数据分析师_数据分析师真的可以改变命运吗

数据分析师千万不要认为自己只是一个技术人员。比起数据库、统计、业务理解程序等硬性技能，严谨的工作态度、良好的沟通能力、迅速的学习能力以及随时随地的好奇心，这四项软实力，是数据分析师突破自己的决定性因素。

大体上国内公司最看重的素质归纳起来有：能熟练使用数据分析工具（掌握SPSS/SAS/MATLAB是基本技能，有些公司会增加特定要求）；有2-3年的工作经验；对数字敏感、分析能力、表达能力强。这些素质对从事数据分析来说都很重要。

数据分析师通常分两类，分工不同，但各有优势。

　　一类是在专门的挖掘团队里面从事数据挖掘和分析工作的。如果你能在这类专业团队学习成长，那是幸运的，但进入这类团队的门槛较高，需要扎实的数据挖掘知识、挖掘工具应用经验和编程能力。该类分析师更偏向技术线条，未来的职业通道可能走专家的技术路线。

　　另一类是下沉到各业务团队或者运营部门的数据分析师，成为业务团队的一员。他们工作是支撑业务运营，包括日常业务的异常监控、客户和市场研究、参与产品开发、建立数据模型提升运营效率等。该类型分析师偏向产品和运营，可以转向做运营和产品。

其实数据分析师每在IT上前进一步，带来的效益是几何级的，比如你懂Hadoop，那么，你就可能离大数据更近一点。
当然最重要的永远是实践，成为数据分析师最好的方式就是完成一个项目，如果有个老师就太好了，经过实践获得的知识才是你的，数据分析能力只能在实践的熔炉中提升、升华.

数据分析师的基本职责与第一要务，是保证反馈事实的真实性。所谓的真实，是可观察，可量化，可复核的明确指标。因此需要聚焦内部的，可跟踪的，可查来源的数据。这也是为什么数据分析一般会和调研分开两个部门独立工作的原因。如果一个指标难以观察，无法量化，也无从复核，那么宁可大大方方的承认我们无法分析，也不要随意的蹚这趟浑水。因为失去了真实性与客观性，数据分析师的存在的根基就没有了。

数据分析的四个步骤(这有别于数据挖掘流程：商业理解、数据理解、数据准备、模型搭建、模型评估、模型部署)，是从更宏观地展示数据分析的过程：获取数据、处理数据、分析数据、呈现数据。
获取数据的前提是对商业问题的理解，把商业问题转化成数据问题，要通过现象发现本质，确定从哪些纬度来分析问题，界定问题后，进行数据的采集。此环节，需要数据分析师具备结构化的思维和对商业问题的理解能力。

数据分析师有哪些要求?
1、理论要求及对数字的敏感性，包括统计知识、市场研究、模型原理等。
2、工具使用，包括挖掘工具、数据库、常用办公软件(excel、PPT、word、脑图)等。
3、业务理解能力和对商业的敏感性。对商业及产品要有深刻的理解，因为数据分析的出发点就是要解决商业的问题，只有理解了商业问题，才能转换成数据分析的问题，从而满足部门的要求。
4、汇报和图表展现能力。这是临门一脚，做得再好的分析模型，如果不能很好地展示给领导和客户，成效就大打折扣，也会影响到数据分析师的职业晋升。

从20世纪90年代起，欧美国家开始大量培养数据分析师，直到现在，对数据分析师的需求仍然长盛不衰，而且还有扩展之势。根据美国劳工部预测，到2018年，数据分析师的需求量将增长20%。就算你不是数据分析师，
但数据分析技能也是未来必不可少的工作技能之一。在数据分析行业发展成熟的国家，90%的市场决策和经营决策都是通过数据分析研究确定的。

一名数据分析师，除了技术能力之外，还有其他事项可以提升工资水平吗？肯定是有的。首先你要明白老板关心什么数据指标，然后你要做的就是去记住他，不能老板问你的时候还要看报表，这样肯定是行不通的，一定要做到心中有数，熟悉公司业务关键指标，才能给公司提供更好的分析，这样工资就有更大的提高空间了。

很多数据挖掘工具都有关联挖掘，主要使用的算法是Apriori算法，在计算的过程中会主要考察项集、置信度、相关性这三个结果数据，以最终确定商品之间的相关性。除了Apriori算法外，还有许多其他的关联分析的算法，基本上也都是从Apriori发展而来，比如FPgrowth。本人从几年的数据分析经验感觉，关联分析在零售业中并不太实用，挖掘出来的关联度比较高的商品一般都是同类商品或者同品牌的商品，像“啤酒与尿布”这种，很少能够有。