數據分析適合學哪些理論

A. 數據分析需要掌握哪些知識

數據分析需要掌握中學數學、概率論與數理統計、線性代數、計算機基礎理論，以及掌握任意一門編程語言。

B. 數據分析要學習哪些

學什麼?

數據分析要學的內容大致分為6個板塊，分別是：

Excel

精通Excel分析工具，掌握Excel經典函數，准確快速地完成數據清洗,利用Excel數據透視及可視化，可以透過現象看本質。

MySQL

理解MySQL資料庫相關概念及存儲原理，掌握SQL基本的增、刪、改、查等語法掌握資料庫性能調優策略，熟練使用SQL進行數據清洗與數據規范化。

BI商業智能工具

了解商業智能的核心價值，精通FineReport、FineBI，快速挖掘數據價值，掌握行業場景應用。

Python

學習Python基本編程語言知識，了解Python程序的計算機運行原理，能夠使用Python編程處理工作中的重復性工作。 掌握網路數據抓取技術，Python資料庫應用開發，實現Python數據可視化操作，提高數據收集和數據分析能力。 掌握Python數據分析處理基礎庫，具有應用Python語言解決數據分析中實際問題能力。

數據分析思維與理論

掌握微積分、線性代數、概率論、參數估計、假設檢驗、方差分析等數理統計基礎 掌握基本的數學、統計學知識，學習數據運營方法論、機器學習夯實基礎，提升數據敏感性，建立數據思維和數據素養。

掌握如何撰寫行業分析報告和數據分析項目流程，能夠獨立完成數據分析項目。 掌握常見的數據運營方法如AARRR、漏斗、ABTset、描述性統計分析、相關分析、指數系統搭建等，培養利用多種數據分析方法解決實際工作問題能力。

機器學習

掌握機器學習常用經典演算法原理及sklearn代碼的實現、機器學習演算法的選取、調優及模型訓練、神經網路的特點及原理，增加個人核心競爭力，擁有能夠用相關數據挖掘演算法為解決實際問題能力；奠定人工智慧演算法入門基礎。

如何學?

至少花三個月掌握技術

「磨刀不誤砍柴工」，要想從為「工人」，甚至熟悉工，也需要很多技能，因為怎麼說數據分析師也是技術工種。我覺得至少你要花3個月時間來學習一些最基礎的知識。

• 花1個月學習資料庫知識及基礎的統計學知識。

• 花1~2個月學習最基礎的數據分析軟體操作。

• 花1個月時間進行時間項目操作及業務練習
  

數據分析入門容易提高難，題主目前處於初級階段,可以通過自學觀看視頻,或者系統培訓來提高自己,已工作來說,接受系統培訓會更加快速，更推薦跟著課程系統性的學習，搭建好邏輯框架。

C. 數據分析需要學習哪些

1、數學知識

數學知識是數據分析師的基礎知識。對於初級數據分析師，了解一些描述統計相關的基礎內容，有一定的公式計算能力即可，了解常用統計模型演算法則是加分。

對於高級數據分析師，統計模型相關知識是必備能力，線性代數(主要是矩陣計算相關知識)最好也有一定的了解。

而對於數據挖掘工程師，除了統計學以外，各類演算法也需要熟練使用，對數學的要求是最高的。

所以數據分析並非一定要數學能力非常好才能學習，只要看你想往哪個方向發展，數據分析也有偏“文”的一面，特別是女孩子，可以往文檔寫作這一方向發展。

2、分析工具

對於初級數據分析師，玩轉Excel是必須的，數據透視表和公式使用必須熟練，VBA是加分。另外，還要學會一個統計分析工具，SPSS作為入門是比較好的。

對於高級數據分析師，使用分析工具是核心能力，VBA基本必備，SPSS/SAS/R至少要熟練使用其中之一，其他分析工具(如Matlab)視情況而定。

對於數據挖掘工程師……嗯，會用用Excel就行了，主要工作要靠寫代碼來解決呢。

3、編程語言

對於初級數據分析師，會寫SQL查詢，有需要的話寫寫Hadoop和Hive查詢，基本就OK了。

對於高級數據分析師，除了SQL以外，學習Python是很有必要的，用來獲取和處理數據都是事半功倍。當然其他編程語言也是可以的。

對於數據挖掘工程師，Hadoop得熟悉，Python/Java/C++至少得熟悉一門，Shell得會用……總之編程語言絕對是數據挖掘工程師的最核心能力了。

4、業務理解

業務理解說是數據分析師所有工作的基礎也不為過，數據的獲取方案、指標的選取、乃至最終結論的洞察，都依賴於數據分析師對業務本身的理解。

對於初級數據分析師，主要工作是提取數據和做一些簡單圖表，以及少量的洞察結論，擁有對業務的基本了解就可以。

對於高級數據分析師，需要對業務有較為深入的了解，能夠基於數據，提煉出有效觀點，對實際業務能有所幫助。

對於數據挖掘工程師，對業務有基本了解就可以，重點還是需要放在發揮自己的技術能力上。

業務能力是優秀數據分析師必備的，如果你之前對某一行業已經非常熟悉，再學習數據分析，是非常正確的做法。剛畢業沒有行業經驗也可以慢慢培養，無需擔心。

5、邏輯思維

這項能力在我之前的文章中提的比較少，這次單獨拿出來說一下。

對於初級數據分析師，邏輯思維主要體現在數據分析過程中每一步都有目的性，知道自己需要用什麼樣的手段，達到什麼樣的目標。

對於高級數據分析師，邏輯思維主要體現在搭建完整有效的分析框架，了解分析對象之間的關聯關系，清楚每一個指標變化的前因後果，會給業務帶來的影響。

對於數據挖掘工程師，邏輯思維除了體現在和業務相關的分析工作上，還包括演算法邏輯，程序邏輯等，所以對邏輯思維的要求也是最高的。

6、數據可視化

數據可視化說起來很高大上，其實包括的范圍很廣，做個PPT里邊放上數據圖表也可以算是數據可視化，所以我認為這是一項普遍需要的能力。

對於初級數據分析師，能用Excel和PPT做出基本的圖表和報告，能清楚的展示數據，就達到目標了。

對於高級數據分析師，需要探尋更好的數據可視化方法，使用更有效的數據可視化工具，根據實際需求做出或簡單或復雜，但適合受眾觀看的數據可視化內容。

對於數據挖掘工程師，了解一些數據可視化工具是有必要的，也要根據需求做一些復雜的可視化圖表，但通常不需要考慮太多美化的問題。

7、協調溝通

對於初級數據分析師，了解業務、尋找數據、講解報告，都需要和不同部門的人打交道，因此溝通能力很重要。

對於高級數據分析師，需要開始獨立帶項目，或者和產品做一些合作，因此除了溝通能力以外，還需要一些項目協調能力。

對於數據挖掘工程師，和人溝通技術方面內容偏多，業務方面相對少一些，對溝通協調的要求也相對低一些。

D. 大數據分析師 應該要學什麼知識

大數據分析師應該要學的知識有，統計概率理論基礎，軟體操作結合分析模型進行實際運用，數據挖掘或者數據分析方向性選擇，數據分析業務應用。

1、統計概率理論基礎

這是重中之重，千里之台，起於壘土，最重要的就是最下面的那幾層。統計思維，統計方法，這里首先是市場調研數據的獲取與整理，然後是最簡單的描述性分析，其次是常用的推斷性分析，方差分析，到高級的相關，回歸等多元統計分析，掌握了這些原理，才能進行下一步。

2、軟體操作結合分析模型進行實際運用

關於數據分析主流軟體有（從上手度從易到難）：Excel，SPSS，Stata，R，SAS等。首先是學會怎樣操作這些軟體，然後是利用軟體從數據的清洗開始一步步進行處理，分析，最後輸出結果，檢驗及解讀數據。

3、數據挖掘或者數據分析方向性選擇

其實數據分析也包含數據挖掘，但在工作中做到後面會細分到分析方向和挖掘方向，兩者已有區別，關於數據挖掘也涉及到許多模型演算法，如：關聯法則、神經網路、決策樹、遺傳演算法、可視技術等。

4、數據分析業務應用

這一步也是最難學習的一步，行業有別，業務不同，業務的不同所運用的分析方法亦有區分，實際工作是解決業務問題，因此對業務的洞察能力非常重要。

(4)數據分析適合學哪些理論擴展閱讀

分析工作內容

1、搜索引擎分析師(Search Engine Optimization Strategy Analyst，簡稱SEO分析師)是一項新興信息技術職業，主要關注搜索引擎動態，修建網站，拓展網路營銷渠道，網站內部優化，流量數據分析，策劃外鏈執行方案，負責競價推廣。

2、SEO分析師需要精通商業搜索引擎相關知識與市場運作。通過編程，HTML，CSS，JavaScript，MicrosoftASP.NET，Perl，PHP，Python等建立網站進行各種以用戶體驗為主同時帶給公司盈利但可能失敗的項目嘗試。

E. 數據分析需要學些什麼

1.統計基礎
理工科的學生在本科階段學習過概率論與數理統計，單從做數據分析的角度已經夠用。其他方面，可以根據需要查看相關書籍，隨時進行查漏補缺即可。個人推薦《深入淺出統計學》，可以讓統計理論的學習有趣又自然。州穗
2.資料庫知識
關系型資料庫很重要。在學習數據分析的初期甚至很長一段時間，你接觸到的數據都存儲在關系孝跡型型資料庫中，需要學習SQL語巧猜言進行數據查詢。關於SQL語言，強力推薦《SQL必知必會》，整本書通俗易懂，是學習SQL語言的不二之選。
3.編程能力

F. 數據分析的幾種經典的理論

數據分析理論導航頁收錄已經發布的工作生活用到的數據分析思路及理論方法。例如數據分析師基本技能、時間序列分析、分析軟體功能介紹等。

1  大數據時代：數據分析能力重要性

2  大數據時代：數據分析基礎

3  正態性檢驗方法介紹

4  數據分析技術：數據差異的顯著性檢驗

5  數據分析方法：非正態數據轉化成正態數據

6  均值差異性檢驗：Z檢驗和T檢驗綜述

7  均值差異性檢驗：方差分析綜述

8  數據分析方法：非參數檢驗

9  數據分析技術：擬合優度檢驗

10 數據分析技術：數據關聯性分析綜述

11 數據分析技術：數據的歸納分析

12 數據分析技術：問卷（考卷）的信度與效度

13 數據分析技術：相關關系分析

14 數據分析技術：數據分類很重要

15 數據分析技術：回歸分析

16 數據分析技術：非參數檢驗

G. 數據分析需要掌握些什麼知識

我們先從整體上了解數據分析師要掌握的技能有哪些，然後再從具體職位類別來看，不同的職位具體要掌握的技能有哪些。

這樣你就能根據自己的實際情況，有針對性的准備和學習。

一、數據分析的勝任力模型是什麼？

從整體上來看，數據分析師需要掌握的能力有很多，從總體上可以分為以下幾類，這些能力構成了數據分析師的能力模型。

1）理論基礎，包括統計學

2）數據分析工具，常用的分析工具有 Excel，SQL，Python 等

3）可視化工具，常用的有 Excel，商業智能(Business Intelligence,BI)

4）業務知識，包括常用的指標、某行業的業務流程

5）數據分析思維，包括常用的分析方法

6）通用能力，包括 PPT、溝通能力

下面我們來詳細看下每一種能力的要求。

1. 理論基礎：統計學

2. 數據分析背後的理論基礎是統計學。所以，掌握了統計學以後我們才能去看懂數據表達的意義是什麼。舉個例子，給你一家公司員工的工資，是平均值能代表這家公司的工資水平，還是中位數能代表？

3. 如果沒學過統計學，那麼可能只認識這里的平均值，而不知道中位數這個知識。但是，如果你學過了統計學就會知道，中位數比平均值更能反映出數據的集中表現。

4. 統計學的內容比較多，詳細又可以分為兩類內容：描述統計分析、推論統計分析。

5. 什麼是描述統計分析？

6. 對大量信息進行歸納是處理數據時最基本的任務。中國約有 14 億人，一張記錄每位中國人的姓名和收入的電子表格包含了我們衡量這個國家經濟健康狀況所需的所有信息，通常我們也將多個數據集合在一起的東東叫「簡稱數據集」。但這張信息過量的表格其實相當於什麼都沒有告訴我們。這就是讓人覺得諷刺的地方：經常是數據越多，事實越模糊。

7. 因此，我們需要簡化，將一系列復雜的數據減少為幾個能夠起到描述作用的數字，正如奧運會體操比賽中，我們將一套多難度組合的復雜動作濃縮為一個得分：9.8 分。

8. 描述統計分析就是將一系列復雜的數據減少為幾個能夠起到描述作用的數字，用這些有代表性的數字來代表所有的數據。這樣在面對一大堆數據時，你可在不知道所有數據的情況下就能知道數據的整體情況。

9. 這就好比，我們通常一說起美女，能想到的是這樣幾個指標：長腿，大眼睛，臉蛋好看。雖然全國有那麼多美女，你也沒有見過全部的美女，但是你卻能通過這樣幾個代表美女的指標就可以大概知道什麼是美女。

同樣的，描述統計學的關鍵點在於，找到幾個關鍵的數字來描述數據的整體情況。那麼，問題就來了，能擔當起這樣重要責任的數字有哪些呢？描述數據的整體情況，我們可以用 4 個指標來做，分別是：平均值、四分位數、標准差和標准分。例如，前面我們在拿到工資數據，就可以用「中位數」這樣的數字來描述工資的整體情況。

所以，描述統計分析就是掌握 4 個指標：平均值，四分位數，標准差和標准分。

什麼是推論統計分析？

推論統計分析就是通過樣本來推斷出總體。需要掌握的知識包括概率分布、中心極限定、如何用樣本估計總體、置信區間、假設檢驗。例如，互聯網常用的 AB 測試背後的原理就是假設檢驗，如果不掌握推論統計分析，那麼連 AB 測試的結果也看不懂，更不用說完成一個 AB 測試實驗。

2.數據分析工具

很多人看到現在 Python 很火，就不管自己的能力水平如何，就一頭扎進學習 Python 的大潮，最後發現其實自己學不會，或者學完用不上。

這其實是不對的，真正工作里最常用的數據分析工具其實是 Excel，SQL。所以，如果你的零基礎，不建議一上來就學 Python，而是先學會 Excel 分析數據，然後學會 SQL。

這樣你學會了常用的分析工具，然後再學 Python 才是加分項。同時，這樣學習的順序還有一個好處，如果你是零基礎沒學過編程，一上來學 Python，大概率是學不會的。但是如果你學過用 Excel、SQL 處理數據，那麼就具備了一定的基礎，再學 Python，很多概念就會理解起來比較容易。

這就好比，一個嬰兒不是一上來就學習跑步（Python），而是先把走路學會，具備了走路（Excel、SQL）的基礎，再跑步就容易多了。

需要注意的是，除非是工作必須要求的，其他少部分公司用的工具其實不需要學習。比如有些公司要求其他編程語言，例如 R、SPSS、SAS 這些工具。

現在 Pyhon 已經是人工智慧排名第一的編程語言了，大部分公司要求 Python，很少部分的公司要求其他的編程語言，所以學習市場要求最多的那個技能才能找到更多機會。如果你學習了少部分公司才要求的工具，那麼意味著你找工作或者跳槽只能選擇這些公司，而會錯失其他大部分公司的求職機會，對你整個職業生涯不利。

TIOBE 編程語言排行榜是全球編程語言流行趨勢的一個指標，每月更新，官網地址（https://www.tiobe.com/tiobe-index）。下圖是 2021 年 2 月份排名前 10 的編程語言的變化圖，其中橙色曲線是 Python，我們會發現 Python 的流行趨勢越來越高。

3.可視化工具

常用的可視化工具包括 Excel、商業智能（BI）。

一般的可視化圖表用 Excel 里的圖表功能就可以實現，而且使用起來也方便。如果是要經常做報表，並且要求實現報表自動化，那麼就需要用到商業智能（BI）工具。

那什麼是商業智能(BI)呢？

微軟官方給的定義是「使用用於自助服務和企業商業智能 (BI) 的統一、可擴展平台（該平台易於使用，可幫助獲取更深入的數據見解），連接到任何數據並對數據進行可視化。 」

毫無懸念，看這種官方定義就是看不懂。簡單來說就是把數據導入商業智能(BI)工具中，就可以快速對數據可視化。例如下圖就是把數據導入用商業智能(BI)工具中，通過可視化數據來分析。

IDC《2019 年下半年中國商業智能軟體市場數據跟蹤報告》顯示，在中國商業智能軟體子市場中，報表分析仍是目前市場最主要的需求，2019 年全年年市場份額佔比為 79.0%。高級分析和預測分析市場份額佔比 21.0%（下圖）。

常用的商業智能（BI）工具有哪些呢？

目前使用最多的商業智能（BI）工具是 Power BI、Tableau、帆軟，選擇其中任意一種學習就可以了。

4.業務知識

因為數據分析是用來解決具體行業問題的，需要從業務的角度出發，了解各個指標，以及每個指標之間的關系，還需要聯系業務去理解數據。所以，工作中數據分析脫離不了業務，在分析中要找到導致問題發生的根本原因，而不只是單純的統計數據。

因此需要具備某個行業的業務知識才能去理解這個行業里的術語、業務問題等。

業務知識包括某個行業的常用指標、業務流程。需要注意的是，不同行業的指標、業務流程是不一樣的，所以需要學習的時候針對你的目標行業去學習准備。例如，下圖分別是金融信貸行業、在線教育行業的業務流程。

金融信貸行業業務流程（來自書《數據分析思維》）

在線教育業務流程（來自書《數據分析思維》）

如果是剛入門，這塊內容做到了解即可，等進入工作以後，再慢慢深入業務，積累業務經驗。具體某個行業的常用指標、業務流程可以看書《數據分析思維》，這本書里涉及了 10 多個行業的指標、業務流程。

5.數據分析思維

在數據分析相關的職位里經常會寫這么一條招聘要求「具備數據分析思維」。在工作或者面試中，會經常聽到分析思維、分析思路、分析方法。這三個詞語有什麼關系呢？其實簡單來說，它們都是指分析方法。

數據分析思維需要你掌握 10 種常用的分析方法。

數據分析 10 種常用的分析方法

如果你的分析目的是想將復雜問題變得簡單，就可以使用邏輯樹分析方法，例如經典的費米問題就可以用這個分析方法。

如果你的分析目的是做行業分析，那麼就可以用 PEST 分析方法，例如你想要研究中國少兒編程行業。

如果你想從多個角度去思考問題，那麼就可以用多維度拆解分析方法，例如找相親對象，需要從多個角度去分析是否合適。

如果你想進行對比分析，就要用到對比分析方法，例如你朋友問自己胖嗎，就是在對比。

如果你想找到問題發生的原因，那麼就要用到假設檢驗分析方法，其實破案劇里警察就是用這個方法來破案的。

如果你想知道 A 和 B 有什麼關系，就要用到相關分析方法，例如豆瓣在我們喜歡的電影下面推薦和這部分電影相關的電影。

如果你想對用戶留存和流失分析，就要用到群組分析方法，例如微博用戶留存分析。

如果你想對用戶按價值分類，那麼就要用到 RFM 分析方法，例如信用卡的會員服務，就是對用戶按價值分類，對不同用戶使用不同的營銷策略，從而做到精細化運營。

如果你想分析用戶的行為或者做產品運營，就要用到 AARRR 模型分析方法，例如對拼多多的用戶進行分析。

如果你想分析用戶的轉化，就要用到漏斗分析方法，例如店鋪本周銷量下降，想知道是中間哪個業務環節出了問題。

6.通用能力

通用能力包括 PPT 製作分析報告、溝通能力。

在工作中，要經常做分析結果做成數據分析報告，然後展示給業務部門、上級領導、客戶等，而這種展示數據分析報告的場景常用的工具就是 PPT，所以就要求你會用 PPT 製作數據分析報告，有較好的的文字、書面總結能力。

職業社交網站領英發布的《2018 新興工作崗位報告》報告里說，最大的技能缺口是軟技能，比如口頭交流、領導力和時間管理等。這份報告中建議，職場人士需要在快速變化的工作環境中，學習並保持軟技能，因為擁有這些技能的人才具備更大的職場優勢。

其實，任何職位都需要溝通能力，但是，數據分析師對溝通能力的要求更高。因為，數據分析師解決的是實際的問題，需要跨部門溝通業務，做好的數據分析報告也要展示給各個部門、領導、客戶，只有好的溝通能力，才能讓你的分析結果得到用戶的認可。 那麼這些通用能力如何提升呢？最直接的方式，就是通過寫文章來提升。

通過寫作可以同時提升你下面 3 個能力：

1）邏輯能力

寫作的本質其實是把一件事情講清楚，而邏輯能力強的人寫出來的內容，讀起來更順暢。

2）文字表達能力

數據分析師要經常做數據分析報告，和通過郵件匯報分析結果。這體現的其實就是文字表達能力，提高這個能力的辦法就是不斷去寫作。

3）溝通能力

寫作其實就是把想說的話通過文字和你的用戶去溝通。另外，經常在社群里提問和解答他人的問題，也可以提高你的溝通能力。你會看到不同人提問的水平是不一樣的，有的人可以完整的把一個問題描述清楚，有的人說完，其他人也不明白他的問題是什麼。這其實就是體現了溝通能力。

二、不同職位的數據分析能力要求有什麼不一樣？

經過前面的分析，我們從整體上知道了數據分析師需要掌握的能力。但並不是說，這些能力全都掌握了你才能找到一份數據分析師的工作。因為不同的職位的要求不一樣的。在《職業發展前景：數據分析師的晉升通道》章節我們知道了數據分析相關職位的分類。

我把勝任力模型中的這些能力對應到不同的職位，就可以清楚的看到對應職位的能力要求（下圖）。

有一個誤區，很多人以為只要掌握了分析工具，就掌握了數據分析，其實不是的。從圖中，我們可以看出。各個數據分析職位都需要的能力是：業務知識、分析思維、PPT、溝通能力。這些能力才可以讓你從一個只會舞弄工具的普通職場人變成真正解決業務問題的職場高手。

很多人以為數據分析師需要掌握很高大的工具，其實不是的。例如騰訊里有一個崗位叫「商業數據分析師」，這聽起來很高大上。其實這個職位對應的就是上圖初級數據分析師的能力要求，也就是理論基礎（描述統計分析），分析工具（Excel），可視化工具（Excel）。

上圖中黃色標出的是相對於前一職位多出來的能力。中級數據分析師在初級數據分析師要求的能力上增加了分析工具（SQL），可視化工具（商業智能 BI）。高級數據分析師在中級數據分析師要求的能力上增加了理論基礎（推論統計分析），分析工具（Python）。

Excel、SQL、Python 要掌握到什麼程度？

我們知道了數據分析師最常用的分析工具是 Excel、SQL、Python。那麼問題就來了，這些分析工具具體掌握哪些內容呢？

H. 數據分析需要掌握些什麼知識

數據分析師需要的技能大致有這些：Excel、SQL、統計學及SPSS、Python/R等。

建議從Excel開始，因為Excel是使用最多，也是最強大的數據分析工具，入門簡單，因為大部分人都接觸過Excel。

Excel

Excel分為四塊：公式+技巧+數據透視表+圖表。

先從Excel公式開始，通過公式感受Excel的強大與神奇。Excel常用公式分為5類，如下圖所示。

I. 數據分析需要掌握哪些知識

需要學習的基礎技能需求如下：
(1) SQL資料庫的基本操作，會基本的數據管理；
(2)會用Excel/SQL做基本的數據分析和展示(3)會用腳本語言進行數據分析，Python or R；
(4)有獲取外部數據的能力，如爬蟲；
(5)會基本的數據可視化技能，能撰寫數據報告；
(6)熟悉常用的數據挖塌慎掘演算法:回歸分析、決策樹、隨機森林、支持向量機等；
需要學習的理論基礎如下：
1、學習數據分析基礎知識，包括概率論、數理統計。基礎這種東西還是要掌握好的啊，沖畢基礎都還沒扎實,知識大廈是很容易倒的哈。
2、你的目標行業的相關理論知識。比如金融類的，要學習證券、銀行、財務等各種知識，不然到了公司就一臉懵逼啦。
3、學習數據分析工具,軟體結合案列的團判敬實際應用，關於數據分析主流軟體有(從上手度從易到難):Excel, SPSS, stata, R, Python, SAS等。
4、學會怎樣操作這些軟體,然後是利用軟體從數據的清洗開始一步步進行處理， 分析,最後輸出結果，檢驗及解讀數據。

J. 數據分析需要掌握些什麼知識

1）具有業務敏感度，反應迅速，能夠良好溝通；

2）具有數據分析和數據倉庫建模的項目實踐經驗；

3）3年及以上數據分析經驗，有互聯網產品、運營分析經驗；

4）熟悉R、SAS、SPSS等統計分析軟體，熟練運用Python，熟練使用 SQL、Hive等；

5）本科或以上學歷，數學、統計、計算機、運籌學等相關專業；

那麼對於正在入門階段的同學們應該如何正確把握自己的學習方向呢？

從學科知識來看，數據分析涉及到一下的知識要點：

（1）統計學：參數檢驗、非參檢驗、回歸分析等

（2）數學：線性代數、微積分等

（3）社會學：主要是一些社會學量化統計的知識，如問卷調查與統計分析；還有就是一些社會學的知識，這些對於從事營銷類的數據分析人員比較有幫助

（4）經濟金融：如果是從事這個行業的數據分析人員，經濟金融知識是必須的，這里就不多說了

1）數據分析報告類：Microsoft Office軟體等，如果連excel表格基本的處理操作都不會，連PPT報告都不會做，那我只好說離數據分析的崗位還差的很遠。現在的數據呈現不再單單只是表格的形式，而是更多需要以可視化圖表去展示你的數據結果，因為數據可視化軟體就不能少，BDP個人版、TABLUEA、Echart等這些必備的

（2）專業數據分析軟體：常見的有諸如SPSS、SAS、Matlab等等，這些軟體可以很好地幫助我們完成專業性的演算法或模型分析，還有高級的Python、R等。

（3）資料庫：hive、hadoop、impala等資料庫相關的知識可以學習；

（3）輔助工具：比如思維導圖軟體（如MindManager、MindNode Pro等）也可以很好地幫助我們整理分析思路。