基础
1.第一个是Excel。这看起来很简单，但实际上并非如此。Excel不仅可以执行简单的二维表，复杂的嵌套表，还可以创建折线图，柱形图，条形图，面积图，饼图，雷达图，组合图和散点图。
2.在SQL Server或Oracle上掌握SQL语句。虽然您是业务分析师，但如果您可以依赖IT和IT工具（例如多维BI分析模型），有时您无法获得所需的数据。学习 编写嵌套的SQL语句，包括 join，group by，order by，distinct，sum，count，average和各种统计函数，这非常有帮助。
3.掌握可视化工具，例如BI，例如Cognos，Tableau和FineBI等，特别关注企业使用的工具，就像我以前使用FineBI一样。使用这些工具进行可视化非常方便，特别是如果分析报告可以包含这些图像。这些技能肯定会吸引高层领导的注意力，因为它可以使他们一目了然，并深入了解业务的本质。此外，作为专业分析师，使用多维分析模型Cube，您可以轻松高效地自定义报告。
总结：此时，如果您掌握了上述80％的技能，您可以被视为合格的分析师。此阶段的数据分析师需要知道如何使用工具处理数据，了解业务场景，分析和解决基本问题。重要的是要强调数据分析师最重要的事情是熟悉我们的业务。了解业务，分析师的逻辑将是清晰和一般的，它将排除大多数无用的分析。很长一段时间，对于我理解的业务，我在比较数据时就知道了这个问题。
在此之后，如果您想深入研究技术，您可以继续在数据科学家的指导下发展您的职业生涯。
高级技能
1.学习统计系统
- 纯机器学习强调算法的预测能力和实现，但统计学一直强调“可解释性”。例如，我可以看到两只股票之间的相关性是否相关。假设一个反相关的股票下跌，那么，根据数据，我们可以假设其他股票会上涨。
- 与数据挖掘相关的统计方法（多变量逻辑回归分析，非线性回归分析，判别分析等）。
- 定量方法（时间轴分析，概率模型，优化）。
- 决策分析（多用途决策分析，决策树，影响图，敏感性分析）。
- 建立竞争优势分析（通过项目和成功案例学习基本分析概念）。
- 数据库输入（数据模型，数据库设计）。
- 预测分析（时间轴分析，主成分分析，非参数回归，统计过程控制）。
- 数据管理（ETL（提取，转换，加载），数据治理，管理责任，元数据）。
- 优化和启发式（整数规划，非线性规划，局部探索，超灵感（模拟退火，遗传算法））。
- 大数据分析（学习非结构化数据概念，MapReduce技术，大数据分析方法）。
- 数据挖掘（聚类（k-means方法，分割方法），关联规则，因子分析，生存时间分析）。
- 风险分析与运行分析的计算机模拟。
- 软件级分析（组织级别的分析主题，IT和业务用户，变更管理，数据主题，演示和通信。
2. 掌握AI机器学习算法并使用Python / R等工具对其进行建模
传统的BI分析可以回答过去发生的事情，现在正在发生，未来会发生什么？我们必须依靠算法。虽然像Tableau和FineBI这样的自助服务BI具有内置的分析模型部分，但分析人员需要更全面，更深入的探索，需要Python和R等数据挖掘工具。此外，大数据集之间的隐藏关系无法实现通过手动分析或使用传统工具。此时，算法已实现，并且不会有任何意外。
其中，用于统计分析的开源编程语言及其操作环境R，引起了很多关注。R的优势不仅在于它包含丰富的统计分析库，而且还具有高质量的图表生成功能，可以显示结果并可以使用简单的命令运行。此外，它还有一个名为CRAN（Comprehensive R Archive Network）的包扩展机制，可以通过导入扩展包来导入标准状态下不支持的功能和数据集。虽然R语言很强大，但学习曲线很陡峭。就个人而言，我建议你从Python开始，它拥有丰富的统计库，如NumPy，SciPy，Python数据分析库和Matplotlib。
数据人才的最终发展围绕着数据战略。例如，数据战略专家可以使用IT知识和经验来制定业务决策。数据科学家可以使用IT技术开发复杂的模型和算法。分析顾问可以结合实际的业务知识和分析经验，专注于您的行业的下一个爆炸点。
因此，您需要具备沟通，组织，管理技能和商业思维。这不限于某个位置。您需要在更高的位置思考并为公司寻求利益。与此同时，我们还必须考虑如何使用“数据分析”卡在公司中发挥作用并使用数据来推动业务运营。这是值得思考的问题。
课程和书籍推荐
首先学习基本概率。一个很好的资源是概率和统计学概论。
快速了解统计学习中使用的术语，是做什么的。为此，请阅读： Wasserman, Larry. All of statistics: a concise course in statistical inference. Springer, 2004.
为了学习基本的统计思想，统计学习简介是一本流行的教科书。
使用d3.js可视化库，使用基本HTML和JavaScript学习基本可视化。
学习基本算法和算法分析，并了解如何分析算法复杂性。平均复杂性，最差复杂性。每次编写程序时，都会预计所需的时间（通过算法分析预测）。 我在Coursera.org上推荐普林斯顿的算法类
通常，伟大的数据科学家都有博客供所有人访问。我推荐这些博客，我经常读到：
- Betaworks首席数据科学家，Gilad Lotan的博客。
- 希拉里·梅森（Hilary Mason）是纽约地区着名和着名数据科学家的首席科学家，他有一个很棒的博客： hilarymason.com
原文标题《The Skills That Data Analysts Need to Master》
作者：Vincent Wong
译者：February
不代表云加社区观点，更多详情请查看原文链接
