如何判斷適合做數據分析

1. 什麼人適合做數據分析師

首先無論做什麼工作哪含興趣最重要，要做數據分析師最基本的就是不討厭數字;如果對數據較敏感，能夠一眼發現異常值，數據分布情況，當然是最好的。

再則就是邏輯性，可以試試愛因斯坦的那道經典的邏輯題，看看能否解出來，需要多久;邏輯思維對數據分析尤其重要，不然會被各種指標的定檔昌義規則、與業務的聯系糾結死，邏輯思維好的人寫SQL等數據處理腳本也李蠢笑會更加高效。

接著是業務理解能力，最簡單的就是讓定義下網站的目標是什麼，哪些指標可以作為KPI，用戶從進入網站到達成網站目標的整個過程是怎麼實現轉化的，能否畫出業務流程圖。

如果偏技術則需要懂一些資料庫結構和SQL，如果偏展現需要考驗對圖表的掌控能力，什麼時候用什麼圖表合適，甚至如何配色。

最後就是細心、耐心和交流能力，做數據分析有時會很糾結，細心和耐心是必需的，好的交流能力可以讓數據分析師更好地闡述清楚各類問題。

想要了解更多關於數據分析工作的問題可以咨詢一下CDA認證機構，CDA是大數據和人工智慧時代面向國際范圍全行業的數據分析專業人才職業簡稱。全球CDA持證者秉承著先進商業數據分析的新理念，遵循著《CDA職業道德和行為准則》新規范，發揮著自身數據專業能力，推動科技創新進步，助力經濟持續發展。

2. 怎樣的人才適合做數據分析師

一態度嚴謹負責
嚴謹負責是數據分析師的必備素質之一，只有本著嚴謹負責的態度，才能保證數據的客觀、准確。在企業里，數據分析師可以說是企業的醫生，他們通過企業運營數據的分析，為企業尋找症結以及問題。一名合格的數據分析師，應具有嚴謹、負責的態度，保持中立立場，客觀評價企業發展過程中存在的問題，為決策層提供有效的參考依據;不應該受其他因素影響而更改數據，隱瞞企業存在的問題，這樣做對企業發展是非常不利的，甚至會造成嚴重的後果。而且，對數據分仔備析師自身來說，也是前途盡毀，從此以後做所做的數據分析結果都受到質疑，因為你已經不再是可信賴的人，在同事、領導、客戶面前失去了信任。所以，作為一名數據分析師就必須有嚴謹負責的態度，這也是最基本的職業道德。
二好奇心強烈
好奇心人塵手皆有之，但是作為數據分析師，這份好奇心就應該更強烈，要積極主動地發現和挖掘隱藏在數據內部的真相。在數據分析師的腦子里，應該充滿著無數個「為什麼」，為什麼是這樣的結果，為什麼不是那樣的結果念兄毀，導致這個結果的原因是什麼，為什麼結果不是預期的那樣等等。這一系列問題都要在進行數據分析時提出來，並且通過數據分析，給自己一個滿意的答案。越是優秀的數據分析師，好奇心也越不容易滿足，回答了一個問題，又會拋出一個新的問題，繼續研究下去。只有擁有了這樣一種刨根問底的精神，才會對數據和結論保持敏感，繼而順藤摸瓜，找出數據背後的真相。
三邏輯思維清晰
除了一顆探索真相的好奇心，數據分析師還需要具備縝密的思維和清晰的邏輯推理能力。我記得有位大師說過：結構為王。何謂結構，結構就是我們說的邏輯，不論說話還是寫文章，都要有條理，有目的，不可眉毛鬍子一把抓，不分主次。
通常從事數據分析時所面對的商業問題都是較為復雜的，我們要考慮錯綜復雜的成因，分析所面對的各種復雜的環境因素，並在若干發展可能性中選擇一個最優的方想。這就需要我們對事實有足夠的了解，同時也需要我們能真正釐清問題的整體以及局部的結構，在深度思考後，理清結構中相互的邏輯關系，只有這樣才能真正客觀地、科學地找到商業問題的答案。
四擅長模仿
在做數據分析時，有自己的想法固然重要，但是「前車之鑒」也是非常有必要學習的，它能幫助數據分析師迅速地成長，因此，模仿也是提高學習成果的有效方法。這里說的模仿主要是參考他人優秀的分析思路和方法，而並不是說直接「照搬」。成果的模仿需要領會他人方法的精髓。理解其分析原理，透過表面達到實質。萬變不離其宗，要善於將這些精華轉化為自己的只是，否則，只能是「一直在模仿，從未超越過」。
五用於創新
通過模仿可以借鑒他人的成功經驗，但模仿的時間不宜太長，並且建議每次模仿後都要進行總結，提出可以改進的方法，甚至要有所創新。創新是一個優秀數據分析師應具備的精神，只有不斷的創新，才能提高自己的分析水平，使自己站在更高的角度來分析問題，為整個研究領域乃至社會帶來更多的價值。現在的分析方法和研究課題千變萬化，墨守成規是無法很好的解決所面民的新問題的。
這些素質能力不是說有就有的，需要慢慢培養形成，不能一蹴而就。



3. 如何判斷一個人是否適合做數據分析

首先以下這些人是不適合做數據分析的，你屬於哪一類呢？

• 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。

4. spss判斷數據是否適合做因子分析

判斷數據是否適合因子分析首先考察收集到的原有變數適不適合進行因子分析，利用KMO檢驗和Bartlett的檢驗結果進行判斷。

KMO和Bartlett的檢

通常KMO值的判斷標准為0.6。大於0.6說明適合進行分析，反之，說明不適合進行分析。同時Bartlett檢驗對應P值小於0.05也說明適合分析。

5. 什麼人適合學數據分析呢

從大數據培訓學校的角度來說，學大數據的學員一般都是專科及以上，具有統計學之類的知識，有一定的基礎的，不然即使你報名學習了，但是因為基礎為零，也是很難克服困難的，自動放棄還不如當初想清楚再學。

實際上，問題還有個潛台詞是「什麼人學習數據分析，會更容易取得成功（比如職業成功）」，這個要視乎你的興趣、付出和機遇。但要做到出類拔萃，除了上面三點，還需要一點天賦，這里的機遇是指你遇到的職業發展平台、商業環境、導師和同事。借用管理大師德魯克的話「管理是可以習得的」，管理並非是天生的，而數據分析能力，也可以後天提升。或許做到優秀，只需要你更加的努力+興趣，而這個努力的過程，也包括你尋找機遇的部分。

1、數據分析師通常分兩類，分工不同，但各有優勢。

一類是在專門的挖掘團隊裡面從事數據挖掘和分析工作的。如果你能在這類專業團隊學習成長，那是幸運的，但進入這類團隊的門檻較高，需要扎實的數據挖掘知識、挖掘工具應用經驗和編程能力。該類分析師更偏向技術線條，未來的職業通道可能走專家的技術路線。

另一類是下沉到各業務團隊或者運營部門的數據分析師，成為業務團隊的一員。他們工作是支撐業務運營，包括日常業務的異常監控、客戶和市場研究、參與產品開發、建立數據模型提升運營效率等。該類型分析師偏向產品和運營，可以轉向做運營和產品。

2、數據分析師的理想行業在互聯網，但條條大道通羅馬，走合適你的路線。

從行業的角度來看：

1）互聯網行業是數據分析應用最廣的行業，其中的電商企業，更是目前最火的，而且企業也更重視數據分析的價值，是數據分析師理想的成長平台。

2）其次是咨詢公司（比如專門的數據挖掘公司Teradata、尼爾森等市場研究公司），他們需要數據分析人才，而且相對來說，數據分析師在咨詢公司成長的速度更快，專業也會更全面。

3）再次是金融行業，比如銀行和證券等行業，該行業對數據分析的依賴需求，越來越大。

4）最後是電信行業（中國移動、聯通和電信），它們擁有海量的數據，在嚴峻的競爭下，也越來越重視數據分析，但進入這些公司的門檻比較高。

6. 如何判斷自己是否適合數據分析師的工作

大數據有哪些職位和工作機會？

答：大數據主要有以下職位：
1）數據分析師Data analyst：指熟悉相關業務，熟練搭建數據分析框架，掌握和使用相關的分析常用工具和基本的分析方法，進行數據搜集、整理、分析，針對數據分析結論給管理銷售運營提供指導意義的分析意見。
2）數據架構師Data
architect：對Hadoop解決方案的整個生命周期進行引導，包漏余毀括需求分析，平台選擇，技術架構設計，應用設計和開發，測試和部署。深入掌握如何編寫MapRece的作業及作業流的管理完成對數據的計算，並能夠使用Hadoop提供的通用演算法，
熟練掌握Hadoop整個生態系統的組件如： Yarn，HBase、Hive、Pig等重要組件，能夠實現對平台監控、輔助運維系統的開發。
3）大數據工毀沒程師Big DataEngineer：收集和處理大規模的原始數據（包括腳本編寫，網頁獲取，調用APIs，編寫SQL查詢等）；將非結構化數據處理成適合分析的一種形式，然後進行分析；根據所需要的和專案分析商業決策。
4）數據倉庫管理員Data warehousemanager：指定並實施信息管理策略；協調和管理的信息管理解決方案；多個項目的范圍，計劃和優先順序安排；管理倉庫的各個方面，比如數據外包，移動，質量，設計和實施。
5）資料庫管理員Database manager：提高資料庫工具和服務的有效性；確保所有的數據符合法律規定；確保信息得到保護和備份；做定期報告；監控資料庫性能；改善使用的技術；建立新的資料庫；檢測數據錄入程序；故障排除。
6）商業智能分析員Businessintelligence
analyst：就工具，報告或者元數據增強來進行傳播信息；進行或協調測試，以確保情報的定義與需求相一致；使用商業智能工具來識別或監測現有和潛在的客戶；綜合目前的商業只能和趨勢數據，來支持採取行動的建議；維護或更新的商業智能工具，資料庫，儀錶板，系統或方法；及時的管理用戶流量的商業情報。
7）資料庫開發員Databasedeveloper：
設計，開發和實施基於客戶需求的資料庫系統；優化數據返備庫系統的性能效率；准備設計規范和功能單證的分配資料庫的項目；對資料庫系統進行空間管理和容量規劃；建立資料庫表和字典；參與資料庫設計和架構，以支持應用程序開發項目；執行數據備份和檔案上定期；測試資料庫，並進行錯誤修正；及時解決資料庫相關的問題；制定安全程序，以保護資料庫免受未經授權的使用；評估現有的資料庫，並提出改進建議的執行效率；開發用於資料庫設計和開發活動的最佳實踐。