數據分析這個專業如何

A. 數據分析及管理專業怎麼樣

這個專業主要研究信息管理以及信息系統分析、設計、實施、管理和評價等方面的基本理論和方法。通俗的講，就是從信息中發掘財富。現代社會正是信息化社會，大量紛繁的信息如何管理，並且從中獲得有效的信息，正是信息管理科學的研究重點。

與計算機結合，使用計算機作為工具，信息管理更加有效和實用。隨著企業經營規模的現代化，對信息管理的要求越來越強烈。例如鐵路訂票系統，就是對車票這種信息的查詢和管理系統。可以說軟體開發的最主要面向的客戶就是幫助企業製作良好的信息管理系統。信息管理涉及咨詢、服務、物流等很多行業，有很多的就業機會。

數據都已經開始扮演越來越重要的“角色”。在這種大勢之下，數據分析思維已經不只是數據分析師的“專業”了，包括銷售、市場、運營、策劃、產品等等前端的職位都需要通過數據分析來幫助自己的工作，甚至連後台的財務、法務、人事等也開始需要通過數據分析來提升效率。可以這么說，如果你在企業之中工作，你未來會開始越來越多的和數據打交道，這個時候數據分析已經成為工作的必要條件。

B. 商務數據分析與管理這個專業怎麼樣

有前景。

1）商業分析師需求大，薪資較高，就業機會和前景都很好。
看一下招聘網站，各個大廠都有招聘需求。

2）商業數據分析，或者商業分析師對綜合素質的要求較高。

a、較強的數據挖掘、信息整理、和邏輯分析能力。

商業數據分析，也是數據分析師的一個方向。

製作日常性的經營報表，對公司或者行業KPI指標進行拆解、數據統計、監控分析等，是常規要求。

b、能夠熟練使用數據分析的工具，如Excel、SQL、Tableau、Python等等。

工欲善其事、必先利其器。

既然是數據分析，那數據分析的工具和技能，是需要熟練掌握的。

c、復合的知識儲備，對財務、計算機、市場、行業知識等都要有理解，能獨立做出有價值的商業分析報告。

商業數據分析師，比數據分析師多了 商業 兩個字，說明更偏業務和決策層面。

除了要常規地對數據進行挖掘和分析，還需要從企業決策和行業競爭等維度給出分析的結論和報告。

d、具備項目管理能力，能夠跨部門、跨團隊整合資源，以做出商業判斷。

單純的數據分析師，可能會被定位成為取數機器。

但是，商業數據分析師，則不可能只側重於取數。既然要做出有價值的商業分析報告，推動企業決策，那必須要具備合作協調的能力，能夠推動項目的發展，給出有價值的商業判斷。

3）想要成為優秀的商業數據分析師，在學生時代可以提前做准備。

a、學習企業管理、財務類相關課程，多涉獵，多思考，形成自己的一些知識儲備和認知。

b、提升數據分析的專業技能，SQL、Python、R語言、Tableau等都可以認真學起來。

c、還可以多看一些行業分析報告，或者專業機構出的一些大數據報告，研究報告製作的思路和用到的分析方法。

d、有機會的話，進入大廠實習。雖然實習生做的都是最基礎的工作，但是在實習的過程中，能夠見識到大廠的工作流程、組織架構、BI報表體系等。積累經驗。

C. 數據分析這個崗位的前景如何

數據分析這個崗位的前景肯定是好的，但是對於個人來說，想要在這個行業就業，還是更看重是否具備這種能力。

之所以會怎麼說，是因為現在是一個大數據的時代，很多的商業活動都會涉及到數據分析這個領域，可以說它是創業或者開展某項商業活動的基礎，只有通過分析數據，才能更好的開展商業項目。正是如此，對於數據分析員崗位專業性要求還是很高，所以對於個人來說，如果想要在數據分析領域有所發展，提升自己的能力更加重要。

一、重點培養數據分析員。

為了適應大數據的經濟體系，改變我國目前項目數據分析專業技術人才缺席的現狀，在很早我國就已經開始針對這一問題進行重點培養數據分析人才。在多省連續開展培養這方面人才的計劃，05年第一家數據分析事務所在陝西成立，隨後有14個省市相繼引進了大概共有80家項目數據分析專業機構，而且涉及的行業也越來越廣泛。

D. 數據分析的發展前景怎麼樣

數據分析的發展前景挺不錯的。因為每個企業都需要數據分析師，特別是集中在保險、銀行、電子商務企業、零售業等行業，而且數據分析師也可以跨行發展，只要肯學習以及有潛力的話，發展方向也是有不同的。

數據分析師是針對數據指標的分析以及解讀，簡單來說就是診斷企業現階段的業務發展情況，是不是符合預期的目標，達到的成效。數據分析師的崗位要求有以下三個方面：

1、了解相關的業務。也就是對企業的業務以及數據分析業務的了解，只有宏觀方面的概念形成了，數據分析工作才能更加的得心應手。

2、掌握相關的數據分析工具。數據分析過程中要使用到的數據分析工具很多，掌握一到二種的數據分析工具，也是數據分析師的必備技能之一。

3、良好的溝通技能。因為數據分析師的工作不是說一個人就可以獨立完成的，每個公司的需求不同，要求也不盡相同，數據分析師需要和各個部門、各個層面的員工做好溝通。

關於更多數據分析發展前景的相關問題，建議到CDA數據分析認證中心了解一下。CDA是大數據和人工智慧時代面向國際范圍全行業的數據分析專業人才職業簡稱，具體指在互聯網、金融、咨詢、電信、零售、醫療、旅遊等行業專門從事數據的採集、清洗、處理、分析並能製作業務報告、提供決策的新型數據人才。

E. 數據分析行業就業前景怎麼樣

就業前景很好。一方面國家大力支持大數據行業的發展，已經上升為國際戰略的今天，大數據人才正在擁有更多的發展機會。另一方面許多的領域都是缺乏這方面的人才，如教育，醫療，計算機科學、社會科學、商學、金融、醫學、法律、語言學............所以它面臨的人才缺口非常大。

數據分析師的發展總體來說, 後期主要有幾條路線

(1) 數據分析師專業路線， 這種到後來基本就是成為數據分析專家， 成為一個專業方向的專家

(2) 轉管理, 這種到後期基本是成為數據分析組長或者總監，來管理一個組或者一個部門

(3) 轉其他方向, 數據分析因為是跟業務很緊密的一個工作, 所以就可以往產品運營方向來轉,或者往數據產品方向來轉

想要了解更多關於數據分析行業前景的問題，可以咨詢一下CDA認證中心。CDA行業標准由國際范圍數據領域的行業專家、學者及知名企業共同制定並每年修訂更新，確保了標準的公立性、權威性、前沿性。通過CDA認證考試者可獲得CDA中英文認證證書。

F. 大數據專業的發展前景怎麼樣

前景很不錯。一方面國家大力支持大數據行業的發展，已經上升為國際戰略的今天，大數據人才正在擁有更多的發展機會。另一方面許多的領域都是缺乏這方面的人才，騰訊阿里等互聯網大廠都是高薪招聘相關人才。

大數據的擇業崗位有：

1、大數據開發方向; 所涉及的職業崗位為：大數據工程師、大數據維護工程師、大數據研發工程師、大數據架構師等;

2、數據挖掘、數據分析和機器學習方向; 所涉及的職業崗位為：大數據分析師、大數據高級工程師、大數據分析師專家、大數據挖掘師、大數據演算法師等;

3、大數據運維和雲計算方向;對應崗位：大數據運維工程師。

大數據學習內容主要有：

①JavaSE核心技術；

②Hadoop平台核心技術、Hive開發、HBase開發；

③Spark相關技術、Scala基本編程；

④掌握Python基本使用、核心庫的使用、Python爬蟲、簡單數據分析；理解Python機器學習；

⑤大數據項目開發實戰，大數據系統管理優化等。

想要系統學習，你可以考察對比一下開設有IT專業的熱門學校，好的學校擁有根據當下企業需求自主研發課程的能，南京北大青鳥、中博軟體學院、南京課工場等都是不錯的選擇，建議實地考察對比一下。

祝你學有所成，望採納。

G. 大數據分析師這個職業怎麼樣

近期成為月入兩萬的數據分析師的廣告遍地都是，可能會對一些未入行的同學造成錯覺。我個人感覺數據分析師這個崗位，可能近幾年會消亡。

這不意味著這份工作本身不重要，而是說這份工作本身可能會轉化為產品運營的一些必備技能，而不再需要單獨特設人力去做這件事。或者說，不是再需要你學習SQL或者學習python，只是為了成為一名數據分析師。作為一名數據分析師，職業自身的壁壘正在不斷消減，更加主動的擁抱業務，解決真正的產品和用戶需求，或將成為未來的發展趨勢。

數據分析師的日常工作

我們來看下預設中的分析師的一些工作場景，看看數據分析師核心的工作價值。

• 取數

• 數據清洗

• 數據可視化

• 統計分析

• 數據方向建設和規劃

• 數據報告

取數 — SQL

很多人對數據分析師的預設是SQL達人，包括現在很多數據分析師的核心工作其實就是進行SQL取數。

這項工作的痛點和難點在於，我們為了得到一個結果，通常需要join很多的數據集，然後整個SQL語句就會寫的特別長，而且可能會出現一些問題：比如join的表可能會出現key是重復的情況，造成最終的SQL結果因為重復而變得不可用。所以我們需要專人去專門維護各種各樣的數據集，他們知道每張表應該怎麼用。

但這個其實是關系型資料庫遺留下來的產物——我們完全可以不需要join那麼多的表。現在的分布式計算的框架，已經完全可以支持我們只保留一張大寬表，有需要的所有欄位，然後所有的操作都在這張大寬表上進行，而且可以保證查詢速度。這樣數據分析最大的痛點已經沒有了。至於你說大寬表裡面存了很多重復的數據，是不是很浪費資源(關系型資料庫之所以不用大寬表就是從存儲空間和性能的trade-off角度考慮的)：放心，分布式存儲本身是不貴的，而計算效率則是由分布式計算框架進行專門優化的。現在的計算框架計算的響應速度，已經可以在大寬表上可以很快的得到結果了。相比之下，多次join操作反而可能會更慢一些。

同時，現在很多公司的NB框架，其實都已經支持拖拽取數了，也根本不需要寫SQL了。

此外，不得不說的一點是，SQL語句本身真的不難。可能如果你自己靜下心來想學，一個周末的時間肯定能搞定。而資歷老的數據分析師，並不會比資歷輕的數據分析師，在SQL語句的寫作上有什麼本質的區別。以前可能還有一些小表join大表的trick，但現在計算框架大多都已經優化過這些了。所以即使是需要寫SQL的場景，本身也是沒有什麼難度的。

所以，通過大寬表來解放數據分析工作的生產力。即使在一定要寫SQL做join操作的時候，本身也不是一件壁壘特別高的事情。取數這件事兒，對於其他崗位的同學，就已經沒那麼復雜了。

數據清洗 — Python

數據清洗其實是很多強調python進行數據分析課程中，python部分的主要賣點。包括但不限於，怎麼處理異常值，怎麼從一些原始的數據中，得到我們想要的數據。

在日常產品需求過程中，這種需求的場景其實很小。因為數據大部分都是自己產生的，很少會出現沒有預設到的極端值或者異常情況。如果有的話，一般就是生產數據的同學代碼寫的有bug，這種發現了之後修復代碼bug就行。

數據清洗在工作場景的應用在於落表——就是把原始數據變成上面提到的，可以通過SQL提取的hive表。這個工作是需要懂代碼的同學去支持的，他們負責數據的產出，包括數據的准確性，數據的延時性(不能太晚產出)等等。前文提到的生成大寬表，其實也可以是他們的工作。這其中就涉及到一些代碼的效率優化問題，這個就不是簡單懂一點python可以搞定的了，可能涉及到一些數據壓縮格式的轉化，比如Json/Proto buffer到hive表的轉化，還有一些計算框架層面的調優，比如spark設置什麼樣的參數，以及怎麼樣存儲可以更好的提升查詢速度。

所以這部分工作一般是由懂代碼的同學完成的。可能數據團隊會有比較少數的同學，管理支持全公司的基礎表的生成。

數據可視化 — Tableau

很多之前在數據分析做實習的同學，主要的工作內容就是在一個商業化的軟體(比如Tableau)上，做一些統計報表。這樣可以通過這些數據報表，可以很方便的查看到所屬業務的一些關鍵指標。這些商業軟體通常都比較難用，比如可能需要先預計算一下才能輸出結果；而且不太好做自定義功能的開發。稍微復雜一點的需求場景，可能就需要一個專門的同學搗鼓一陣，才能輸出最終的統計報表。

現在有更先進的套路了。

首先可視化。很多公司打通了前端和後端的數據，這樣就可以通過網頁查詢原始的資料庫得到數據結果。而現在很多優秀的前端可視化插件，已經可以提供非常豐富的統計圖形的支持。而且因為代碼是開源的，可以根據公司的需求場景進行針對性的開發，公司可以再輔以配置一些更加用戶友好的操作界面，這樣一些復雜需求也有了簡單拖拽實現的可能。而且這些前端js代碼都是免費的！對於公司來說也能省去一筆商業公司的采買成本。

其次很多商業軟體，都是針對小數據集場景設計的。在一些大數據集的場景，一般需要先預計算一些中間表。而如果自己公司定製化開發的前端展示結果，就可以根據需要自主設置計算邏輯和配置計算資源，先在後端進行預計算，前端最終只是作為一個結果展示模塊，把結果展示和需要的預計算進行解耦。這樣就省去了很多中間表的產出，也會更加快速的得到想要的業務指標，快速迭代。

所以可視化數據的工作量也會大大減少。而且會變成一個人人都可以操作，快速得到結果的場景。

統計分析

對於一名數據分析師而言，統計學分析可能是一塊知識性的壁壘。尤其是在現在ab實驗成為互聯網公司迭代標配的今天。需要把實驗設計的那套理論應用起來：比如ab實驗進行後的顯著性檢驗，多少樣本量的數據才能讓這個結論有效可信呢。

但是，你我都知道，經典的統計分析其實是一個非常套路性的工作。其實就是套公式，對應到代碼層面，可能也就一兩行就搞定了。這個代碼的統計分析結果可以作為ab平台的指標展示在最終的ab結果上，大家看一眼就能明白。即使是對那些可能不知道顯著性是什麼意思的人，你可以跟他簡單說，顯著了才有效，不顯著就別管。

這么一想是不是其實不怎麼需要投入額外的人力進行分析？

其他數據相關的工作

數據層面的規劃和設計。移動互聯網剛剛興起的時候，可能那時候數據分析師需要對每一個數據怎麼來設計一套方案，包括原始的埋點怎麼樣，又要怎麼統計出想要的結果。但現在大部分已經過了快速迭代的時代了，新產品的埋點添加可以參考老產品，這就意味著形成套路了。而一旦形成套路，其實就意味著可以通過程序直接完成或者輔助完成。

數據報告。那就真的是一件人人都能做的事情了，試想誰沒在大學期間做過數據報告呢？以前只是因為數據都是從分析師產出的，而如果人人都能取到數據的話，數據報告是不是也不是一個真需求呢？

在我看來，數據分析師這個崗位的天花板和其他崗位相比起來是比較低的。可能工作一兩年之後，從崗位本身就已經學不到什麼額外的工作知識了。主要的工作內容技術含量不是特別高，技能性的更多的是一些可以簡單上手的東西，而且做的時間長了，在這些技能性的事情上得到的積累並不是很多。

數據分析師更像是一個在時代變遷過程中的一個中間崗位：我們從一個基本沒有數據的時代，突然進入了一個數據極大豐富的時代，在這個過程中，我們都知道重視數據。那怎麼能夠利用這個數據呢？可能之前的那一幫人並沒有太多的經驗，於是老闆就招一些人專門來研究一下它，同時做一些底層數據的優化。

經過多年的迭代，現在互聯網行業的每個人都知道數據的價值，也大概知道了什麼樣的數據是重要的，怎樣可以更好的挖掘數據背後的價值。同時底層的基礎設施也已經支持可以讓一個之前沒有經驗的同學可以快速的上手得到自己想要的關鍵數據。這時候對於一個職業數據分析師來說，他的任務就已經完成了。就如同當人人都會講英語的時候，翻譯其實也就沒有存在的價值了。

此後的數據分析工作，可能不再是一些單獨的人做的工作。它會變成一個產品和運營的基礎工具，而且足夠簡單，沒有取數的門檻。只是產品運營怎麼樣可以更好的認識數據，通過數據本身更好的配合產品運營的工作，這已經超脫我們一般理解的數據分析師的工作了，而是一個產品運營分內的工作。

對於那些已經在從事數據分析師崗位的同學來說，建議不要把心思全部投入到數據分析的本職工作上，以完成任務為核心KPI。而是不要給自己設置邊界，多從用戶的角度思考問題，不要因為是產品運營的工作就不去做了。數據分析師這個職業發展到這個階段，要麼做更加底層的數據建設，要麼擁抱業務，最大化的發掘數據背後背後的價值。不要再死守著數據分析的「固有技能」沾沾自喜了。

數據本身的價值是無窮的，作為數據分析師，你們已經先人一步的掌握它了，要有先發優勢。你們最接近數據的人，是最可能發現用戶的寶藏的人。

H. 「數據分析師」這一行業未來的發展如何

隨著社會經濟的發展，科技越來越發達，在我們的社會生活當中，或許我們都能發現，我們的生活方式發生了很大的改變，很多人的崗位也發生了改變。我們都在跟隨時代的發展，時代在改變，我們的工作崗位也在發生變化。這個時代是一個互聯網十分發達的年代，我們社會各個工作崗位特別需要數據分析師，所以我認為，數據分析師這一行業未來的發展趨勢一定很好，或許很多畢業大學生可以朝這方面發展，尋求自己的工作崗位。

因此，我們也能夠預測數據分析師這一行業在未來的發展前景一定會是美好的。因為，大數據的發展腳步不會停止，它只會一直向前發展。