发源地告诉你如何学习大数据分析
学习数据分析的过程其实是一个很辛苦的过程。 它包括应用数学，统计学，经济学方面的知识 ，这些听起来就不是很容易。通常数据分析这个行业在现代的社会发展过程中就业情况是非常良好，而且工资薪酬也是相当高的。我们就拿我们平时用的各种搜索来说，这些背后的大数据是怎么来的，就是一群群在那学习数据分析的人结合用户的访问情况、浏览情况、评论情况等等这些所做出的一系列应用逻辑分析能力得到的结果。而且现在是大数据时代，你拥有数据，你就拥有资本，你就拥有实力，你也就拥有了好未来。
（一）数据分析师的职场之路
图1:数据分析职位分类
数据分析的职位分类按照数据处理的不同阶段分为数据采集、数据分析、与数据挖掘三种。其中数据采集的概念是对企业来说的，，包括原始数据源的采集和地理信息数据的采集。
下面主要说下数据分析和数据挖掘的职位：
大家要记住一句话：数据分析的职位分为业务方向与技术方向两个方向，这两个方向决定了两条不同的职业规划和晋升途径，包括下面章节要说的数据分析的学习规划也跟这两个方向紧密相关。
1、业务方向
大家在招聘网站中搜索数据分析的职位，大概分为两类：辅助业务的数据分析职位和数据分析师职位。
1）辅助业务的数据分析：一般在零售业里职位设置较多，该职位一定要对业务烂熟于心，对业务有长时间的积淀和理解，用数据发现业务流程中的问题，并提出合理化的解决方案，分析数据是为整个商业逻辑去做支撑。细分职位包括：市场调查、行业分析和经营分析三类。
2）数据分析师：业务方向的数据分析师，该职位招聘时一定前面有一个限定词，什么数据分析师，归结起来分为三类：产品数据分析师，运营数据分析师和销售数据分析师。
2、技术方向
技术方向主要指数据挖掘方向，分为三类：数据挖掘工程师(机器学习)、数据仓库工程师（构架师）和数据开发工程师。在互联网和金融行业岗位设置较多
普遍来说：技术方向的基础岗的工资薪酬要比业务岗的薪酬高一个等级，但是做到管理岗的话，在中国，业务岗的薪酬比技术岗的薪酬要高。
（二）数据分析从业者需具备的核心能力
数据分析从业者要具备四种核心能力：
1、基础科学的能力；
2、使用分析工具的能力；
3、掌握编程语言的能力；
4、逻辑思维的能力
图2:数据分析核心能力体系
1、基础科学的能力
可以说，在数据决策的时代，数据分析几乎渗透到企业的每个业务环节中，行业数据分析报告更是淋漓满目，发布报告的有的是世界500强企业，有的是知名的数据洞察咨询公司大多数的数据分析报告：逻辑不见了，故事线没有了，统计学支撑没有了，金在其外，败絮其中。统计学，数学，逻辑学是数据分析的基础，是数据分析师的内功，内功不扎实，学再多都是徒劳。
掌握统计学，我们才能知道每一种数据分析的模型，什么样的输入，什么样的输出，有什么样的作用，开始我们并不一定要把每个算法都弄懂。如果我们要做数据挖掘师，数据能力是我们吃饭的饭碗。如果你没有数学能力，用现成的模型也好，模块也好，也能做，但一定会影响你的技术提升，当然更影响你的职位晋升。
2、使用分析工具的能力
数据分析工具：SQL、SPSS、SAS、R、EXCEL等等吧，都必须掌握并且会应用，毕竟企业需要的不是学者而是应用型人才。
3、掌握编程语言的能力
会Python、会R，是数据分析的基础。
4、逻辑思维的能力
逻辑思维对于数据分析来说特别重要，不单单是数理逻辑这块，还要有逻辑学的知识。反映商业数据里，大家可以理解为去搭建商业框架或者说是故事线，有逻辑的推进，结果才会另人信服。下面为一般分析流程，仅供参考。
1）提出假设
2）验证假设（统计方法）
3）取数（SQL
/ Hive / Spark）
4）清洗和整理数据（R
/ Python Pandas / PySpark）
5）可视化（Excel
/ R ggplot2 / Python matplotlib）
6）展示给非技术人员（PowerPoint
/ Tableau / iPython Notebook/ R Markdown）
（三）2018数据分析学习规划
任何一门技术或学科都有其内部规律，需要有计划，有先后，循序渐进来学。
下图：橙色区域代表数据采集板块，蓝色区域代表数据分析板块，绿色区域代表数据挖掘板块。
图3:数据分析学习规划
1、统计学（业务方向）与SQL（技术方向）：首要必会技
任何数据分析师从事业务方向的工作都必须会统计学，统计学的学习最好辅助SPSS或其他SAS来学，做到数据分析基本功扎实，兼顾实战性。
任何数据分析师从事技术方向的工作都必会SQL，不单是数据分析师，每一个运营、产品经理、尤其是互联网行业，一定要会SQL，基本知名互联网公司的产品经理都能写SQL。学习中，要掌握SQL的基础语法、中级语法和常用函数，结合关系数据库系统（Oracle
Database、SQL Server、DB2等）来学习SQL语句，找好方法，真的不难。
2、Python与R：不分伯仲，都要掌握
Python主要掌握基础语法，pandas操作、numpy操作、sklearn建模，学会用python编写网络爬虫爬取数据，等等。R语言就是为了统计而存在的语言，我们要掌握R语言的基础语法、数据管理、数据挖掘建模与评估等。
3、数据可视化
有了Python、和R的基础，我们可以就可以学习数据可视化了。运营和产品都需要学习可视化，可视化说白了，就是画图，但做为数据分析师来说，我们不能用EXCEL
来实现可视化，因为它的局限性太大了。这里也不建议花太多时间学习给非专业人士展示的Tableau，有1个小时学会Tableau足够。
Python中可视化的工具有matplotlib,seaborn,ploltly;
R中可视化工具有plot基础库、ggplot2
4、数据挖掘
这里知道要掌握基本概念，知道数据挖掘时做什么的，知道它与数据分析相比有什么不同
5、监督学习、非监督学习、模型评估
Model建模，知道模型建好后应该怎样去评估，掌握怎样用一些定量的指标，数据，数值来衡量模型建好后到底有多准确，或者说到底有多错误。模型评估的指标或计算方式选择正确与否，能够直接影响到整个项目获模型是否有效。
