数据工作技能

看到一篇关于数据分析师的能力体系文章，正好做个提炼。

文章将分析对象分为三种，初级数据分析师，高级数据分析师，数据挖掘工程师。

能力分为八种。

数学知识

数学知识主要指统计学，矩阵计算，算法层面的数据。

数据岗是干什么的。对于初级数据分析师，主要了解一些统计知识，能够计算出来。了解常见统计模型算法则加分。

对于高级数据分析师，统计模型，矩阵计算必备。

对于数据挖掘工程师，统计学，统计模型，各类算法熟练。数学知识要求最高。

分析工具

分析工具主要就是 excel（透视表，公式），vba，spss之类的统计工具

对于初级数据分析师，主要玩转excel；vba，统计工具加分。

大数据专业知识技能？对于高级数据分析师，excel, vba, SPSS/SAS/R 熟练。分析工具要求最高

对于数据挖掘工程师，会excel就可以。

编程语言

编程语言主要指sql，大数据之类的，java/python/scala/c++/c之类的语言，linux

对于初级数据分析师，sql必备，会hadoop/hive 加分。

对于高级数据分析师，sql 和 编程语言必备。

大数据专业需要掌握的技能。对于数据挖掘工程师，大数据，编程语言，linux。编程语言是核心。

业务理解

业务理解是数据分析师所有工作基础，数据的获取方案，指标的选取，最终结论的得出，都是业务理解。

对于初级数据分析师，主要是提取数据和一些简单的图表，少量的洞察结论，也就是基本了解业务即可。

对于高级数据分析师，对业务必须有很深的了解，能基于数据提炼出有效观点，最终对业务有帮助。

对于数据挖掘工程师，对业务基本了解就可以。

逻辑能力

数据专员的知识与技能。逻辑能力在这里主要是做事是否有体系，以及写代码的逻辑是否顺

对于初级数据分析师，每一步都知道目的，知道用什么手段，得到什么样的目标。

对于高级数据分析师，有完整有效的分析框架，了解分析对象之间的关联关系，清楚每一个指标的因果关系，对业务带来的影响。

对于数据挖掘工程师，除了上面的，还在于写程序有没有逻辑。要求高。

数据可视化

数据可视化这边其实指的是作报告的能力，以及合适的数据可视化图。

数据分析四个步骤是什么、对于初级数据分析师，excel，ppt做基本的报告，清楚的展示数据。

对于高级数据分析师，探求更好的可视化方法，更有效的可视化工具，要求展示出美，准，。

对于数据挖掘工程师，了解可视化的技术，更着重于技术，而非美化方面。

沟通协调

主要是怎么和其他部门沟通，怎么做项目。

对于初级数据分析师，无论是了解业务，找数据，讲解报告，都需要和不同部门的人打交道，因此沟通很重要。

数据分析掌握的技能、对于高级数据分析师，除了干活上的沟通，还需要做项目，所以需要项目协调甚至管理能力。

对于数据挖掘工程师，要求比较低。

快速学习

做数据是个比较杂的，要有点技术，要有点商业能力，所以要求比较广。

所以都要求很高的快速学习能力。

 

大数据分析？ 

总的来说，文章还是挺有用，无论是作为上对下的考核，还是hr招人标准，还是自我要求检验，都有一定的参考价值。

所以如何去成长，如何变为更厉害的人？

持续学习能力

快速学习能力是同一起跑线，或者说工作的技能。而对于一个人的职业生涯，持续的学习能力很重要。信息时代，很夸张的说，知识获取变得很廉价。

时代更新换代也很快，14年的时候还是R当道，“数据分析”占主流，可能是当时很多分析都是对网站运营，产品之类的优化。不过我感觉算法和编程应该会更火，果然机器学习和Python在16年开始大行其道，不过潮流变得很快，现在不少工程师和分析师的招聘，要求熟悉spark，hadoop，而大数据肯定是正确的导向。至于深度学习是否有市场，这个是需要看的，至少在业内的分析，挖掘上没看到什么必需的场景。

大数据需要的技能，所以持续学习一个是持续刺激你，让你巩固和输出的东西，一个是因为时代变化太快。

有核心技能

数据这个行业和技能栈，有点广而杂，说白了，就是又要会技术，又要懂业务需求。

主动

数据分析迭代是王道，没有毕其功于一役的事。大多数一个比较大规模的东西都是花很多时间去迭代得到，需要的主动地和领导，和同事进行沟通，去验证自己的思路。

主动，才能发现业务痛点，主动，才能提出正确的问题，主动，才能和各方面的专家沟通。

所以需要的通过定期的刺激（学习），克服起初的不适应（死磕），让他形成稳定的参数（习惯），然后持续迭代（螺旋上升）。

技能有哪些，