数据分析这个专业如何

A. 数据分析及管理专业怎么样

这个专业主要研究信息管理以及信息系统分析、设计、实施、管理和评价等方面的基本理论和方法。通俗的讲，就是从信息中发掘财富。现代社会正是信息化社会，大量纷繁的信息如何管理，并且从中获得有效的信息，正是信息管理科学的研究重点。

与计算机结合，使用计算机作为工具，信息管理更加有效和实用。随着企业经营规模的现代化，对信息管理的要求越来越强烈。例如铁路订票系统，就是对车票这种信息的查询和管理系统。可以说软件开发的最主要面向的客户就是帮助企业制作良好的信息管理系统。信息管理涉及咨询、服务、物流等很多行业，有很多的就业机会。

数据都已经开始扮演越来越重要的“角色”。在这种大势之下，数据分析思维已经不只是数据分析师的“专业”了，包括销售、市场、运营、策划、产品等等前端的职位都需要通过数据分析来帮助自己的工作，甚至连后台的财务、法务、人事等也开始需要通过数据分析来提升效率。可以这么说，如果你在企业之中工作，你未来会开始越来越多的和数据打交道，这个时候数据分析已经成为工作的必要条件。

B. 商务数据分析与管理这个专业怎么样

有前景。

1）商业分析师需求大，薪资较高，就业机会和前景都很好。
看一下招聘网站，各个大厂都有招聘需求。

2）商业数据分析，或者商业分析师对综合素质的要求较高。

a、较强的数据挖掘、信息整理、和逻辑分析能力。

商业数据分析，也是数据分析师的一个方向。

制作日常性的经营报表，对公司或者行业KPI指标进行拆解、数据统计、监控分析等，是常规要求。

b、能够熟练使用数据分析的工具，如Excel、SQL、Tableau、Python等等。

工欲善其事、必先利其器。

既然是数据分析，那数据分析的工具和技能，是需要熟练掌握的。

c、复合的知识储备，对财务、计算机、市场、行业知识等都要有理解，能独立做出有价值的商业分析报告。

商业数据分析师，比数据分析师多了 商业 两个字，说明更偏业务和决策层面。

除了要常规地对数据进行挖掘和分析，还需要从企业决策和行业竞争等维度给出分析的结论和报告。

d、具备项目管理能力，能够跨部门、跨团队整合资源，以做出商业判断。

单纯的数据分析师，可能会被定位成为取数机器。

但是，商业数据分析师，则不可能只侧重于取数。既然要做出有价值的商业分析报告，推动企业决策，那必须要具备合作协调的能力，能够推动项目的发展，给出有价值的商业判断。

3）想要成为优秀的商业数据分析师，在学生时代可以提前做准备。

a、学习企业管理、财务类相关课程，多涉猎，多思考，形成自己的一些知识储备和认知。

b、提升数据分析的专业技能，SQL、Python、R语言、Tableau等都可以认真学起来。

c、还可以多看一些行业分析报告，或者专业机构出的一些大数据报告，研究报告制作的思路和用到的分析方法。

d、有机会的话，进入大厂实习。虽然实习生做的都是最基础的工作，但是在实习的过程中，能够见识到大厂的工作流程、组织架构、BI报表体系等。积累经验。

C. 数据分析这个岗位的前景如何

数据分析这个岗位的前景肯定是好的，但是对于个人来说，想要在这个行业就业，还是更看重是否具备这种能力。

之所以会怎么说，是因为现在是一个大数据的时代，很多的商业活动都会涉及到数据分析这个领域，可以说它是创业或者开展某项商业活动的基础，只有通过分析数据，才能更好的开展商业项目。正是如此，对于数据分析员岗位专业性要求还是很高，所以对于个人来说，如果想要在数据分析领域有所发展，提升自己的能力更加重要。

一、重点培养数据分析员。

为了适应大数据的经济体系，改变我国目前项目数据分析专业技术人才缺席的现状，在很早我国就已经开始针对这一问题进行重点培养数据分析人才。在多省连续开展培养这方面人才的计划，05年第一家数据分析事务所在陕西成立，随后有14个省市相继引进了大概共有80家项目数据分析专业机构，而且涉及的行业也越来越广泛。

D. 数据分析的发展前景怎么样

数据分析的发展前景挺不错的。因为每个企业都需要数据分析师，特别是集中在保险、银行、电子商务企业、零售业等行业，而且数据分析师也可以跨行发展，只要肯学习以及有潜力的话，发展方向也是有不同的。

数据分析师是针对数据指标的分析以及解读，简单来说就是诊断企业现阶段的业务发展情况，是不是符合预期的目标，达到的成效。数据分析师的岗位要求有以下三个方面：

1、了解相关的业务。也就是对企业的业务以及数据分析业务的了解，只有宏观方面的概念形成了，数据分析工作才能更加的得心应手。

2、掌握相关的数据分析工具。数据分析过程中要使用到的数据分析工具很多，掌握一到二种的数据分析工具，也是数据分析师的必备技能之一。

3、良好的沟通技能。因为数据分析师的工作不是说一个人就可以独立完成的，每个公司的需求不同，要求也不尽相同，数据分析师需要和各个部门、各个层面的员工做好沟通。

关于更多数据分析发展前景的相关问题，建议到CDA数据分析认证中心了解一下。CDA是大数据和人工智能时代面向国际范围全行业的数据分析专业人才职业简称，具体指在互联网、金融、咨询、电信、零售、医疗、旅游等行业专门从事数据的采集、清洗、处理、分析并能制作业务报告、提供决策的新型数据人才。

E. 数据分析行业就业前景怎么样

就业前景很好。一方面国家大力支持大数据行业的发展，已经上升为国际战略的今天，大数据人才正在拥有更多的发展机会。另一方面许多的领域都是缺乏这方面的人才，如教育，医疗，计算机科学、社会科学、商学、金融、医学、法律、语言学............所以它面临的人才缺口非常大。

数据分析师的发展总体来说, 后期主要有几条路线

(1) 数据分析师专业路线， 这种到后来基本就是成为数据分析专家， 成为一个专业方向的专家

(2) 转管理, 这种到后期基本是成为数据分析组长或者总监，来管理一个组或者一个部门

(3) 转其他方向, 数据分析因为是跟业务很紧密的一个工作, 所以就可以往产品运营方向来转,或者往数据产品方向来转

想要了解更多关于数据分析行业前景的问题，可以咨询一下CDA认证中心。CDA行业标准由国际范围数据领域的行业专家、学者及知名企业共同制定并每年修订更新，确保了标准的公立性、权威性、前沿性。通过CDA认证考试者可获得CDA中英文认证证书。

F. 大数据专业的发展前景怎么样

前景很不错。一方面国家大力支持大数据行业的发展，已经上升为国际战略的今天，大数据人才正在拥有更多的发展机会。另一方面许多的领域都是缺乏这方面的人才，腾讯阿里等互联网大厂都是高薪招聘相关人才。

大数据的择业岗位有：

1、大数据开发方向; 所涉及的职业岗位为：大数据工程师、大数据维护工程师、大数据研发工程师、大数据架构师等;

2、数据挖掘、数据分析和机器学习方向; 所涉及的职业岗位为：大数据分析师、大数据高级工程师、大数据分析师专家、大数据挖掘师、大数据算法师等;

3、大数据运维和云计算方向;对应岗位：大数据运维工程师。

大数据学习内容主要有：

①JavaSE核心技术；

②Hadoop平台核心技术、Hive开发、HBase开发；

③Spark相关技术、Scala基本编程；

④掌握Python基本使用、核心库的使用、Python爬虫、简单数据分析；理解Python机器学习；

⑤大数据项目开发实战，大数据系统管理优化等。

想要系统学习，你可以考察对比一下开设有IT专业的热门学校，好的学校拥有根据当下企业需求自主研发课程的能，南京北大青鸟、中博软件学院、南京课工场等都是不错的选择，建议实地考察对比一下。

祝你学有所成，望采纳。

G. 大数据分析师这个职业怎么样

近期成为月入两万的数据分析师的广告遍地都是，可能会对一些未入行的同学造成错觉。我个人感觉数据分析师这个岗位，可能近几年会消亡。

这不意味着这份工作本身不重要，而是说这份工作本身可能会转化为产品运营的一些必备技能，而不再需要单独特设人力去做这件事。或者说，不是再需要你学习SQL或者学习python，只是为了成为一名数据分析师。作为一名数据分析师，职业自身的壁垒正在不断消减，更加主动的拥抱业务，解决真正的产品和用户需求，或将成为未来的发展趋势。

数据分析师的日常工作

我们来看下预设中的分析师的一些工作场景，看看数据分析师核心的工作价值。

• 取数

• 数据清洗

• 数据可视化

• 统计分析

• 数据方向建设和规划

• 数据报告

取数 — SQL

很多人对数据分析师的预设是SQL达人，包括现在很多数据分析师的核心工作其实就是进行SQL取数。

这项工作的痛点和难点在于，我们为了得到一个结果，通常需要join很多的数据集，然后整个SQL语句就会写的特别长，而且可能会出现一些问题：比如join的表可能会出现key是重复的情况，造成最终的SQL结果因为重复而变得不可用。所以我们需要专人去专门维护各种各样的数据集，他们知道每张表应该怎么用。

但这个其实是关系型数据库遗留下来的产物——我们完全可以不需要join那么多的表。现在的分布式计算的框架，已经完全可以支持我们只保留一张大宽表，有需要的所有字段，然后所有的操作都在这张大宽表上进行，而且可以保证查询速度。这样数据分析最大的痛点已经没有了。至于你说大宽表里面存了很多重复的数据，是不是很浪费资源(关系型数据库之所以不用大宽表就是从存储空间和性能的trade-off角度考虑的)：放心，分布式存储本身是不贵的，而计算效率则是由分布式计算框架进行专门优化的。现在的计算框架计算的响应速度，已经可以在大宽表上可以很快的得到结果了。相比之下，多次join操作反而可能会更慢一些。

同时，现在很多公司的NB框架，其实都已经支持拖拽取数了，也根本不需要写SQL了。

此外，不得不说的一点是，SQL语句本身真的不难。可能如果你自己静下心来想学，一个周末的时间肯定能搞定。而资历老的数据分析师，并不会比资历轻的数据分析师，在SQL语句的写作上有什么本质的区别。以前可能还有一些小表join大表的trick，但现在计算框架大多都已经优化过这些了。所以即使是需要写SQL的场景，本身也是没有什么难度的。

所以，通过大宽表来解放数据分析工作的生产力。即使在一定要写SQL做join操作的时候，本身也不是一件壁垒特别高的事情。取数这件事儿，对于其他岗位的同学，就已经没那么复杂了。

数据清洗 — Python

数据清洗其实是很多强调python进行数据分析课程中，python部分的主要卖点。包括但不限于，怎么处理异常值，怎么从一些原始的数据中，得到我们想要的数据。

在日常产品需求过程中，这种需求的场景其实很小。因为数据大部分都是自己产生的，很少会出现没有预设到的极端值或者异常情况。如果有的话，一般就是生产数据的同学代码写的有bug，这种发现了之后修复代码bug就行。

数据清洗在工作场景的应用在于落表——就是把原始数据变成上面提到的，可以通过SQL提取的hive表。这个工作是需要懂代码的同学去支持的，他们负责数据的产出，包括数据的准确性，数据的延时性(不能太晚产出)等等。前文提到的生成大宽表，其实也可以是他们的工作。这其中就涉及到一些代码的效率优化问题，这个就不是简单懂一点python可以搞定的了，可能涉及到一些数据压缩格式的转化，比如Json/Proto buffer到hive表的转化，还有一些计算框架层面的调优，比如spark设置什么样的参数，以及怎么样存储可以更好的提升查询速度。

所以这部分工作一般是由懂代码的同学完成的。可能数据团队会有比较少数的同学，管理支持全公司的基础表的生成。

数据可视化 — Tableau

很多之前在数据分析做实习的同学，主要的工作内容就是在一个商业化的软件(比如Tableau)上，做一些统计报表。这样可以通过这些数据报表，可以很方便的查看到所属业务的一些关键指标。这些商业软件通常都比较难用，比如可能需要先预计算一下才能输出结果；而且不太好做自定义功能的开发。稍微复杂一点的需求场景，可能就需要一个专门的同学捣鼓一阵，才能输出最终的统计报表。

现在有更先进的套路了。

首先可视化。很多公司打通了前端和后端的数据，这样就可以通过网页查询原始的数据库得到数据结果。而现在很多优秀的前端可视化插件，已经可以提供非常丰富的统计图形的支持。而且因为代码是开源的，可以根据公司的需求场景进行针对性的开发，公司可以再辅以配置一些更加用户友好的操作界面，这样一些复杂需求也有了简单拖拽实现的可能。而且这些前端js代码都是免费的！对于公司来说也能省去一笔商业公司的采买成本。

其次很多商业软件，都是针对小数据集场景设计的。在一些大数据集的场景，一般需要先预计算一些中间表。而如果自己公司定制化开发的前端展示结果，就可以根据需要自主设置计算逻辑和配置计算资源，先在后端进行预计算，前端最终只是作为一个结果展示模块，把结果展示和需要的预计算进行解耦。这样就省去了很多中间表的产出，也会更加快速的得到想要的业务指标，快速迭代。

所以可视化数据的工作量也会大大减少。而且会变成一个人人都可以操作，快速得到结果的场景。

统计分析

对于一名数据分析师而言，统计学分析可能是一块知识性的壁垒。尤其是在现在ab实验成为互联网公司迭代标配的今天。需要把实验设计的那套理论应用起来：比如ab实验进行后的显着性检验，多少样本量的数据才能让这个结论有效可信呢。

但是，你我都知道，经典的统计分析其实是一个非常套路性的工作。其实就是套公式，对应到代码层面，可能也就一两行就搞定了。这个代码的统计分析结果可以作为ab平台的指标展示在最终的ab结果上，大家看一眼就能明白。即使是对那些可能不知道显着性是什么意思的人，你可以跟他简单说，显着了才有效，不显着就别管。

这么一想是不是其实不怎么需要投入额外的人力进行分析？

其他数据相关的工作

数据层面的规划和设计。移动互联网刚刚兴起的时候，可能那时候数据分析师需要对每一个数据怎么来设计一套方案，包括原始的埋点怎么样，又要怎么统计出想要的结果。但现在大部分已经过了快速迭代的时代了，新产品的埋点添加可以参考老产品，这就意味着形成套路了。而一旦形成套路，其实就意味着可以通过程序直接完成或者辅助完成。

数据报告。那就真的是一件人人都能做的事情了，试想谁没在大学期间做过数据报告呢？以前只是因为数据都是从分析师产出的，而如果人人都能取到数据的话，数据报告是不是也不是一个真需求呢？

在我看来，数据分析师这个岗位的天花板和其他岗位相比起来是比较低的。可能工作一两年之后，从岗位本身就已经学不到什么额外的工作知识了。主要的工作内容技术含量不是特别高，技能性的更多的是一些可以简单上手的东西，而且做的时间长了，在这些技能性的事情上得到的积累并不是很多。

数据分析师更像是一个在时代变迁过程中的一个中间岗位：我们从一个基本没有数据的时代，突然进入了一个数据极大丰富的时代，在这个过程中，我们都知道重视数据。那怎么能够利用这个数据呢？可能之前的那一帮人并没有太多的经验，于是老板就招一些人专门来研究一下它，同时做一些底层数据的优化。

经过多年的迭代，现在互联网行业的每个人都知道数据的价值，也大概知道了什么样的数据是重要的，怎样可以更好的挖掘数据背后的价值。同时底层的基础设施也已经支持可以让一个之前没有经验的同学可以快速的上手得到自己想要的关键数据。这时候对于一个职业数据分析师来说，他的任务就已经完成了。就如同当人人都会讲英语的时候，翻译其实也就没有存在的价值了。

此后的数据分析工作，可能不再是一些单独的人做的工作。它会变成一个产品和运营的基础工具，而且足够简单，没有取数的门槛。只是产品运营怎么样可以更好的认识数据，通过数据本身更好的配合产品运营的工作，这已经超脱我们一般理解的数据分析师的工作了，而是一个产品运营分内的工作。

对于那些已经在从事数据分析师岗位的同学来说，建议不要把心思全部投入到数据分析的本职工作上，以完成任务为核心KPI。而是不要给自己设置边界，多从用户的角度思考问题，不要因为是产品运营的工作就不去做了。数据分析师这个职业发展到这个阶段，要么做更加底层的数据建设，要么拥抱业务，最大化的发掘数据背后背后的价值。不要再死守着数据分析的“固有技能”沾沾自喜了。

数据本身的价值是无穷的，作为数据分析师，你们已经先人一步的掌握它了，要有先发优势。你们最接近数据的人，是最可能发现用户的宝藏的人。

H. “数据分析师”这一行业未来的发展如何

随着社会经济的发展，科技越来越发达，在我们的社会生活当中，或许我们都能发现，我们的生活方式发生了很大的改变，很多人的岗位也发生了改变。我们都在跟随时代的发展，时代在改变，我们的工作岗位也在发生变化。这个时代是一个互联网十分发达的年代，我们社会各个工作岗位特别需要数据分析师，所以我认为，数据分析师这一行业未来的发展趋势一定很好，或许很多毕业大学生可以朝这方面发展，寻求自己的工作岗位。

因此，我们也能够预测数据分析师这一行业在未来的发展前景一定会是美好的。因为，大数据的发展脚步不会停止，它只会一直向前发展。