【干货】学会数据分析，薪资翻倍？！下篇-新东方前途出国

从目前的数据分析行业的发展来看，数据分析从业者要具备四种核心能力。

（1）基础科学的能力

现代商业中，数据是企业决策的重要依据，数据分析几乎渗透到每个业务环节中。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。因此，要想在数据分析行业立足就必须掌握基础的、成熟的数据建模方法、数据挖掘方法。例如多元统计中的回归分析、因子分析、离散等，数据挖掘中的决策树、聚类、关联规则、神经网络等。掌握这些方法，我们才能知道每一种数据分析的模型中，什么样的输入，什么样的输出，有什么样的作用。

（2）使用分析工具的能力

数据分析工具主要有SQL、SPSS、SAS、R、EXCEL等，其中SQL是基础，必须掌握并且会应用，其他的尽量能多掌握，毕竟都是基础技术，企业需要的正是综合型的应用型人才。

（3）行业知识与业务知识

如果数据不结合具体的行业、业务知识，数据就是一堆数字，不会产生任何价值，进而数据驱动营销、提高科学决策都将是一纸空谈。

作为合格的数据分析师，一定要对所在行业的情况及业务知识有深入的了解。例如：看到某个数据，要知道统计口径是什么？如何提取的？在哪个业务环节产生的？业务发生的背景是什么？有无非经常性的因素影响等。

前两个问题可以通过业务逻辑来进行数据提取，后面的问题更偏重于对业务的了解，对行业知识了解， 对于新进入数据行业或者刚进入数据行业的朋友来说，在掌握前两项基本技术的基础上，行业知识和业务知识的了解就显得很重要。基础决定能否进入这个行业，行业知识和业务知识的熟悉程度则是你进入这个行业后，能否成功的最根本的因素。   

（4）掌握编程语言的能力和逻辑思维的能力

就数据分析领域的编程语言来讲，如果不会Python、不会R，说你懂数据分析谁都不信。R 简单易用，通过 R ，短短几行代码就可以筛选复杂的数据集，通过成熟的模型函数处理数据，制作精美的图表进行数据可视化，简直就是 Excel 的加强灵活版。

融合了 R 快速成熟的数据挖掘能力以及更实际的产品构建能力， Python 正迅速地获得主流的呼声。Python 更直观，且比 R 更易学，近几年其整体的生态系统发展也成长得很快，使其在统计分析上的能力超越了之前的 R 语言。除编程语言外，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。数据分析的流程逻辑主要有以下几点：

● 提出假设

● 验证假设(统计方法)

● 取数(SQL / Hive / Spark)

● 清洗和整理数据(R / Python Pandas / PySpark)

● 可视化(Excel / R ggplot2 / Python matplotlib)

● 展示给非技术人员(PowerPoint / Tableau / iPython Notebook / R Markdown)。

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，针对想进入及刚进入数据分析行业的同学们分享一些经验，以便同学们制定自己数据分析的学习规划。

首要技能：统计学与SQL

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。同样，任何数据分析师从事技术方向的工作都必会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，找对方法，事半功倍。

Python与R都需掌握

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。这是第二阶段要学的技能。

数据可视化

在Python、和R的基础上，运营和产品都需要学习可视化，可视化就是画图，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。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等。

模型评估

建模后应该怎样去评估，掌握怎样用一些定量的指标、数据、数值来衡量模型建好后是否准确。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。