度知道过亿的用户访问，但每天访问的量波动不超过 3%，感觉太神奇了。
　　编程能力：学会一门编程语言，会让你处理数据的效率大大提升。如果你只会在 Excel 上复制粘贴，动手能力是不可能快的。我比较推荐
Python，上手比较快，写起来比较优雅。
数据库：数据分析师经常和数据库打交道，不掌握数据库的使用可不行。学会如何建表和使用 SQL 语言进行数据处理，可以说是必不可少的技能。
　　数据仓库：许多人分不清楚数据库和数据仓库的差异，简单来说，数据仓库记录了所有历史数据，专门设计为方便数据分析人员高效使用的。
数据分析方法：对于互联网数据分析人员来说，可以看一下《精益创业》和《精益数据分析》，掌握常用的数据分析方法，然后再根据自己公司的产品调整，灵活组合。
数据分析工具：SAS、Matlab、SPSS 这些工具经常有人推荐，我要说的是在互联网公司一般都用不上。
做可视化的 Tableau，统计分析的友盟、百度统计，还有像我们神策分析等。
这些工具本身不一定能满足你的所有需求，但会让数据分析变的更高效。 我自己整理过一个豆瓣书列，有兴趣的可以看看：数据分析师豆列。
上面的内容学习后，只能说成为一名合格的数据分析师。
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。
责编：pingxiaoli
李雪丽互动关注领域最近文章
了不起的IT经理
论坛与活动
我们的团队
如果您非常迫切的想了解IT领域的最新产品与技术信息，那么订阅邮箱将是您的最佳途径之一。
本网站依据国家相关规定准备了相应的稿酬，但由于客观原因无法支付。如您是这篇文章或图片的著作权人或其他权利人，请与本网站联系。本网站在确认您的身份后将予以支付。
如果您有任何其他意见，请与本网站联系，
本网站将在进行核实后24小时内采取相关措施。谢谢合作！
Copyright&2005- 版权所有 未经许可 请勿转载
北京市公安局海淀分局备案编号：号资深广告数据分析师招聘-汽车之家招聘-拉勾网
资深广告数据分析师
经验3-5年 /
本科及以上 /
分享到微信
资深广告数据分析师 /
职位描述：
工作职责：
—负责支持广告业务的各项数据分析工作。包括产品运营数据分析、用户行为数据分析、客户投放分析等。
—数据分析的核心产出可以支持产品规划制定、产品策略优化、客户运营方案等多个方面。
—基于业务需求，制定不同分析专题，定期产出专题数据分析报告；
—进行数据分析工具与平台设计，提升数据分析效率，呈现结构化分析结果，推进数据的共享与利用
—了解行业动向，及时、准确地研究、监控、分析竞争对手动态，并提出相应的对策
职位要求：
—本科或以上学历，热爱互联网行业，喜欢从数据中发现问题
—具备良好的数据分析能力，有数据分析实际经验，熟练使用1-2个主流数据分析工具
—对互联网各种商业模式了解，对市场需求有很强的洞察力，对商业产品有热情
—4年及以上工作经验，至少2年以上互联网广告行业数据分析经验
—能够承担压力，追求卓越，善于团队协作
- 丹棱街3号中国电子大厦B座10层
职位发布者:
1个月内职位发布者回复聊天的占比
回复率 --&用时--
2个月内职位发布者简历处理的效率
处理率62% &用时15天
1个月内职位发布者最活跃时段统计
中午1点最活跃
看了此职位的人还会看
推荐公司：
推荐城市：
移动互联网,文化娱乐
2000人以上
领域：移动互联网,电子商务
创始人：徐正
规模：150-500人
领域：企业服务,金融
创始人：金亦冶
规模：50-150人
领域：移动互联网,O2O
创始人：王兴
阶段：D轮及以上
规模：2000人以上
领域：广告营销,文化娱乐
创始人：龚宇
阶段：D轮及以上
规模：2000人以上
领域：移动互联网
创始人：程维
阶段：D轮及以上
规模：2000人以上
附件简历：
暂无附件简历
请选择你要投出去的简历：
在线简历：
在线简历还不完善，请完善后选择投递
附件简历：
暂无附件简历
支持word、pdf、ppt、txt、wps格式文件
文件大小需小于10M
注：若从其它网站下载的word简历，请将文件另存为.docx格式后上传
简历上传成功！
你可以将简历投给你中意的公司了。
若你发现本职位存在违规现象，欢迎举报。
举报原因：
薪资不真实
工作经验或学历要求不真实
公司信息不真实
详情描述：
还可输入 500 字
你的举报已经成功提交，拉勾网会尽快核实举报内容，对违规职位绝不姑息。
你已经举报过该职位，不能重复举报。
不想结识该职位的Leader吗？
请上传标准格式的word简历
操作说明：
打开需要上传的文件 - 点击文件另存为 - 选择.docx - 保存
上传文件大小超出限制
单个附件不能超过10M，请重新选择附件简历！
你的简历中：
学历、工作年限、期望工作城市
与该职位要求不匹配，确认要投递吗？
简历已经成功投递出去了，请静候佳音！（）
快来领取每日奖励，轻松提升投递次数& &
你还没有可以投递的简历呢
请上传附件简历或填写在线简历后再投递吧~
投递失败：今日你已投递 10 个职位，投递数达到上限。
快来领取每日奖励，轻松提升投递次数。
你在拉勾还没有简历，请先上传一份
支持word、pdf、ppt、txt、wps格式文件，大小不超过10M
登录邮箱未验证
请验证你的登录邮箱以使用拉勾网的所有功能！
我们已将验证邮件发送至：，请点击邮件内的链接完成验证。
我们已将激活邮件发送至：，请点击邮件内的链接完成验证。
你已成功收藏该职位
3月9日当天可进入“”页快速投递简历你正在使用的浏览器版本过低，将不能正常浏览和使用知乎。苹果/安卓/wp
积分 38603, 距离下一级还需 17292 积分
权限: 自定义头衔, 签名中使用图片, 隐身, 设置帖子权限, 设置回复可见, 签名中使用代码
道具: 彩虹炫, 涂鸦板, 雷达卡, 热点灯, 金钱卡, 显身卡, 匿名卡, 抢沙发, 提升卡, 沉默卡, 千斤顶, 变色卡, 置顶卡
购买后可立即获得
权限: 隐身
道具: 金钱卡, 彩虹炫, 雷达卡, 热点灯, 涂鸦板
本帖最后由 widen我的世界 于
16:28 编辑
告诉你：如何通过自学成为“高手”
　　基础篇：
　　1. 读书《Introduction to Data Mining》，这本书很浅显易懂，没有复杂高深的公式，很合适入门的人。另外可以用这本书做参考《Data Mining : Concepts and Techniques》。第二本比较厚，也多了一些数据仓库方面的知识。如果对算法比较喜欢，可以再阅读《Introduction to Machine Learning》。
17:32:16 上传
　　2. 实现经典算法。有几个部分：
　　a. 关联规则挖掘 (Apriori, FPTree, etc.)
　　b. 分类 (C4.5, KNN, Logistic Regression, SVM, etc.)
　　c. 聚类 (Kmeans, DBScan, Spectral Clustering, etc.)
　　d. 降维 (PCA, LDA, etc.)
　　e. 推荐系统 (基于内容的推荐，协同过滤，如矩阵分解等)
　　然后在公开数据集上测试，看实现的效果。可以在下面的网站找到大量的公开数据集：
17:32:15 上传
　　3. 熟悉几个开源的工具: Weka (用于上手); LibSVM, scikit-learn, Shogun
上参加几个101的比赛，学会如何将一个问题抽象成模型，并从原始数据中构建有效的特征 (Feature Engineering).
　　到这一步的话基本几个国内的大公司都会给你面试的机会。
17:32:13 上传
　　进阶篇：
　　1. 读书，下面几部都是大部头，但学完进步非常大。
　　a.《Pattern Recognition and Machine Learning》
　　b.《The Elements of Statistical Learning》
　　c.《Machine Learning: A Probabilistic Perspective》
17:32:12 上传
　　第一本比较偏B第二本比较偏F第三本在两者之间，但我觉得跟第一本差不多，不过加了不少新内容。当然除了这几本大而全的，还有很多介绍不同领域的书，例如《Boosting Foundations and Algorithms》，《Probabilistic Graphical Models Principles and Techniques》;以及理论一些的《Foundations of Machine Learning》，《Optimization for Machine Learning》等等。这些书的课后习题也非常有用，做了才会在自己写Paper的时候推公式。
17:32:11 上传
　　2. 读论文。包括几个相关会议：KDD，ICML，NIPS，IJCAI，AAAI，WWW，SIGIR，ICDM;以及几个相关的期刊：TKDD，TKDE，JMLR，PAMI等。跟踪新技术跟新的热点问题。当然，如果做相关research，这一步是必须的。例如我们组的风格就是上半年读Paper，暑假找问题，秋天做实验，春节左右写/投论文。
　　3. 跟踪热点问题。例如最近几年的Recommendation System，Social Network，Behavior Targeting等等，很多公司的业务都会涉及这些方面。以及一些热点技术，例如现在很火的Deep Learning。
17:32:10 上传
　　4. 学习大规模并行计算的技术，例如MapReduce、MPI，GPU Computing。基本每个大公司都会用到这些技术，因为现实的数据量非常大，基本都是在计算集群上实现的。
　　5. 参加实际的数据挖掘的竞赛，例如KDDCUP，或
上面的竞赛。这个过程会训练你如何在一个短的时间内解决一个实际的问题，并熟悉整个数据挖掘项目的全过程。
17:32:07 上传
　　6. 参与一个开源项目，如上面提到的Shogun或scikit-learn还有Apache的Mahout，或为一些流行算法提供更加有效快速的实现，例如实现一个Map/Reduce平台下的SVM。这也是锻炼Coding的能力。
　　到这一步国内的大公司基本是想哪去哪，而且待遇也不差;如果英语好，去US那边的公司难度也不大了。
17:32:02 上传
支持楼主：、
购买后，论坛将把您花费的资金全部奖励给楼主，以表示您对TA发好贴的支持
载入中......
写的非常好，受用了！谢谢！
楼主好强大。。。。
不错的样子
Thanks a lot!
非常好的帖子，O(∩_∩)O谢谢
无限扩大经管职场人脉圈！每天抽选10位免费名额，现在就扫& 论坛VIP& 贵宾会员& 可免费加入
&nbsp&nbsp|
&nbsp&nbsp|
&nbsp&nbsp|
&nbsp&nbsp|
&nbsp&nbsp|
&nbsp&nbsp|
如有投资本站或合作意向，请联系（010-）；
邮箱：service@pinggu.org
投诉或不良信息处理：（010-）
京ICP证090565号
论坛法律顾问：王进律师}