㈠ 數據分析師薪資待遇如何，一位過來人告訴你
數據分析師薪資這么美，工作是不是很累呢？關於數據分析師工作累不累，CPDA師兄有話說。
成為一名合格的數據分析師，不是那麼簡單的，數據分析師這個職業很肯定說是前途無量，然而，這也說明這並不是一個容易上手的工作，就業門檻是不低的。數據分析師需要儲備大量的知識，需要對信息、數據敏感，具備數據分析或數據挖掘的綜合能力，承擔的責任也是非常重大的。
那這是否代表數據分析師工作累，需要經常加班呢？NO！數據分析師這只是一個職業，工作累不累和公司行業有很大關系，當然與你的技能熟練程度有一定的關系，剛開始從事這一職業同學初期需要不斷的學習，這時相對來說會累一些，當你有一定基礎積累經驗之後就好多了。
正所謂「吃得苦中苦，方為人上人」，要想成為一名優秀的數據分析師，贏得高薪走上人生巔峰，堅持就是勝利！
㈡ 什麼樣的人適合做數據分析師
隨著科技的創新與發展，數據分析也火了起來，越來越多的人選擇從事數據分析行業，但是還有些人擔心自己是適合做數據分析，不能勝任數據分析這項工作。今天小編就給大家解決一下這個難題。
要讓小編來講，沒有適不適合做數據分析師，只有想不想做數據分析師。
可能會有人覺得數據分析師就是整天與數據打交道，是一份很沉悶的工作，自己平生好動，做不來。首先我們要明確一點，數據分析的最終目的是幫助企業實現業務增長，這就需要我們有良好的業務能力，平時需要多與銷售、運營以及管理人員溝通，才能對公司整體的業務有正確、准確地把握。所以有這一擔憂的小夥伴完全可以放心，數據分析工作不是閉門造車。
還有一些文科或者是女性小夥伴，也覺得自己沒有嚴謹的數據分析思維，不適合做數據分析師。數據分析思維是可以在以後數據分析工作中培養的，文科生雖然沒有很好的計算機和數學基礎，但是理解能力、分析能力很強;女生敏感度高，溝通能力強，這些也都是成為數據分析師的必備能力，其他一些知識和技能，大家都可以從學習和工作中得到。
另外有些人，覺得自己沒有數據分析相關經驗，所以不適合做數據分析師。這種想法就更沒必要了，小編認識的很多人都是零基礎轉行做的數據分析師。如果是擔心自己沒有編程經驗，不能做技術、開發之類的，可以選擇業務數據分析師，通過對數據的科學分析，實現業務的增長。
數據分析師這一崗位本身並沒有門檻，想入行的話，大家都可以，最重要的是選對自己的方向，是選擇業務方向還是技術方向。
㈢ 什麼人適合做數據分析師
通過以下不適合做數據分析的情況，可以參考下自己是否適合做數據分析。
相信假數據的
有很多時候，你總是會注意到呈現在你眼前的東西，那些精美絕倫的數據報告，那些與眾不同的PPT，那些運用巧妙的文字。但是你似乎從來沒有想過，這份報告背後付出的努力，我是如何進行數據採集的？這些數據只是樣本是否可以代表整個行業呢？指標邏輯是什麼？是我想要的嗎？有什麼區別？
其實對於很多不在自己范圍內的數據都要去進行驗證它的真實性，盲目的信從很容在過程中出錯，比如媒體報道中的數據，什麼離婚率、就業率、薪資等，要多來源驗證、追問、質疑，有人會說，研究這些和我做的業務並沒有關系，其實不是，這是一種對待數據的態度和習慣。
比如當你計算一個KPI完成率時，你會發現很多指標年年都好，但最終的財務指標基本沒有任何變化，為什麼？你質疑過嗎？
考核的指標一般都是層層下壓，為了完成KPI，基層也是絞盡腦汁。正所謂上有政策下有對策，執行中必然會被扭曲。
不善於思考的
無論是做出多麼完美的報表，依舊是以發現問題、解決問題為目的，通過這些看似雜亂無章的數據給我們帶來一些價值，而這個價值的衡量其實就是思考，也就是你要用數據干什麼？這才是數據的價值。
比如領導讓你出一份經營分析報告，那你就要思考，由下往上思考，整體會涉及哪些指標，這些指標背後的含義是什麼？這些指標能不能分類？分類的標準是什麼？比如分類的標準是整體收入、發展趨勢、用戶表現、品類管理、庫存狀況等，然後再思考，例如整體收入這塊，我要用這個分類的那些指標做對比、哪些做預測、那些做結構，分別要告訴決策者什麼問題，目前好不好的問題？未來好不好的問題？現在現在的狀態問題？這一來二去雛形不就有了嗎？這種方式相對而言，難度較大，要會歸納總結，還要會給一級、二級、三級框架造詞。
還有一種是由上而下，這類思考取決於分析師的項目經驗，做過的話，很容易提煉出誘人的大綱，再根據大綱敲定每個部分的分析框架，然後去思考選取那些指標，什麼樣式的分析方法更能傳達你要表達的信息。
用不好excel的
可能會有人說，我們都用python好嘛，但是在沒有Python之前呢？難道大家都不做數據分析的嗎？
如果你仔細觀察，你會發現5年以上的數據分析師，90%都用的excel，10%的工作環境可能是python、sql、spark、kettle等。
因為不是所有人，所有分析師都要面對所謂的海量數據，目前的趨勢已經是數據統計智能化了，部分做專題分析會復雜一些，但一般大的專題是要一個團隊一起完成的，比如簡單的決策者+業務+it+分析師，所以很多時候IT是可以幫你搞定的。
不善於溝通的
數據分析師常常在程序員、決策者之間進行徘徊，在夾縫中求生要是沒有有效的溝通，你很難去理解決策者到底想要什麼？要是沒有溝通你很難得到自己想要的數據形式？有數據和給你什麼樣式的數據差異很大的。
我見過很多人分析的框架和決策者想要的結合很完美，但找程序員要數據時，卻沒辦法得到想要分析的數據。也見過很多人未能和IT准確有效的溝通，提出來一張自己用現有能力無法玩轉的一張表。更見過很多元數據理解得很清楚，但輸出分析框架時，受現有數據資源影響過大，打不開思維，導致輸出與決策者完全不符的分析結果。
這是一個博弈的過程，一定要溝通，決策者的問題是沒有邊界的，但你、決策者、IT之間的溝通是可以讓其有邊境的。
動手能力差的
一方面是自學路上動手能力差，比如工具類的問題，經常問來問去，其實有時候自己動手搜索一下，你會發現世界真美好，這是搜索的強項，人腦記憶肯定干不過電腦。
另一個方面是自己缺乏練習，很多人學課程，看書，從來不自己操作，老想尋找一些面試題、某企業級數據集拿來分析一下，看看自己的水平，要對胃口的數據集其實很少的，即使有，也是美化版的，很多綜合性的演練你還是學不到的，還不如隨便爬一些數據，越亂越好（對練習工具操作有巨大好處），然後在現有數據的基礎上看看可以分析出什麼？希望告訴別人什麼？需不需要再補充一些數據，讓結論更有說服力，更細致一些。
要是僅僅是看，那你確實不適合做數據分析。
不復盤的
數據分析是一個很難成長的職業，有的人入行很多年還用的是入行時的那套分析邏輯，為何？
好的分析經驗一定是復盤出來的，分析最終都是要看療效的，那其實做業務分析的可以很直觀看到自己輸出對關鍵指標的影響。
㈣ 如何轉行到數據分析師
事實上我不認為世上做任何事有速成的捷徑。一分耕耘一分境界，老老實實學吧。
同意這一點的話，可以參考下我另一個問題下的回答，關於數據分析師，科學家都在干什麼：
如何著手商業數據分析？
數據分析師日常工作是什麼？
=================
有人說速成是指不走彎路，不浪費時間。特補充以下內容：
首先，我不認為我真的有什麼經歷是無用的，即便在數學本科時候學了很多不直接相關的課程，也對培養嚴謹的思維邏輯有極大的幫助。統計博士的學習讓我對各種課本上學不到的模型和演算法有了深刻的認識。也許從公司的角度看，我有些科研經歷是無用的，我提出的有些方法他們覺得是rocket science根本派不上用場（其實是他們不懂而已），但同樣是從我的以往經歷中，可以找出對公司業務發展大有用處的模型方法。一些項目經驗、建模的想法和技巧可以抽出來整合到新的問題中，而整個思考操作的過程是跟之前嚴謹的思維訓練分不開的。
然後，我對這一類為了進某一行求速成（包括不想走彎路）問題都不太感冒，我覺得個人發展是個追求本心+適應現實的過程。不能一味只想著自己要干什麼，也不能一心只想著現實是怎樣的。從本心出發，想學就去學（網上超級多推薦的教材和技能），一邊了解市場的需求，看自己能做什麼，和自己的興趣有哪些結合的地方。有一定積累後自然就會對自己想要在哪一個領域繼續發展有一定的線索。
最後，數據分析行業尚處於剛開始的擴張階段，指代的內容實在太雜。知乎上有些是數據分析領域的碼農，有些是只會用一點數據分析的傳統商業分析從業者，有些是數據科學家（從數據獲取到成品全都會，個人覺得真要到這一步太難，精力太分散，而且什麼都會其實就是什麼都不會），有些是專注研發新模型演算法的數據科學家（比如本人）。也很難給出一個簡單明確的答復，什麼有用什麼沒用。這樣籠統地求速成只能越問越糊塗，碼農會告訴你要學R、Python，Ruby、MapRece、Hadoop、HIVE、PIG。。。所以你該去學各種軟體，做傳統商業分析的告訴你數據模型只是工具，你要學習一個企業是怎麼運作，業務要怎樣開展。像我這樣的數據科學家會告訴你，想發展到我這一步，你必須去讀個博士。全能型數據科學家告訴你，上面你全得做。以上每條路都不一樣，需要的技能側重也不相同。真正要思考的是個人發展規劃。所以我一般只會寫介紹性的東西，而不會告訴別人怎麼速成。
㈤ 數據分析師有哪幾個方向，需要怎樣入行，前景如何
1.高薪不是普遍狀態，新進分析師也就一個溫飽水平。2.工作很辛苦，加班和出差就不用說了，還不能出錯，壓力比較大。3.青春飯算不上，因為行業的機會還是很多的，當然做的太差也沒前途。
㈥ 做數據分析師的就業前景怎麼樣
隨著大數據技術在各行各業應用的越來越廣，數據驅動智能產品和精細化運營回已經成為企業答經營的制勝法寶，相應地，數據分析師這個崗位也越來越受到關注，越來越多的小夥伴也轉行做數據分析，因為大家不僅看到的是未來數據分析的發展前景，而且數據分析師的薪資待遇也很不錯！
崗位缺口大，就業薪資高，而且這個崗位對學歷的要求不是特別高，對經驗的要求也不算嚴格，從而數據分析師，在大數據時代，迎來了黃金就業期。
通過搜索BOSS直聘和領英，發現其上面有上有10萬+個數據分析師職位空缺，其中絕大部分是互聯網行業的需求。值得注意的是，雖然國內現有很多數據分析師員工，但其數量佔比依舊很少，職位空缺卻佔到了市場的50%之多。大多數熱門崗位都會在招聘JD中，給出「具備數據分析能力」這樣的招聘條件。
2019年全國大數據人才需求是2015年的12倍，從數據可以看出，2020年乃至未來，數據分析師將是職業發展的一個重要方向。
從銷售、市場，到運營、產品經理、用戶研究等，都試圖從各種繁雜數據中看出點門道，獲得對市場、產品、消費者等方面的洞見。
㈦ 做數據分析師有前途嗎
誠然，如今大數據抄、數據分析、人工智慧、數據挖掘這類領域挺火的，很多高薪崗位都極缺人才，是個很不錯的就業方向。但不能單單從客觀因素出發，要回歸自身才行。因為數據分析師，要求一定的數理統計基礎和良好的邏輯思維能力，還得看你的興趣所在和規劃，如果只是盲目覺得數據分析師好就去轉行或學習，我覺得很快精力和耐力都會被耗盡的。畢竟學習和提升不是一件容易的事情，如果中途放棄，那就真的是浪費了青春也辜負了時光，會對自己造成很大的挫傷的。
如果真的有意轉行數據分析師，至少得先了解自己的基礎能力和個人需求，其次做好學習和生活規劃，是邊工作邊學習，還是辭職脫產學習，抑或是自學成才之類的。不過按照小編看過的挺多的例子來看，自學這條路是幾乎很難執行的，畢竟沒有系統的學習安排和時間規定，也沒有實操性強的例子來輔助能力和經驗的提高，還是參加培訓教育，算是比較靠譜的選擇。
㈧ 我想改行做數據分析師方向的工作，先從基礎做起，邊做邊學。什麼崗位適合我這種外行。
主要的從事崗位有：公司法人、項目總監、市場總監、財務總監、審計工作人員、會計工作人員、稅務工作人員、投資公司從業人員、銀行從業人員、評估公司從業人員、企事業單位的投資部門人員、決策部人員、市場部工作人員、營銷策劃人員等相關。
也可以成立項目數據分析師事務所
㈨ 數據分析師如何入門，待遇怎麼(⊙_⊙)
大數據開發分析工程師是屬於程序員的，眾所周知，程序員有是薪資多，入門大數據程序員要求的具備一定計算機基礎和英語、數學等能力。一般在北上廣一線城市發展比較火熱。相關學校也有很多。如果你想要學習大數據的話可以關注扣丁學堂，那裡有大量的大數據視頻教程供學員觀看學習。對於一般的企業而言，大數據的作用主要表現在兩個方面，分別是數據的分析使用與進行二次開發項目，大數據的運用，不僅標志著時代的進步，同時還激勵著人們進行更深領域的探究。
㈩ 想成為數據分析師的都是哪些人
第一類是非計算機專業的在校生，不知道怎麼回事，反正就是對數據感興趣了，然後想畢業之後從事相關工作，但對職位要求、該做什麼准備一無所知，處於懵懂期；
第二類是互聯網公司的產品經理和運營經理，及少數的市場經理。這些人在實際工作中，發現確實數據很有用，但對自己的數據分析能力感到不滿意，進而想做出提升；
第三類是傳統企業的業務人員，也是不知道怎麼就對數據感興趣了，想要從事數據分析相關的崗位，但缺少時間系統學習，工作經歷又不足以支撐自己跳到數據分析職位。對於不同的背景，採用一樣的方法去訓練，顯然是不合理的。我先來講解一下數據相關的角色以及職責，說不定你認識清楚了就不想成為數據分析師了，就可以不用往下看了。如果還有信心，那我就介紹一下要學習的基礎內容，然後再介紹進階的內容。