⑴ 数据分析师需要学习哪些技能
数据分析师需要学习很多的技能，也正是因为这样，数据分析师的工资是十分乐观的。在大数据的火热发展中，数据分析师这个职业也越来越欢迎，很多人都想进入这个行业，这些人对于数据分析师需要学的东西都是比较关心的，而数据分析师需要学习的技能有很多，需要学习统计学、Excel、SQL、数据分析知识以及行业的知识等等。下面我们就详细地给大家介绍一下这些知识。
首先我们说一说Excel。如果想成为数据师，那么很有必要学会使用Excel这个工具。对于数据分析师来说，Excel是一个必备的技能，经过大量的实践发现，Excel是一个比较靠谱的工具，如果用Excel分析数据，就能够做好数据的分析，同时Excel操作也是比较简单的，不是程序员也能够正常的使用。现在有很多企业都在使用Excel这项工具进行去分析数据，所以，数据分析师必须要学会使用Excel。
然后我们说一说行业知识。对于数据分析师来说，业务的了解比数据方法论更重要。而且业务学习没有捷径，基本都靠不断的思考与不断的总结。这样才能够做好数据分析。
接着我们说一下SQL，其实现在很多人不知道sql是什么，在这里给大家描述一下，sql是所有数据库查询的语言，当然，sql非常容易入手。而数据库也是有很多的类型的，比如mysql、sqlserver、oracle等等，对于不同的数据库，sql语法会有所不同，但是总体上大同小异，只是细微处的差别。如果大家有数据库基础的话，那么只需要找些sql的题目做一做，这样也能够提到sql水平。
而数据分析思维是数据分析师需要注意的事情。如果作为一名数据分析师，需要很缜密的心思以及对数据很敏感的喜欢，这样才能够发现他人会遗漏的东西。有力这些还不够，我们还需要有一个数据分析的思维，那么怎么有一个数据分析的思维呢？一般来说，需要梳理分析思路，并搭建分析框架，把分析目的分解成若干个不同的分析要点，即清楚如何具体开展数据分析，需要从哪几个角度进行分析，采用哪些分析指标。同时，确保分析框架的体系化和逻辑性。
最后给大家介绍一下统计学。一名优秀的数据分析师还应该精通统计学，只有学会了统计学，才能够进行数据分析，数据分析是通过大量的数据进行挑选出有用的数据，这样才能够做好正确的分析。统计学的统计知识能够让我们多了一种角度去看待数据，这样能够看出不同的情况，为数据分析中提供了参考价值。如果你想成为一名出色的数据分析师，那么你就必须要会统计学。
通过上述的内容相信大家已经知道了数据分析师需要学会的技能了，大家在进行数据分析的时候多多注意上面内容的学习，这样才能够学好数据分析。最后祝愿大家早日学成数据分析。
⑵ 如何转型成为大数据工程师 需要具备哪些条件
大数据是眼下非常时髦的技术名词，与此同时自然也催生出了一些与大数据处理相关的职业，通过对数据的挖掘分析来影响企业的商业决策。
这群人在国外被叫做数据科学家(Data Scientist)，这个头衔最早由D.J.Pati和Jeff Hammerbacher于2008年提出，他们后来分别成为了领英(LinkedIn)和Facebook数据科学团队的负责人。而数据科学家这个职位目前也已经在美国传统的电信、零售、金融、制造、物流、医疗、教育等行业里开始创造价值。
不过在国内，作为大数据人才培养基地，能更加清楚地了解现今的大数据行业情况，认为大数据的应用才刚刚萌芽，人才市场还不那么成熟，“你很难期望有一个全才来完成整个链条上的所有环节。更多公司会根据自己已有的资源和短板，招聘能和现有团队互补的人才。”领英(LinkedIn)中国商务分析及战略总监王昱尧对《第一财经周刊》说。
数据工程师是做什么的?
于是每家公司对大数据工作的要求不尽相同：有的强调数据库编程、有的突出应用数学和统计学知识、有的则要求有咨询公司或投行相关的经验、有些是希望能找到懂得产品和市场的应用型人才。正因为如此，很多公司会针对自己的业务类型和团队分工，给这群与大数据打交道的人一些新的头衔和定义：数据挖掘工程师、大数据专家、数据研究员、用户分析专家等都是经常在国内公司里出现的Title，我们将其统称为“大数据工程师”。
由于国内的大数据工作还处在一个有待开发的阶段，因此能从其中挖掘出多少价值完全取决于工程师的个人能力。已经身处这个行业的专家给出了一些人才需求的大体框架，包括要有计算机编码能力、数学及统计学相关背景，当然如果能对一些特定领域或行业有比较深入的了解，对于其快速判断并抓准关键因素则更有帮助。
虽然对于一些大公司来说，拥有硕博学历的公司人是比较好的选择，不过阿里巴巴集团研究员薛贵荣强调，学历并不是最主要的因素，能有大规模处理数据的经验并且有喜欢在数据海洋中寻宝的好奇心会更适合这个工作。
除此之外，一个优秀的大数据工程师要具备一定的逻辑分析能力，并能迅速定位某个商业问题的关键属性和决定因素。“他得知道什么是相关的，哪个是重要的，使用什么样的数据是最有价值的，如何快速找到每个业务最核心的需求。”联合国网络大数据联合实验室数据科学家沈志勇说。学习能力能帮助大数据工程师快速适应不同的项目，并在短时间内成为这个领域的数据专家;沟通能力则能让他们的工作开展地更顺利，因为大数据工程师的工作主要分为两种方式：由市场部驱动和由数据分析部门驱动，前者需要常常向产品经理了解开发需求，后者则需要找运营部了解数据模型实际转化的情况。
你可以将以上这些要求看做是成为大数据工程师的努力方向，这是一个很大的人才缺口。目前国内的大数据应用多集中在互联网领域，有超过56%的企业在筹备发展大数据研究，
因此分析历史、预测未来、优化选择，这是大数据工程师在“玩数据”时最重要的三大任务。通过这三个工作方向，他们帮助企业做出更好的商业决策。
1.找出过去事件的特征
大数据工程师一个很重要的工作，就是通过分析数据来找出过去事件的特征。比如，腾讯的数据团队正在搭建一个数据仓库，把公司所有网络平台上数量庞大、不规整的数据信息进行梳理，总结出可供查询的特征，来支持公司各类业务对数据的需求，包括广告投放、游戏开发、社交网络等。
找出过去事件的特征，最大的作用是可以帮助企业更好地认识消费者。通过分析用户以往的行为轨迹，就能够了解这个人，并预测他的行为。“你可以知道他是什么样的人、他的年纪、兴趣爱好，是不是互联网付费用户、喜欢玩什么类型的游戏，平常喜欢在网上做什么事情。”腾讯云计算有限公司北京研发中心总经理郑立峰对《第一财经周刊》说。下一步到了业务层面，就可以针对各类人群推荐相关服务，比如手游，或是基于不同特征和需求衍生出新的业务模式，比如微信的电影票业务。
2.预测未来可能发生的事情
通过引入关键因素，大数据工程师可以预测未来的消费趋势。在阿里妈妈的营销平台上，工程师正试图通过引入气象数据来帮助淘宝卖家做生意。“比如今年夏天不热，很可能某些产品就没有去年畅销，除了空调、电扇，背心、游泳衣等都可能会受其影响。那么我们就会建立气象数据和销售数据之间的关系，找到与之相关的品类，提前警示卖家周转库存。”薛贵荣说。
以网络景点预测为例，大数据工程师需要收集所有可能影响一段时间内景点人流量的关键因素进行预测，并为全国各个景点未来的拥挤度分级—在接下来的若干天时间里，它究竟是畅通、拥挤，还是一般拥挤?
3.找出最优化的结果
根据不同企业的业务性质，大数据工程师可以通过数据分析来达到不同的目的。
在过去，决策者只能依据经验进行判断，但如今大数据工程师可以通过大范围地实时测试—比如，在社交网络产品的例子中，让一半用户看到A界面，另一半使用B界面，观察统计一段时间内的点击率和转化率，以此帮助市场部做出最终选择。
作为电商的阿里巴巴，则希望通过大数据锁定精准的人群，帮助卖家做更好的营销。一个淘宝的实例是，某人参卖家原来推广的目标人群是产妇，但工程师通过挖掘数据之间的关联性后发现，针对孕妇群体投放的营销转化率更高。
需要具备的能力
1.数学及统计学相关的背景
就我们采访过的BAT三家互联网大公司来说，对于大数据工程师的要求都是希望是统计学和数学背景的硕士或博士学历。缺乏理论背景的数据工作者，更容易进入一个技能上的危险区域(Danger Zone)—一堆数字，按照不同的数据模型和算法总能捯饬出一些结果来，但如果你不知道那代表什么，就并不是真正有意义的结果，并且那样的结果还容易误导你。“只有具备一定的理论知识，才能理解模型、复用模型甚至创新模型，来解决实际问题。”沈志勇说。
2.计算机编码能力
实际开发能力和大规模的数据处理能力是作为大数据工程师的一些必备要素。
举例来说，现在人们在社交网络上所产生的许多记录都是非结构化的数据，如何从这些毫无头绪的文字、语音、图像甚至视频中攫取有意义的信息就需要大数据工程师亲自挖掘。即使在某些团队中，大数据工程师的职责以商业分析为主，但也要熟悉计算机处理大数据的方式。
3.对特定应用领域或行业的知识
大数据工程师这个角色很重要的一点是，不能脱离市场，因为大数据只有和特定领域的应用结合起来才能产生价值。所以，在某个或多个垂直行业的经历能为应聘者积累对行业的认知，对于之后成为大数据工程师有很大帮助，因此这也是应聘这个岗位时较有说服力的加分项。
职业发展
1.如何成为
由于目前大数据人才匮乏，对于公司来说，很难招聘到合适的人才—既要有高学历，同时最好还有大规模数据处理经验。因此很多企业会通过内部挖掘。
2014年8月，阿里巴巴举办了一个大数据竞赛，把天猫平台上的数据拿出来，去除敏感问题后，放到云计算平台上交予7000多支队伍进行比赛，比赛分为内部赛和外部赛。“通过这个方式来激励内部员工，同时也发现外部人才，让各行业的大数据工程师涌现出来。”
目前长期从事数据库管理、挖掘、编程工作的人，包括传统的量化分析师、Hadoop方面的工程师，以及任何在工作中需要通过数据来进行判断决策的管理者，比如某些领域的运营经理等，都可以尝试该职位，而各个领域的达人只要学会运用数据，也可以成为大数据工程师。
2.薪酬待遇
作为IT类职业中的“大熊猫”，大数据工程师的收入待遇可以说达到了同类的顶级，国内IT、通讯、行业招聘中，有10%都是和大数据相关的，且比例还在上升。颜莉萍(Nicole Yan)表示，“大数据时代的到来很突然，在国内发展势头激进，而人才却非常有限，现在完全是供不应求的状况。”在美国，大数据工程师平均每年薪酬高达17.5万美元，而据了解，在国内顶尖互联网类公司，同一个级别大数据工程师的薪酬可能要比其他职位高20%至30%，且颇受企业重视。
3.职业发展路径
由于大数据人才数量较少，因此大多数公司的数据部门一般都是扁平化的层级模式，大致分为数据分析师、资深研究员、部门总监3个级别。大公司可能按照应用领域的维度来划分不同团队，而在小公司则需要身兼数职。有些特别强调大数据战略的互联网公司则会另设最高职位—如阿里巴巴的首席数据官。另一方面，大数据工程师对商业和产品的理解，并不亚于业务部门员工，因此也可转向产品部或市场部，乃至上升为公司的高级管理层。
⑶ 一份关于数据科学家应该具备的技能清单
一份关于数据科学家应该具备的技能清单
大数据时代，什么职业比较吃香?答案可以从今年的校招薪资列表上知道——算法工程师、人工智能研究员、数据分析等职位。其实这几个职位有一定的交集，那就是需要处理大量的数据，尤其是作为一名数据科学家，主要的工作在处理数据和分析数据上面，也有部分工作与算法工程师和人工智能研究员相重叠，其所占的优势在于对数据更加敏感。那么作为一名数据科学家，应该具备的技能有哪些呢?本文将一窥究竟。
1.学历
数据科学家一般都具有高学历——88%的数据科学家至少是硕士学位，46%的数据科学家是博士学位，这表明想要成为一名数据科学家需要非常好的教育背景(知识了解深入)。常见的专业是计算机科学、社会科学、物理科学和统计学。最常见的研究领域是数学和统计(32%)，其次是计算机科学(19%)和工程应用(16%)。在攻读上述学位中学习到的专业知识都将为您提供处理和分析大数据所需的技能。
在取得学位后就可以高枕无忧了吗?答案是否定的，现在是终生学习的时代。事实上，大多数数据科学家在拥有硕士学位或博士学位后，还不断通过在线训练以学习如何使用Hadoop或大数据查询等特殊技能。
2.R编程语言
对于数据科学家而言，R语言通常是首选编程语言。R语言是专门为数据科学需求而设计的，可以使用R语言来解决在数据科学中遇到的任何问题。事实上，43%的数据科学家正在使用R语言来解决统计问题。
但是学习R语言时有一个障碍，那就是如果你已经掌握了一门其它编程语言，那学起来是很痛苦的。尽管如此，互联网上有很多R语言学习资源，例如Simplilearn的数据科学训练和R编程语言。
技术类技能：计算机科学
3.Python编程
Python语言近来很火，随着人工智能以及深度学习的发展，Python已经超越Java语言成为编程中最常用的语言。Python也是在数据科学中常见的编码语言，据调查，40%的受访者使用Python作为其主要编程语言。
由于Python的多功能性，可以将其用于所有涉及数据科学过程的步骤。比如，Python可以采用各种格式的数据，并且可以轻松地将SQL表导入到代码中。此外，还允许创建数据集。
4.Hadoop平台
CrowdFlower对3490 名领英上注册的数据科学家进行了一次调查，发现49%的数据科学家将Apache Hadoop列为第二项重要技能。
作为一名数据科学家，可能会遇到拥有的数据量超出了系统的内存，或者需要将数据发送到不同的服务器的问题，这些问题都可以通过Hadoop解决——使用Hadoop对数据进行分布式处理。此外，还可以使用Hadoop进行数据挖掘、数据过滤、数据采样和汇总。
5.SQL数据库/编程
尽管NoSQL和Hadoop已经成为数据科学的一个重要组成部分，但有些人仍然可以在SQL中编写和执行复杂的查询。SQL(结构化查询语言)是一种编程语言，可以执行诸如添加、删除和从数据库提取数据等操作，还可以执行分析功能并转换数据库结构。
作为一名数据科学家，需要精通SQL。这是因为SQL专门设计用于访问、通信和处理数据。当使用它来查询数据库时，它会提供见解。此外，由于其简洁的命令，可以节省时间并减少执行困难查询时所需的编程量。
6.Apache Spark
Apache Spark正成为全球最受欢迎的大数据技术。它类似于Hadoop，是一个大数据计算框架。唯一的区别是Spark比Hadoop更快。这是因为Hadoop需要读取和写入磁盘，而Spark将其计算缓存在内存中，这类似于机械硬盘与SSD的区别。
Apache Spark专为数据科学而设计，能更快地运行复杂的算法。当处理大量数据时，它有助于传播数据处理，从而节省时间。此外，还能处理复杂的非结构化数据集。
Apache Spark的优势在于其速度，利用该平台使得开展数据科学项目变得非常容易。借助Apache Spark，可以执行从数据采集到分布式计算的分析。
7.机器学习和人工智能
许多数据科学家并没有精通机器学习领域相关知识和技术，比如神经网络、强化学习、对抗学习等。如果想从数据科学家中脱颖而出的话，需要了解机器学习技术，如监督学习、决策树、逻辑回归等，这些技术将帮助你解决基于已有的数据和结果来预测不同数据科学问题。
数据科学需要在机器学习的不同领域应用技能，Kaggle在其调查中发现，一小部分数据专业人员掌握了高级机器学习技能，如监督学习、无监督学习、时间序列、自然语言处理、异常检测、计算机视觉、推荐引擎、生存分析、强化学习和对抗学习等。
8.数据可视化
大数据时代，数据很多很乱，有些原始数据需要翻译成易于理解的格式。人们自然而然地以图表的形式展示数据所要表达的意思，“一张图片胜过千言万语”。
作为一名数据科学家，必须能够借助数据可视化工具(如ggplot、d3.js和Matplottlib以及Tableau)来可视化数据，这些工具能将项目的复杂结果转换为易于理解的格式。
数据可视化为组织提供了直接处理数据的机会，可以迅速掌握见解，帮助他们抓住新的商业机会并保持领先地位。
9.非结构化数据
数据科学家能够处理非结构化数据至关重要，非结构化数据是不适合定义为数据库的形式，比如视频、博客文章、客户评论、社交媒体文章、视频文件、音频等，对这些类型的数据进行排序很困难。
由于非结构化数据的复杂性，大多数人将非结构化数据称为“黑暗分析(dark analytics)”。使用非结构化数据有助于揭示对决策制定有用的见解。作为数据科学家，必须有能力理解和操纵非结构化数据。
非技术类技能
10.好奇心
我没有特殊的才能，我只是充满了好奇心——爱因斯坦。
好奇心可以被定义为渴望获得更多的知识，作为一名数据科学家，需要能够提出有关数据的问题，因为数据科学家将大约80%的时间用于发现和准备数据。由于数据科学领域是一个发展非常迅速的领域，必须学习更多知识以保持不落伍。
通过在线阅读内容并阅读关于数据科学趋势的相关书籍来定期更新知识，不要被互联网上的大量数据所淹没，必须能够知道如何理解这一切。好奇心是作为数据科学家取得成功所需的技能之一。例如，第一次看到收集到的数据时，不知道这些数据有什么意义。但好奇心将帮助你筛选数据以找到答案和更多见解。这就像两个人相亲一样，只有当你对另一方感到好奇时，才会深入的了解下去。
11.商业头脑
要成为一名数据科学家，需要对所从事的行业有深入的了解，并了解公司正在努力解决的业务问题。在数据科学方面，除了找出业务应该利用其数据的新方式之外，能够辨别哪些问题对于解决业务问题至关重要。
为了做到这一点，必须了解要解决的问题会如何影响业务，这就是为什么需要了解企业的运作方式，以便能够朝正确的方向努力。
12.沟通能力
一些公司正在寻找具有很好沟通能力的数据科学家，他们能够清晰流利地将技术发现传递给非技术团队的人员，比如市场营销部门或销售部门。数据科学家除了理解非技术同事的需求以便适当地调整数据外，还必须做出相关的决定。
除了说同一种语言外，还需要使用数据以讲故事的方式交流。作为一名数据科学家，必须知道如何创建一个围绕数据的故事情节，以方便任何人都能理解。例如，呈现数据表格不如以故事形式分享这些数据的见解。讲故事可以帮助你将你的发现与雇主正确沟通。
沟通时，请注意分析数据的结果，大多数企业主并不想知道你分析的具体内容，而是对如何积极影响其业务感兴趣。学会专注于提供价值并通过沟通建立持久的关系。
13.团队合作
数据科学家不可能单打独斗，而是不得不与公司高管合作制定策略、与产品经理和设计师合作创造更好的产品、与营销人员一起推出更好的转换活动、与客户端和服务器软件开发人员共同创建数据管道并改善工作流程。数据科学家必须与组织中的每个人一起工作，包括客户。
从本质上讲，数据科学家将与团队成员合作开发用例，以了解解决问题所需的业务目标和数据。需要知道解决用例的正确方法、解决问题所需的数据以及如何将结果呈现为所涉及的每个人都可以轻松理解的内容。
⑷ 九个成为数据科学家的必备技能
九个成为数据科学家的必备技能
Works详细列举了从雇主角度看来，数据科学家加强自身市场竞争力所必备的9个数据科学技能。
过去一年中人们对数据科学的兴趣骤然增长。Nate Silver这个名字已经家喻户晓，所有公司都在寻找独角兽，很多不同学科的专业人才都开始关注这份薪水丰厚的职业，并将其当作自己可能的职业选择。
在Burtch Works开展招聘工作时，我们与很多想要在数据科学这一成长性领域有所发展的分析学专家探讨过，对具体的实施方案提出了疑问。我从招聘者的角度列出了在数据科学方面对成功十分关键，并且是招聘经理首先考虑的一些技术类与非技术类技能。
各公司在技能与工具的价值评判上都不尽相同，因此这个列表绝对谈不上详尽，不过在这些领域有过经验的人会在数据科学上占有更大的优势。
技术技能：分析学
1、教育——数据科学家受教育程度都很高，其中88%至少拥有硕士学位，46%有博士学位。虽然有一些名人特例，不过通常来说成为一名数据科学家需要扎实的教育背景，才能掌握所需的深度知识。最常见的研究领域包括数学与统计学（32%），其次是计算机科学（19%）以及工程学（16%）。
2、SAS软件与/或R语言——对其中至少一种分析工具有深入的了解，一般对数据科学来说R语言更好一些。
技术能力：计算机科学
3、都是公司在招聘数据科学类角色时最常提出的语言要求。
4、Hadoop平台——尽管不是总有这个需求，不过在很多情况下掌握它的人优势更大。熟悉Hive或Pig也是很有利的卖点。熟悉类似Amazon S3这样的云工具也会很有优势。
5、SQL数据库/编程——尽管NoSQL和Hadoop已经成为了数据科学很大的组成部分之一，招聘者还是希望能够找到可以编写与执行SQL复杂查询的候选人。
6、非结构化数据——数据科学家能够处理非结构化数据这一点非常重要，无论这些数据是来自社交媒体、视频源或者音频的。
非技术类技能
7、求知欲——毫无疑问最近到处都能看到这个词，尤其是在与数据科学家关联时。Frank Lo在几个月前的博文中描述了这个词的含义，并且讨论了其他必须的“软技能”。
8、商业智慧——想要成为数据科学家，需要充分了解自己工作的行业，并且知道公司想要解决的商业问题是哪些。能够根据数据科学分辨出解决哪些问题对公司来说更为重要，并且能够找出利用数据的新办法，这些是非常关键的。
9、通用技能——寻找优秀数据科学家的公司想要的是这样的人材：能够清楚顺畅地将自己的技术发现转化为非技术团队（比如市场部或者销售部）能够使用的内容。数据科学家必须能得出可用以决策的量化insight，同时了解非技术团队的需求，可以恰当地进行沟通以传达数据。想要了解定量专家在沟通技巧方面的更多信息，请参见我们近期的调查。
一般接下来的问题都是：“怎样能够获得这些技能呢？”网上有很多资源，不过笔者不希望让读者产生这样的错觉——成为数据科学家非常简单，上几节MOOCs就够了。除非你有扎实的定量经验，否则成为数据科学家之路还是颇有挑战的——但也并非不可能。
不过只要你确实对数据有兴趣、有激情，并打算将生命投入到相关的学习上，那么就不要让经验背景成为你追求数据科学生涯的阻碍。下面是我们觉得有用的一些资源：
1、高等学位——为了满足目前的需求，如雨后春笋般出现了更多的数据科学专业的项目，不过数学、统计学与计算机科学专业的项目也有很多。
2、MOOCs——Coursera、Udacity还有codeacademy都是不错的入门方式。
3、证书——KDnuggets编写了一个很长的列表清单。
4、Bootcamps——想要了解这种方式与学历项目或MOOCs的对比情况。
5、Kaggle——Kaggle上有数据科学竞赛，可以进行演练，用杂乱的真实世界数据来磨练技巧，解决真实的商业问题。雇主对Kaggle排名很重视，该排名可以被看作是相关的、经过亲身实践的项目工作。
6、LinkedIn小组——加入相关的小组，与数据科学社区的其他成员互动。
7、数据科学中心与KDnuggets——数据科学中心与KDnuggets都是保持与数据科学行业趋势前沿同步的优秀资源。8、Burtch Works研究：关于数据科学家的薪金，如果想要了解更多信息与当前数据科学家人数统计的话，请下载我们的数据科学家薪金研究报告。