高级数据分析师要求（数据分析师的职业要求）

作为一名多年奋斗在业务前线的数据分析师，本着学习的态度，想要提升一下自己。准备以一个初学者的心态重新学一下数据分析。发现现在的数据分析课程，动不动就打包了Python、Hadoop、java、R、HIVE、SQL、Spark等工具。这些工具别说用了，很多我听都没听过。相信很多小伙伴肯定也有着类似的经历，那一个初学者面对如此多的课程要从何入手呢？

要回答这个问题，首先我们要弄清楚自己的职业规划是什么？学习数据分析的初心是什么？如果你的答案是解决现有业务问题，那接下来的文章你一定要看完。但如果你是要找一个offer，那你也可以参考本文找到自己未来的职业定位。

数据分析师是一个很范的概念，就好像别人问你，同学你是学什么专业的？你回答我是一名理科生。数据分析师有很多个方向，但总的来说可以分为三大类：业务分析师，数据工程师，数据科学家。

业务分析师

大多数有意从事数据分析领域工作的人，最初都是业务分析师。成为业务分析师资格相对简单，但是想做得很厉害却很难。他们的主要工作是通过分析数据，帮助公司做出决策。事实上我不认为存在单纯意义上的业务分析师，他们往往有多重身份。他们可能是市场部的专员，亦或是商品部的主管，亦或是企业高层。虽然身份不同，但是只要是通过数据指导业务进展的人，都可以被称为业务分析师。

请记住：任何不以业务为基础的数据分析都是在耍流氓

当然业务分析师也有专业的，他们是站在业务分析师塔尖的人物。他们通过数据建模，数据可视化，机器学习将原本需要一群人完成分析任务一个人搞定。这种独孤求败式的人可以说是万中无一。因为在组织中，这种人要比业务人员更了解业务细节，比IT人员更懂信息架构，比管理人员看得更远更广。

从上述描述中你应该能看出来，所谓的业务分析师，其实不需要懂太多的技能，Excel足以。其实，现在很多企业还是ERP+Excel在办公。不要把数据分析当成是多么遥不可及的事物，脚踏实地一步步前进才是王道。在一个个业务问题中不断得磨砺自己的技能，我不需要比所有人都厉害，只需要比身边的同事多学一点，多了解一点，下次升职加薪就有主动权。

那有的同学就要问了，难道做业务分析的人不需要懂SQL，Python这些工具吗？其实，还真不一定要学。大部分的公司用的ERP都是SaaS平台（用浏览器打开的那种），你根本拿不到数据库，学什么SQL。

另外大部分的需求现在的Excel都能完成，学Python完全没有必要。不信你可以问问那些大牛，有几个是日常工作python不离手的。这些东西在你职业生涯遇到瓶颈的时候再学也不迟，过早接触反而不利于职业发展。

数据工程师

现在很多公司往往拥有不止一个系统，做分析时候经常需要从各个系统中抽取。例如：需要销售数据从ERP（资源管理系统）中抽取，需要财务数据从财务软件中抽取，需要供应链数据从WMS（仓储管理系统）中抽取。这也就导致了现在数据中台泛滥的原因，同时也为一个职业兴起奠定了基础。

数据工程师从名字中就可以看出，是偏向于工科的。他们的主要工作是为业务分析师提供数据保障，他们需要具有创建和集成API的能力，同时还需要拥有IT知识运维和优化数据库的性能。所以SQL是数据工程师的必备语言，同时因为要从各个系统中把数据抽取出来，所以需要对于ETL很了解。当然最好还要拥有爬虫和机器学习的能力。

数据科学家

传统公司往往不需要数据科学家，他们既然被称为科学家其实是偏向于理科的。对于数学的要求是比较高的，需要拥有统计学的相关知识。同时对于Python R SAS 需要精通。因为他们往往需要与大量的数据打交道，所以对于分布式算法也是必须掌握的。因此免费开源的Hadoop系列（Hive Spark）也是要精通的。

数据科学家其实也可以被称作高级业务分析师，因为，他们本质上也是要从数据中发现商业价值，只不多是通过数据挖掘的手段。其实，数据挖掘并不神秘，只是把原来需要业务分析师花费大量精力才能得出的结论。数据科学家通过统计学的方法得出来仅此而已。

最后，用一个不严谨的说法来做一个总结吧。如果说业务分析师是文科，那么数据工程师就是工科，而数据科学家就是理科。如果站在公司老板的角度考虑这三个角色，数据工程师是做基础的，数据科学家是设计框架的，而业务分析师是具体实施的。