数据分析师等级认证考试,数据分析师等级认证考试 ***

1. 数据分析到底有多难？
2. 数据分析需要用什么技术？java还python好一点？
3. 以后想从事数据分析的工作，那我研究生需要念什么专业最好呢？
4. 现在数据分析师前景怎么样？

数据分析到底有多难？

这个要看什么场景，比如 如果是对***DNA的数据进行分析就非常麻烦，如果是对企业内部的业务数据进行分析就比较简单，因为现在都有了比较专业的 工具了。这里介绍两款比较专业的 企业级的数据分析处理的工具：

一款是字节跳动的 数据洞察， 一款是软开企服的JVS数据智仓

我们先看下字节跳动的 数据洞察：

我们 在对比下JVS数据智仓

数据分析专业度决定了工作难度

数据分析师有很多个分支岗位，岗位的划分和公司的业务相关。

对个人而言，岗位的职责不同导致了对技能的要求不同。

1. 数据运营这种数据岗主要是偏运营方向。

工作内容是制作报表，提数据需求给开发人员，产出分析报告，承接其他部门的数据需求四大内容。对技能没有太多要求，Excel很熟，需求能和开发说清楚，明白什么外部需求可以处理，什么不能处理。分析报告自己懂得提取关键点，总结导致数据结果的原因，讲解如何去实现关于数据的任务。

2. 数据产品这种岗位偏向与搭建数据类的产品。

数据类产品分很多种，在公司内部最常见的是数据平台的搭建，或者是针对某个业务逻辑的模型方法。其中，数据平台的产品就是确定我们要看什么数据，以什么方式展示出来，能否解决其他部门的数据需求。针对业务逻辑的模型方法，和数学模型没有半点关系，就是针对用户的特点，提出一套总结性质的方法，然后跟进这种方法，实现业务逻辑，更高效完成工作任务。需要懂得制作产品原型，Excel肯定要很熟。有时需要跟进项目催促开发进度。

3. 数据分析师工作内容包括从数据库提取数据给数据运营产品，产出部分分析报告，搭建业务相关的模型（这个一般是数学模型）。 有可能会参与到报表开发，数据平台开发。技能包括会SQL查询（不要求复杂的SQL，不要求写存储过程什么的），会写脚本（python，shell），使用数据分析工具（R，Python），懂得一般数学模型，例如 linear regression，logistics regression等等。不需要掌握数据挖掘的技术，组里有数据挖掘工程师去实现。

如果你的公司业务和数据无关，比如说只有日活，存留率，或者PVUV之类的，这个数据分析一般不用搭建模型，价值不大；但如果业务和数据相关，比如是用户投资公司的产品，数据直接和钱打交道，就需要数学模型去量化这些行为，价值不同。一般这些模型在统计学中都会学到，千万不要以为线性回归就是什么最小二乘法一条直线嘛，好好去找一个统计课本看看里面的***设检验都有哪些，不要对线性回归停留在中学阶段。实现这些模型，就是利用R或者Python。一般是离线计算，把结果放到服务器上在数据平台展示。如果需要实时性质的计算，数据分析师肯定是搞不定的。数据挖掘工程师，掌握的技能非朝夕可得，想短期速成不现实。以上三个岗位倒有可能速成。

总结：数据分析工作由于岗位细分不同，所做的工作也是有本质上的差别，需要自己对于企业数据分析这个岗位职责详细了解，明确工作的目标，任务。这样才能做到有的放矢，然后根据具体情况，进行专业领域的学习。

希望以上解答可以帮助到你，关注作者，持续带来职场干货。

想从行业的角度来讲讲为什么转行数据分析会很难。这是因为数据分析行业是一个门槛较高的行业，顺利转行数据分析要求你同时满足几个要求。

我之前看到很多人说数据分析工作对学历要求不高。其实这需要分情况来看，如果做的只是打杂取数类的数据分析工作，那确实不要求太高学历，大专也可以。但如果想进入一家大型企业，从事正统的输出数据分析报告、能够***业务经营决策的工作，那么这个要求就高了。首先学历要求本科起步，同时对你的专业也有一定要求，公司会更偏好有管理学、金融学、应用统计学、数学、计算机科学与工程等相关专业的人。

也就是要掌握数据分析师必须具备的技能。

1、了解统计学相关知识：百分位数，箱线图，标准差，皮尔逊相关系数，贝叶斯定理，正态分布，卡方分布，***设检验等。

2、初步了解运营数据指标渠道转化率：PV 、UV、留存率、流失率、复购率、GMV等所在行业的指标，了解google ***ytics、百度指数等网站分析工具。

3、熟悉SQL语法：比如Mysql数据库。

4、熟悉python数据分析常用库：pandas、numpy、matplotlib、Seabron，能够利用python做数据可视化、数据探索、数据预处理。

5、熟悉office软件：精通excel，常用函数与数据***表等。

6、初步了解机器学习常用模型：决策树、RF、聚类等，能够手推最小二乘法。

7、掌握tableau、Power bi、FineBI等BI工具。

数据分析到底有多难？入门数据分析必须会高深的编程技能吗？ 必须会专业系统的分析方***吗？必须有资深的业务知识吗？

不，并不需要。

那么想要入门数据分析，需要具备哪些技能，哪些条件呢？

其实，大部分的数据分析，只要通过基础的Excel就可以了，真正的分析是思维逻辑的分析，思维清晰，逻辑有条理，工具是可以替代的，也是可以学习的；

入门数据分析需要了解哪些知识？我们需要了解基本的统计学知识，样本、概率、变量类型等概念，还要了解常用的方法和方法的适用范围；再有还需要了解Excel的常用函数，vlookup、sum、count等函数；数据***表也是一个非常强大的功能，可以帮你解决各种交互统计汇总的问题。

数据分析，对一般人来说的确很难，第一要具备清晰的逻辑思维能力，擅长剖析。第二，对数据敏感，可以通过数据来追索数据背后产生的问题和你原因。第三，数据分析，对个人的知识面和综合能力要求比较高。第四，要掌握必备的分析工具和分析逻辑等，高深的数据分析，还要会数据库，算法什么的～

数据分析需要用什么技术？j***a还python好一点？

J***a大数据：

J***a语言应用广泛，可以应用的领域也非常多，有完整的生态体系，另外J***a语言的性能也非常不错。J***a与大数据的关系非常密切，一方面目前做大数据开发的程序员很多都是从J***a程序员转过去的，另一方面Hadoop平台本身就是基于J***a开发的，所以目前J***a在大数据开发中的使用还是非常普遍的。

但是J***a语言自身的复杂性让很多程序员感觉它有点“重”，格式化的东西有点多，所以在Spark平台下，很多程序员更愿意使用Scala语言，而Scala就是基于J***a语言构建的，所以有J***a基础再学习Scala还是比较轻松的。

单学J***a以后的就业方向单一，薪资就是J***a程序员的基本水平；而J***a大数据工程师，以后的就业可以从事J***a方面的工作，也可以涉猎大数据方面的工作，因为对大数据技术知识有所涉猎，所以谈薪资的资本会高一些：

由于大数据产业的火爆，相关职位的待遇也是水涨船高。可以看到，大数据相关职位的平均薪资已经超过月薪20K。

Python大数据：

Python语言目前在大数据和人工智能领域有广泛的应用，原因就是Python语言简单、直接、方便。Python语言是脚本式语言，所以学习起来比较简单，脚本语言的天然属性就是直接，所以Python在语法结构上比J***a要“轻”很多。

另外，由于Python有丰富的库支持，所以Python做软件开发也非常“直接”，程序员的作用有点像做“集成”的感觉。目前Python在Hadoop和Spark平台下的使用都非常普遍，而且越来越多的J***a程序员转向使用Python，因为没人愿意复杂。

但是Python缺点也比较明显，那就是Python的性能远不及J***a，另外与大数据平台的耦合度也不如J***a好。但是如果你使用Python做算法实现、数据分析、数据呈现等应用是完全没有问题的，效率也比较高。

总之，如果做大数据开发，小编建议J***a和Python最好都学习一下（主学J***a），语言本身就是工具。

先说结论，

问题1回答：数据分析技术简单来说可归类为统计分析技术和数据可视化两类。

问题2回答：目前阶段做数据分析使用Python更高效，方便一点。

希望我作为数据分析师的经验能对你有帮助

数据分析是指用适当的统计方法对收集的大量数据进行数据分析，提取有用信息和形成结论而对数据加以详细研究和概括总结的过程，最后再通过得到的结论应用到行业中解决实际问题。

简单概括来说数据分析就是-- 处理数据然后推进优化现实工作。

数据分析应用在各行各业，互联网，工业，咨询行业等，有一个共同点，数据分析都是为业务服务的，用于解决实际运营中出来的问题，或者探索业务可优化的空间。

明白了这一点，就知道数据分析不是目的，数据分析的结果产出对业务的实际提升和优化才是目的，数据分析只是一种解决的方法，既然是方法，我们就要考虑它的效果，成本（学习成本，使用成本）等。

以现在最热门的互联网行业的数据分析而言，随便从招聘网站上截取部分应届生数据分析师招聘JD，选取应届生是因为相对要求低一点，对题主想要入门应该更有参考下价值。

对于小中型数据一般通过python就可以完成数据分析，对于大数据的数据分析需要使用分布式数据存储和计算技术，一些常用的工具，hadoop,hive,spark,flink等。

掌握数据可视化工具使用，可以帮助我们快速了解业务数据，比如pyecharts,seaborn,plotly,matplotlib等

在进行python数据分析时候，可以借助一些工具库快速完成，比如pandas,numpy

一般公司中多用python来进行数据分析，毕竟数据科学狠多插件都非常的好用，希望对你有帮助，让我们共同进步。

其实这个问题就跟 写***，是用 拼音写，还是用 英语写 ？

其实我觉得大家可以想像数据分析的目的是要数据的结果，为啥 要用一门语言 去创造这个分析的过程呢？ 为啥不用相对高级一点的工具来做处理呢？

这里我推荐两款工具，一款是字节跳动的 数据洞察，一款是软开企服的JVS数据智仓

我们先看下字节跳动的 数据洞察：

我们 在对比下JVS数据智仓

j***a和Python都可以用于数据分析，但是Python在数据科学和机器学习领域更受欢迎。

Python拥有丰富的数据分析库和工具，如NumPy、Pandas、Matplotlib、Scikit-learn等，这些库可以帮助数据分析人员进行数据处理、可视化、建模和预测等任务。此外，Python还有许多流行的深度学习框架，如TensorFlow和PyTorch，可以用于构建和训练神经网络模型。

J***a也有一些数据分析库和工具，如Apache Hadoop、Apache Spark等，但是相比Python，J***a的数据分析生态系统相对较小，使用J***a进行数据分析需要更多的编程工作和代码量。

因此，如果你想从事数据分析或机器学习方面的工作，建议学习Python。但是如果你已经熟悉J***a并且对数据分析有兴趣，也可以使用J***a进行数据分析。

以后想从事数据分析的工作，那我研究生需要念什么专业最好呢？

作为一名计算机专业的研究生导师，我来回答一下这个问题。

当前正处在大数据时代，而数据分析是大数据技术体系中的重要组成部分，也是数据价值化的主要方式之一，所以未来从事数据分析工作是不错的选择。

数据分析可以选择两个大的专业方向，一个是统计学专业，另一个是大数据专业，另外不少计算机相关专业、金融领域相关专业和数学领域的相关专业也都有数据分析的细分方向。随着数据分析的重要性日益体现，现在不少专业也都增加了数据分析的细分方向，比如经济学、社会学、医学等专业都陆续开设了与本专业相关的数据分析方向。

具体选择哪个专业需要根据自身的知识结构来决定，最好能够结合本科专业进行选择，这样在备考的时候会轻松一些。如果本科是计算机相关专业，那么可以选择的余地是比较大的，计算机应用、计算机科学与技术、软件工程等专业都有数据分析的细分方向，当然统计学和数学专业也是如此。

在大数据领域，数据分析通常有两种方式，一种是统计学方式，另一种是机器学习方式，两种数据分析方式同样重要。学习数据分析通常需要具备一定的数学基础、统计学基础和计算机基础，其中数学基础是相对比较重要的，要想在数据分析领域走得更远，一定要重视数学相关课程，包括高数、线性代数、概率论等内容。

以机器学习的数据分析方式为例，需要具备算法基础和编程语言基础，机器学习的步骤包括数据收集、数据整理、算法设计、算法实现、算法训练、算法验证和算法应用，目的就是从一堆杂乱无章的数据中找到其背后的规律。当前机器学习的数据分析方式是比较流行的，相关领域的研究也在逐步推进。

我从事互联网行业多年，目前也在带计算机专业的研究生，主要的研究方向集中在大数据和人工智能领域，我会陆续写一些关于互联网技术方面的文章，感兴趣的朋友可以关注我，相信一定会有所收获。

如果有互联网方面的问题，或者考研方面的问题，都可以咨询我，谢谢！

现在数据分析师前景怎么样？

从职位薪水来看，数据分析行业的高薪主要分布在长三角、珠三角和京津地区。

北京、上海和深圳的薪水位列第一方阵，均薪在10k+；杭州、宁波和广州位列第二方阵，均薪在9k+；其他沿海及内陆区域中心城市，如南京、[_a***_]、苏州、无锡等位于第三方阵，均薪在8k左右。从职位量来看，北京、上海、深圳和广州位列第一方阵，职位量在30000+，杭州、成都、南京和天津位列第二方阵，职位量在20000+，武汉、西安、郑州等区域中心或省会城市对数据分析职位的需求也相对较高，职位量在10000+。从行业需求来看，互联网金融、O2O、数据服务、教育、电子商务、文化***领域对数据分析师需求量相比其他行业更大。不管是在企业还是社会，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。这里给大家举几个例子： 现在的产品，由于销售渠道开始开始网络化，所以基本上每个产品在做客群划分、竞品分析、销售预测等等工作时都必须基于数据来进行建模并分析。以前那样只要写写产品分析书，画画产品原型，做做产品交互的“好日子”已经过去了。这么说吧，越来越多的公司里，如果产品不能拿数据出来支撑自己的工作，是基本上获取不到什么***的支持。再拿运营来说，更加离不开数据了。大到做一个活动，目标人群如何划分，不同人群的方案是什么，预计投入多少产出多少，这些都需要数据支持；小到一个营销话术，也需要切分不通人群进行对照实验来决定。可以说，现在不依靠数据分析的运营已经越来越少。最后再举一个后台部门的例子。现在的HR在做人力规划时，从人员结构分析到配置策略分析再到成本分析，无论哪一项都需要使用到数据。除了本公司的人力数据外，还需要业务数据，竞对公司数据乃至于整个行业数据。通过大量数据的分析，可以更加精确的制定公司的人力资源战略。