如何快速转行数据分析师？ 我想转行做数据分析师，怎么入门？
近年来数据分析行业大火，人才紧缺，就业前景好，薪资高！职业发展广，起点好！
转行数据分析师需要的技能大致分为六个模块：
(1) Excel
零基础学数据分析师一定要从Excel入门，因为Excel是处理小型数据量企业用的最多的工具，在基础数据分析师与数据运营岗位中具有极其重要的地位。
(2) Mysql
SQL同样是零基础学习数据分析的核心内容。因为作为数据分析师，你首先要解决的问题就是你要有数据来做分析。通常企业都会有自己的数据库，数据分析师首先得根据业务需要知道自己要从企业数据库中提取哪些数据。
(3) Python
Python的基础对于数据分析师而言是非常重要的。对于十万级或者百万级数据量而言，Excel和BI都会因为运行卡顿而变得完全无法使用。然而在实际企业运用中，一次性处理十万级以及百万级数据又是非常常见的。而Python则是处理这种中量级数据的利器。
(4) BI商业智能工具
BI可以理解成Excel图表透视表的高级版。BI是将表与表相连，然后得出很多指标图。它是一个大屏的看板。有了这个看板，领导层在监控企业业务方面就有了非常直观的数据，以供他们及时做出决策调整。数据分析师需要做的是快速挖掘数据价值，将这些数据转化成有用的信息，让企业决策有数据依据，从而驱动企业决策和运营。
(5) 数理统计与数据运营
数理统计和数据运营方法论是数据分析师的理论基石。数理统计包括概率论，统计学，线性代数，以及基础的微积分理论。这些内容都不需要理解的很深，但是对它们的原理以及内涵都需要有所掌握。
数据运营方法论实际上是学习各个行业所运营的分析模型。对于想往管理路线发展的数据分析师来讲，数据运营是必须要学习的知识。其实数据运营知识也不复杂，就是根据自身业务需求将指标拆解到最细，然后运用同比和环比两种数据分析方式。
(6) 机器学习
最后一个进阶要求数据分析师掌握对大量数据分析的能力。这个阶段的数据分析是利用大量的历史数据构建出一套数学公式（也就是算法），用这个数学公式去对未来进行预测。比如说：一个人大量地刷体育短视频，根据算法可以得出这个人可能对观看足球比赛的腾讯体育会员感兴趣。这类推断和预测对于商业世界是有着极大变现意义的。
需要一定的知识储备和对业务的基本了解及运用。对于希望转行数据分析的零基础小白们，在对于进入数据分析行业需要学什么、数据分析行业薪酬待遇如何、如何更好地掌握数据分析领域的技能，都是一脸茫然。因此本文给出一些建议，针对想要转行数据分析行列且是零基础转行的小伙伴们。
一、知识储备
数据分析作为一门交叉学科，需要掌握多方面的知识。
数学与统计基础，数据分析是指运用统计方法和分析工具对大量数据进行分析，挖掘出其潜在规律及价值，为经营决策提供科学严谨的理性依据。其中当然离不开数学与统计学的知识，需要有微积分、线性代数、概率论与数理统计等相关的知识储备才行。
数据的存储便离不开使用数据库，需掌握SQL数据库语言在关系型数据库系统中进行增删改查等操作才行。数据分析的进阶需要会使用一门或多门编程语言，如Python和R，这将会使你的数据分析变得更加高效。如果需要的话可以学习常用的分类、回归、聚类和降维等的常用算法以及它们的优缺点和使用场景，这将是你转行进入公司的加分项哦。
二、行业分析
在学习数据分析的知识方面也不能落下对各个数据岗位的了解，接下来介绍数据分析行业中岗位，大致分为四个方向：数据分析、数据挖掘、数据开发、数据产品。
数据分析师从事数据采集、整理、分析，发现问题，分析问题，得出结论，为公司的决策层提供数据支持。偏向于业务。数据挖掘工程师或者算法工程师利用模型训练数据，从海量数据中挖掘规律，预测或分类对象，主要偏向编程和算法，对统计理论知识要求偏高。数据开发工程师设计、搭建并维护基础设施，以提供数据收集、存储、处理、计算等平台。偏代码开发，需要在代码能力上弥补，但与纯技术栈的程序员相比需要一定的业务逻辑。
三、心态历练
1、一定要用细心、耐心、和平静的心态去做数据分析。数据分析是个细活，根据二八原则，其中数据的处理将占去数据分析中的八成时间，如果数据处理不当将影响接下来的分析，需要良好的心态减少犯错误的概率。
2、具有独立思考与换位思考的能力。数据分析并不仅仅是为了完成一些业务上面的数据需求和论证。数据分析者应该在理解业务的基础上，要有自己独特的见解，扩大自己的思考范围，提升洞察力。同时要换位思考，从多角度看待数据和使用数据。不同的人，不同的角度看问题都能得到不同的效果。
注意事项：
1、互联网本身具有数字化和互动性的特征，这种属性特征给数据搜集、整理、研究带来了革命性的突破。以往“原子世界”中数据分析师要花较高的成本（资金、资源和时间）获取支撑研究、分析的数据，数据的丰富性、全面性、连续性和及时性都比互联网时代差很多。
2、与传统的数据分析师相比，互联网时代的数据分析师面临的不是数据匮乏，而是数据过剩。因此，互联网时代的数据分析师必须学会借助技术手段进行高效的数据处理。更为重要的是，互联网时代的数据分析师要不断在数据研究的方法论方面进行创新和突破。
3、就行业而言，数据分析师的价值与此类似。就新闻出版行业而言，无论在任何时代，媒体运营者能否准确、详细和及时地了解受众状况和变化趋势，都是媒体成败的关键。
4、此外，对于新闻出版等内容产业来说，更为关键的是，数据分析师可以发挥内容消费者数据分析的职能，这是支撑新闻出版机构改善客户服务的关键职能。
需要首先你掌握该行业的知识，才能更好的掌握自然科学的不断创新。对于外行应届毕业生转行数据分析，必须承认的一点就是：它很难，但也不是不可能。只是转行，可能需要你付出多余别人十倍甚至更多的努力。
首先，需要强调的是。工具的使用，确实不是一个大问题。而主要的难度，还是集中在以下两个方面：HR：缺少相关领域的学习和工作经历。简历关就过不去。部门Leader：没有办法证明自己在工作中，拥有敏感的数据感知能力，以及对于指标波动的分析能力，如何从数据中提取价值，面试关惨败。既然决定进入数据分析这一行业，那就先来了解一下这个行业的现状。数据分析这一行，其实有点像当初的各种开发，最初阶段大量涌入跨专业、自学，以及短期培训的求职者。
况且，不少大牛也是转行过来的。但需要强调的一点就是，别人转行也是大牛，不是因为他/她转行的原因，而是因为人家自身能力就很强。说回数据分析。其实从招聘JD可以看到，初级的数据分析师只需要掌握Excel和SQL，就可以解决大部分的问题。而真正用到Python的，其实并不多，更多的还是偏向于建模算法一类的。所以，工具用得好，并不能证明你就是不可替代的。
尤其，现在还正处于互联网寒冬时期，裁员一波接一波，怎样证明自己的不可替代性，更是重要。简单来说就是：分析能力+业务能力再次强调，工具的使用真的没有你想象的那么重要。是否能从指标的波动中看到问题，哪些指标的波动对于现阶段的业务问题起到了影响，怎样去解决业务问题，等等。这些才决定了你是否能为公司带来价值。简言之，就是不可替代。况且，现在的BI越来越好用了，Power BI、Tableau随便选。
最好的途径，就是找本行的数据分析职位。数据分析必然是脱离不开业务的，现在的公司都在关注如何组建数据分析团队。那么这一块，业务知识其实就不成问题了，专业在这呢。再加上自己在工具这块的学习，相信不成问题。中小型公司，或许可以一试。不同于大厂，小公司的话或许要求不会特别严格。运气好的话，也许可以碰到愿意带新人的大牛。
注意事项：
1、懂业务。从事数据分析工作的前提就会需要懂业务，即熟悉行业知识、公司业务及流程，最好有自己独到的见解，若脱离行业认知和公司业务背景，分析的结果只会是脱了线的风筝，没有太大的使用价值。
2、懂管理。一方面是搭建数据分析框架的要求，比如确定分析思路就需要用到营销、管理等理论知识来指导，如果不熟悉管理理论，就很难搭建数据分析的框架，后续的数据分析也很难进行。另一方面的作用是针对数据分析结论提出有指导意义的分析建议。
3、懂分析。指掌握数据分析基本原理与一些有效的数据分析方法，并能灵活运用到实践工作中，以便有效的开展数据分析。
第一步：统计概率理论基础 这是重中之重，千里之台，起于垒土，最重要的就是最下面的那几层。
所有的事情都是需要一个过程的，欲速则不达，都得慢慢来
可以选择一个靠谱的专业数据分析师培训平台。例如：CDA数据分析师认证平台，可以考虑下。
CDA LEVEL I 业务数据分析师
PART 1数据分析概念与统计学基础 （占比30%）
PART 2 SQL数据库基础 （占比10%）
PART 3 数据采集与处理 （占比20%）
PART 4 数据建模分析 （占比40%）
CDA LEVEL II 建模分析师
PART 1 数据挖掘基础理论 （占比20%）
PART 2 数据预处理 （占比25%）
PART 3预测型数据挖掘模型 （占比40%）
PART 4描述型数据挖掘模型 （15%）
CDA LEVEL II 大数据分析师
PART 1 大数据基础理论 占比（8%）
PART 2 Hadoop理论 占比（12%）
PART 3 数据库理论及工具 占比（16%）
PART 4 数据挖掘理论基础 占比（10%）
PART 5 Spark工具及实战 占比（35%）
如果想要转行数据分析，就必须知道数据分析岗到底是做什么的，到底需要怎么样的硬技能和软技能，只有定好一个具有针对性的计划，才能做到快速转行。
数据分析基本上有两个方向，第一，技术方向，第二，业务方向。
对于大厂而言，职能的划分会非常详细，干技术方向不需要了解太多的业务，相反也是一样的。但是对于小公司，数据分析师需要的技能更加多样，数据分析技能，沟通技能，对业务的了解，presentation等等不一而足。
一. 数据分析岗位介绍
1.1技术方向
走技术方向需要获得的技能大约分为三个方面，数据获取，数据处理，以及数据可视化。三个方面分别对应三个工具，即sql语言，python和excel，以及tableau。
对机器学习和大数据的的了解和实践会是很好的加分项。比如我现在在干的活要用到大数据的hadoop和impala，但查询取数依然是基于sql语言的。
走技术方向对业务的熟悉程度不需要太深，就像之前说的，大型企业会将技术方向和业务方向分得很细，业务方向的分析师是技术方向的分析师和业务部门的桥梁，而不是业务部门直接与技术沟通，这也是我所在的公司的真实情况。个人觉得虽然增加了一些沟通成本，但是员工确实可以更加专心于自己的工作。
1.2 业务方向
走业务方向的话，对技术的运用不需要特别熟练，我与业务方向的数据分析师聊过，在工作的空闲再深入学习sql语言或者可视化之类的技术都是可以的，但在投递简历之前，至少需要有一定的基础技能和基本了解，知道柱形图和折线图有什么样的特点这种基本概念。
业务方向的数据分析师需要与业务部门进行更深入的沟通，因此要求对业务有一定的了解，这样才能更好地结合数据和业务，提出有用的结论和建议，因此，最好是能够在你的本领域内转行。
除此之外，还需要了解数据分析师，数据工程师，和数据科学家的区别。
你可不想本来想转数据分析师，却学了数据工程师的技能。
简单来说，数据分析师主要工作是做取数，清洗和可视化，业务方向则更多专注于数据与业务的结合，可能还需要跟进运营，分析运营结果。
数据工程师，则专注于从每天的公司或用户行为中获取数据，主要做数据获取，数据库的搭建，维护和优化。
数据科学家，则专注于机器学习的算法，因此需要数学好。
二、硬技能学习
2.1 sql语言
sql语言主要用于从数据库中获取数据，公司一般不会让你用爬虫从网络爬取所需要的数据，因此爬虫并不是一个必要技能。
sql语言一定要做到熟练使用，而这个语言的重中之重就是数据查询语言（DQL），从最基础的select，到大数据常用的分区概念对应的partition。
在面试中，面试官通常会给你几张表，让你现场写下取数逻辑，因此写的又快又对，写完了反手就把逻辑给面试官看，战术后仰，岂不帅哉。
其他的sql语言包括数据定义语言（DDL），数据操作语言（DML）和数据控制语言（DCL）和数据分析师的关系不大，做到了解和简单使用就好。
sql语言一定要多练，这样才能做到面试时不慌，子查询和各种表连接一般在面试的时候都会面到。
2.2 excel
在我面的一家公司的职位描述里只提到了excel的使用，当时看到因为给的实习工资比较高，就投了，但在面试的时候问了面试官是否会用到python，以及是否有机器学习的任务，回答是这个实习岗位大部分时间只需要excel就好，于是就没有去。
针对这类公司，建议是还处于刚开始学习数据分析的同学去投递，积累经验算是不错的，但是一定不要在这样的公司呆超过三个月，那个时候基本上对excel已经很熟了，应该考虑更进一步。
excel的学习不难，主要学习各类函数，从最基础的聚合函数sum到表查询函数vlookup都要学习。以及各类图怎么做，怎么用数据透视表等等。
这里说excel学习不难，并不是指excel比python低级，excel要做的好其实非常困难，但不管怎么说，目前公司都在要求比较新的python技术，excel做的再好，不符合职位要求也白搭。
从工作的角度来谈，通过excel对少量的数据做简单处理确实更加方便一些，我也经常用excel先做简单的格式转换，排序和可视化。但复杂处理或者大量数据就不是excel力所能及的了。
2.3 python
python是数据分析的大头，当然选择学习r也可以，可是一定不要同时学，用熟一个比用会无数个要重要的多。
对python有一些了解的人应该都听说过numpy,pandas和matplotlib，这三个包是数据分析必会的包，先用熟这三个，之后更进一步可以学习os，seaborn，sklearn等。
python学习仍然可以在b站找到足够多的视频，各类公众号也会发学习资料。
python要细讲的话可以讲太多的东西，之后我会对学习数据分析期间的笔记做一个梳理，会详细到各个包的使用，各个函数的使用等等，这里就先按下不表。
2.4 tableau
tableau的基本使用在b站是可以学习到的，但是计算字段和其中的函数的使用仍然需要一定量的练习，并且需要一定的编程基础。
我的工作中基本不需要太强的tableau技能，网上那些看起来很复杂的图在工作中实际上用的并不多。
这几天工作中用的最多的图就是柱状图，直方图，条形图，交叉表这几个，偶然见到热力图，桑椹图，甚至散点图和饼图出现都很少。当然这可能与业务需求有关，具体问题具体分析。
如果你会做那些复杂的图自然更好，说明你对tableau的理解较深，侧面表现了你的能力比别人强。
