『壹』 如何做好數據分析師的職業規劃
1、成為一個終身學者
弄清楚自己的基礎是怎麼樣的，學習轉行從事哪個崗位的難度更小些，以及自己更適合哪個崗位。很多人一上來沒有任何基礎，就開始啃機器學習這是不對的。因為你沒有統計概率，數學基礎，裡面很多專業術語根本無法理解。
數據科學是一門交叉學科，除了計算機相關知識，還需要有統計學、數學基礎，以及一定業務知識。所以可以作為終身職業發展目標，每天學習一點，慢慢積累進步。
搞清楚各個職位的區別，以及了解自己的基礎，知己知彼，就對學習和轉行有方向和信心了。最關鍵的是要在自己的“最佳領域”工作。所謂的“最佳領域”，就是你熱愛的、你擅長的、以及社會需要的這3個重疊的領域。
2、成為某個領域的數據專家
有的人技術很厲害，但是工作幾年發展卻受限，成為不了某個領域的專家。是因為今天跳到A領域，明天跳到B領域，導致業務領域知識缺乏。
然而，數據分析師主要是為所在的行業數據進行分析，所以離不開業務領域的知識。而業務領域知識的積累要靠這個領域多年工作的經驗積累。所以簡單來說：數據分析師=技術+業務
如果你是剛開始轉行到數據分析領域，那麼選擇一個與你之前工作領域相關的數據分析師，那麼會相對容易些，因為你自帶業務知識。
如果你已經是某個領域的數據分析師，那麼跳槽的時候，要考慮換崗不還行，也就是在同一個業務領域深耕，爭取成為這個領域的專家，這才能具備不可替代性。避免跳到一個陌生的領域。
關於如何做好數據分析師的職業規劃，青藤小編就和您分享到這里了。如果您對大數據工程有濃厚的興趣，希望這篇文章可以為您提供幫助。如果您還想了解更多關於數據分析師、大數據工程師的技巧及素材等內容，可以點擊本站的其他文章進行學習。
以上是小編為大家分享的關於如何做好數據分析師的職業規劃?的相關內容，更多信息可以關注環球青藤分享更多干貨
『貳』 從零開始學數據分析，什麼程度可以找工作，如何計劃學習方案
1. 第一階段(一般崗位叫數據專員)
基本學會excel(VBA最好學會;會做透視表;熟練用篩選、排序、公式)，做好PPT。這樣很多傳統公司的數據專員已經可以做了
2. 第二階段(數據專員~數據分析師)
這一階段要會SQL，懂業務，加上第一階段的那些東西。大多數傳統公司和互聯網小運營、產品團隊夠用了。
3. 第三階段(數據分析師)
統計學熟練(回歸、假設檢驗、時間序列、簡單蒙特卡羅)，可視化，PPT和excel一定要溜。這些技術就夠了，能應付大多數傳統公司業務和互聯網業務。
4. 第四階段(分裂)
數據分析師(數據科學家)、BI等：這部分一般是精進統計學，熟悉業務，機器學習會使用(調參+選模型+優化)，取數、ETL、可視化啥的都是基本姿態。
可視化工程師：這部分國內比較少，其實偏重前端，會high charts，d3.js, echarts.js。技術發展路線可以獨立，不在這四階段，可能前端轉行更好。
ETL工程師：顧名思義，做ETL的。
大數據工程師：熟悉大數據技術，hadoop系二代。
數據工程師(一部分和數據挖掘工程師重合)：機器學習精通級別(往往是幾種，不用擔心不是全部，和數據分析師側重點不同，更需要了解組合模型，理論基礎)，會組合模型形成數據產品;計算機基本知識(包括linux知識、軟體工程等);各類資料庫(RDBMS、NoSQL(4大類))
數據挖掘：和上基本相同。
爬蟲工程師：顧名思義，最好http協議、tcp/ip協議熟悉。技術發展路線可以獨立，不在這四階段
發現回答的有點文不對題額，不過大致是所有從底層數據工作者往上發展的基本路徑。往數據發展的基本學習路徑可以概括為以下內容：
1. EXCEL、PPT(必須精通)
數據工作者的基本姿態，話說本人技術並不是很好，但是起碼會操作;要會大膽秀自己，和業務部門交流需求，展示分析結果。技術上回VBA和數據透視就到頂了。
2. 資料庫類(必須學)
初級只要會RDBMS就行了，看公司用哪個，用哪個學哪個。沒進公司就學MySQL吧。
NoSQL可以在之後和統計學啥的一起學。基本的NoSQL血MongoDB和Redis(緩存，嚴格意義上不算資料庫)，然後(選學)可以了解各類NoSQL，基於圖的資料庫Neo4j，基於Column的資料庫BigTable，基於key-value的資料庫redis/cassendra，基於collection的資料庫MongoDB。
3. 統計學(必須學)
如果要學統計學，重要概念是會描述性統計、假設檢驗、貝葉斯、極大似然法、回歸(特別是廣義線性回歸)、主成分分析。這些個用的比較多。也有學時間序列、bootstrap、非參之類的，這個看自己的意願。
其他數學知識：線性代數常用(是很多後面的基礎)，微積分不常用，動力系統、傅里葉分析看自己想進的行業了。
4. 機器學習(數據分析師要求會選、用、調)
常用的是幾個線性分類器、聚類、回歸、隨機森林、貝葉斯;不常用的也稍微了解一下;深度學習視情況學習。
5. 大數據(選學，有公司要求的話會用即可，不要求會搭環境)
hadoop基礎，包括hdfs、map-rece、hive之類;後面接觸spark和storm再說了。
6. 文本類(選學，有公司要求的話會用即可)
這部分不熟，基本要知道次感化、分詞、情感分析啥的。
7. 工具類
語言：非大數據類R、Python最多(比較geek的也有用julia的，不差錢和某些公司要求的用SAS、Matlab);大數據可能還會用到scala和java。