數據分析師的職業要求「高級數據分析師要求」

作為一名多年奮鬥在業務前線的數據分析師，本著學習的態度，想要提升一下自己。準備以一個初學者的心態重新學一下數據分析。發現現在的數據分析課程，動不動就打包了Python、Hadoop、java、R、HIVE、SQL、Spark等工具。這些工具別說用了，很多我聽都沒聽過。相信很多小夥伴肯定也有著類似的經歷，那一個初學者面對如此多的課程要從何入手呢？

要回答這個問題，首先我們要弄清楚自己的職業規劃是什麼？學習數據分析的初心是什麼？如果你的答案是解決現有業務問題，那接下來的文章你一定要看完。但如果你是要找一個offer，那你也可以參考本文找到自己未來的職業定位。

數據分析師是一個很范的概念，就好像別人問你，同學你是學什麼專業的？你回答我是一名理科生。數據分析師有很多個方向，但總的來說可以分為三大類：業務分析師，數據工程師，數據科學家。

業務分析師

大多數有意從事數據分析領域工作的人，最初都是業務分析師。成為業務分析師資格相對簡單，但是想做得很厲害卻很難。他們的主要工作是通過分析數據，幫助公司做出決策。事實上我不認為存在單純意義上的業務分析師，他們往往有多重身份。他們可能是市場部的專員，亦或是商品部的主管，亦或是企業高層。雖然身份不同，但是只要是通過數據指導業務進展的人，都可以被稱為業務分析師。

請記住：任何不以業務為基礎的數據分析都是在耍流氓

當然業務分析師也有專業的，他們是站在業務分析師塔尖的人物。他們通過數據建模，數據可視化，機器學習將原本需要一群人完成分析任務一個人搞定。這種獨孤求敗式的人可以說是萬中無一。因為在組織中，這種人要比業務人員更了解業務細節，比IT人員更懂信息架構，比管理人員看得更遠更廣。

從上述描述中你應該能看出來，所謂的業務分析師，其實不需要懂太多的技能，Excel足以。其實，現在很多企業還是ERP+Excel在辦公。不要把數據分析當成是多麼遙不可及的事物，腳踏實地一步步前進才是王道。在一個個業務問題中不斷得磨礪自己的技能，我不需要比所有人都厲害，只需要比身邊的同事多學一點，多了解一點，下次升職加薪就有主動權。

那有的同學就要問了，難道做業務分析的人不需要懂SQL，Python這些工具嗎？其實，還真不一定要學。大部分的公司用的ERP都是SaaS平台（用瀏覽器打開的那種），你根本拿不到資料庫，學什麼SQL。

另外大部分的需求現在的Excel都能完成，學Python完全沒有必要。不信你可以問問那些大牛，有幾個是日常工作python不離手的。這些東西在你職業生涯遇到瓶頸的時候再學也不遲，過早接觸反而不利於職業發展。

數據工程師

現在很多公司往往擁有不止一個系統，做分析時候經常需要從各個系統中抽取。例如：需要銷售數據從ERP（資源管理系統）中抽取，需要財務數據從財務軟體中抽取，需要供應鏈數據從WMS（倉儲管理系統）中抽取。這也就導致了現在數據中台泛濫的原因，同時也為一個職業興起奠定了基礎。

數據工程師從名字中就可以看出，是偏向於工科的。他們的主要工作是為業務分析師提供數據保障，他們需要具有創建和集成API的能力，同時還需要擁有IT知識運維和優化資料庫的性能。所以SQL是數據工程師的必備語言，同時因為要從各個系統中把數據抽取出來，所以需要對於ETL很了解。當然最好還要擁有爬蟲和機器學習的能力。

數據科學家

傳統公司往往不需要數據科學家，他們既然被稱為科學家其實是偏向於理科的。對於數學的要求是比較高的，需要擁有統計學的相關知識。同時對於Python R SAS 需要精通。因為他們往往需要與大量的數據打交道，所以對於分散式演算法也是必須掌握的。因此免費開源的Hadoop系列（Hive Spark）也是要精通的。

數據科學家其實也可以被稱作高級業務分析師，因為，他們本質上也是要從數據中發現商業價值，只不多是通過數據挖掘的手段。其實，數據挖掘並不神秘，只是把原來需要業務分析師花費大量精力才能得出的結論。數據科學家通過統計學的方法得出來僅此而已。

最後，用一個不嚴謹的說法來做一個總結吧。如果說業務分析師是文科，那麼數據工程師就是工科，而數據科學家就是理科。如果站在公司老闆的角度考慮這三個角色，數據工程師是做基礎的，數據科學家是設計框架的，而業務分析師是具體實施的。