‘壹’ 如何做好数据分析师的职业规划
1、成为一个终身学者
弄清楚自己的基础是怎么样的，学习转行从事哪个岗位的难度更小些，以及自己更适合哪个岗位。很多人一上来没有任何基础，就开始啃机器学习这是不对的。因为你没有统计概率，数学基础，里面很多专业术语根本无法理解。
数据科学是一门交叉学科，除了计算机相关知识，还需要有统计学、数学基础，以及一定业务知识。所以可以作为终身职业发展目标，每天学习一点，慢慢积累进步。
搞清楚各个职位的区别，以及了解自己的基础，知己知彼，就对学习和转行有方向和信心了。最关键的是要在自己的“最佳领域”工作。所谓的“最佳领域”，就是你热爱的、你擅长的、以及社会需要的这3个重叠的领域。
2、成为某个领域的数据专家
有的人技术很厉害，但是工作几年发展却受限，成为不了某个领域的专家。是因为今天跳到A领域，明天跳到B领域，导致业务领域知识缺乏。
然而，数据分析师主要是为所在的行业数据进行分析，所以离不开业务领域的知识。而业务领域知识的积累要靠这个领域多年工作的经验积累。所以简单来说：数据分析师=技术+业务
如果你是刚开始转行到数据分析领域，那么选择一个与你之前工作领域相关的数据分析师，那么会相对容易些，因为你自带业务知识。
如果你已经是某个领域的数据分析师，那么跳槽的时候，要考虑换岗不还行，也就是在同一个业务领域深耕，争取成为这个领域的专家，这才能具备不可替代性。避免跳到一个陌生的领域。
关于如何做好数据分析师的职业规划，青藤小编就和您分享到这里了。如果您对大数据工程有浓厚的兴趣，希望这篇文章可以为您提供帮助。如果您还想了解更多关于数据分析师、大数据工程师的技巧及素材等内容，可以点击本站的其他文章进行学习。
以上是小编为大家分享的关于如何做好数据分析师的职业规划?的相关内容，更多信息可以关注环球青藤分享更多干货
‘贰’ 从零开始学数据分析，什么程度可以找工作，如何计划学习方案
1. 第一阶段(一般岗位叫数据专员)
基本学会excel(VBA最好学会;会做透视表;熟练用筛选、排序、公式)，做好PPT。这样很多传统公司的数据专员已经可以做了
2. 第二阶段(数据专员~数据分析师)
这一阶段要会SQL，懂业务，加上第一阶段的那些东西。大多数传统公司和互联网小运营、产品团队够用了。
3. 第三阶段(数据分析师)
统计学熟练(回归、假设检验、时间序列、简单蒙特卡罗)，可视化，PPT和excel一定要溜。这些技术就够了，能应付大多数传统公司业务和互联网业务。
4. 第四阶段(分裂)
数据分析师(数据科学家)、BI等：这部分一般是精进统计学，熟悉业务，机器学习会使用(调参+选模型+优化)，取数、ETL、可视化啥的都是基本姿态。
可视化工程师：这部分国内比较少，其实偏重前端，会high charts，d3.js, echarts.js。技术发展路线可以独立，不在这四阶段，可能前端转行更好。
ETL工程师：顾名思义，做ETL的。
大数据工程师：熟悉大数据技术，hadoop系二代。
数据工程师(一部分和数据挖掘工程师重合)：机器学习精通级别(往往是几种，不用担心不是全部，和数据分析师侧重点不同，更需要了解组合模型，理论基础)，会组合模型形成数据产品;计算机基本知识(包括linux知识、软件工程等);各类数据库(RDBMS、NoSQL(4大类))
数据挖掘：和上基本相同。
爬虫工程师：顾名思义，最好http协议、tcp/ip协议熟悉。技术发展路线可以独立，不在这四阶段
发现回答的有点文不对题额，不过大致是所有从底层数据工作者往上发展的基本路径。往数据发展的基本学习路径可以概括为以下内容：
1. EXCEL、PPT(必须精通)
数据工作者的基本姿态，话说本人技术并不是很好，但是起码会操作;要会大胆秀自己，和业务部门交流需求，展示分析结果。技术上回VBA和数据透视就到顶了。
2. 数据库类(必须学)
初级只要会RDBMS就行了，看公司用哪个，用哪个学哪个。没进公司就学MySQL吧。
NoSQL可以在之后和统计学啥的一起学。基本的NoSQL血MongoDB和Redis(缓存，严格意义上不算数据库)，然后(选学)可以了解各类NoSQL，基于图的数据库Neo4j，基于Column的数据库BigTable，基于key-value的数据库redis/cassendra，基于collection的数据库MongoDB。
3. 统计学(必须学)
如果要学统计学，重要概念是会描述性统计、假设检验、贝叶斯、极大似然法、回归(特别是广义线性回归)、主成分分析。这些个用的比较多。也有学时间序列、bootstrap、非参之类的，这个看自己的意愿。
其他数学知识：线性代数常用(是很多后面的基础)，微积分不常用，动力系统、傅里叶分析看自己想进的行业了。
4. 机器学习(数据分析师要求会选、用、调)
常用的是几个线性分类器、聚类、回归、随机森林、贝叶斯;不常用的也稍微了解一下;深度学习视情况学习。
5. 大数据(选学，有公司要求的话会用即可，不要求会搭环境)
hadoop基础，包括hdfs、map-rece、hive之类;后面接触spark和storm再说了。
6. 文本类(选学，有公司要求的话会用即可)
这部分不熟，基本要知道次感化、分词、情感分析啥的。
7. 工具类
语言：非大数据类R、Python最多(比较geek的也有用julia的，不差钱和某些公司要求的用SAS、Matlab);大数据可能还会用到scala和java。