如何判断适合做数据分析

1. 什么人适合做数据分析师

首先无论做什么工作哪含兴趣最重要，要做数据分析师最基本的就是不讨厌数字;如果对数据较敏感，能够一眼发现异常值，数据分布情况，当然是最好的。

再则就是逻辑性，可以试试爱因斯坦的那道经典的逻辑题，看看能否解出来，需要多久;逻辑思维对数据分析尤其重要，不然会被各种指标的定档昌义规则、与业务的联系纠结死，逻辑思维好的人写SQL等数据处理脚本也李蠢笑会更加高效。

接着是业务理解能力，最简单的就是让定义下网站的目标是什么，哪些指标可以作为KPI，用户从进入网站到达成网站目标的整个过程是怎么实现转化的，能否画出业务流程图。

如果偏技术则需要懂一些数据库结构和SQL，如果偏展现需要考验对图表的掌控能力，什么时候用什么图表合适，甚至如何配色。

最后就是细心、耐心和交流能力，做数据分析有时会很纠结，细心和耐心是必需的，好的交流能力可以让数据分析师更好地阐述清楚各类问题。

想要了解更多关于数据分析工作的问题可以咨询一下CDA认证机构，CDA是大数据和人工智能时代面向国际范围全行业的数据分析专业人才职业简称。全球CDA持证者秉承着先进商业数据分析的新理念，遵循着《CDA职业道德和行为准则》新规范，发挥着自身数据专业能力，推动科技创新进步，助力经济持续发展。

2. 怎样的人才适合做数据分析师

一态度严谨负责
严谨负责是数据分析师的必备素质之一，只有本着严谨负责的态度，才能保证数据的客观、准确。在企业里，数据分析师可以说是企业的医生，他们通过企业运营数据的分析，为企业寻找症结以及问题。一名合格的数据分析师，应具有严谨、负责的态度，保持中立立场，客观评价企业发展过程中存在的问题，为决策层提供有效的参考依据;不应该受其他因素影响而更改数据，隐瞒企业存在的问题，这样做对企业发展是非常不利的，甚至会造成严重的后果。而且，对数据分仔备析师自身来说，也是前途尽毁，从此以后做所做的数据分析结果都受到质疑，因为你已经不再是可信赖的人，在同事、领导、客户面前失去了信任。所以，作为一名数据分析师就必须有严谨负责的态度，这也是最基本的职业道德。
二好奇心强烈
好奇心人尘手皆有之，但是作为数据分析师，这份好奇心就应该更强烈，要积极主动地发现和挖掘隐藏在数据内部的真相。在数据分析师的脑子里，应该充满着无数个“为什么”，为什么是这样的结果，为什么不是那样的结果念兄毁，导致这个结果的原因是什么，为什么结果不是预期的那样等等。这一系列问题都要在进行数据分析时提出来，并且通过数据分析，给自己一个满意的答案。越是优秀的数据分析师，好奇心也越不容易满足，回答了一个问题，又会抛出一个新的问题，继续研究下去。只有拥有了这样一种刨根问底的精神，才会对数据和结论保持敏感，继而顺藤摸瓜，找出数据背后的真相。
三逻辑思维清晰
除了一颗探索真相的好奇心，数据分析师还需要具备缜密的思维和清晰的逻辑推理能力。我记得有位大师说过：结构为王。何谓结构，结构就是我们说的逻辑，不论说话还是写文章，都要有条理，有目的，不可眉毛胡子一把抓，不分主次。
通常从事数据分析时所面对的商业问题都是较为复杂的，我们要考虑错综复杂的成因，分析所面对的各种复杂的环境因素，并在若干发展可能性中选择一个最优的方想。这就需要我们对事实有足够的了解，同时也需要我们能真正厘清问题的整体以及局部的结构，在深度思考后，理清结构中相互的逻辑关系，只有这样才能真正客观地、科学地找到商业问题的答案。
四擅长模仿
在做数据分析时，有自己的想法固然重要，但是“前车之鉴”也是非常有必要学习的，它能帮助数据分析师迅速地成长，因此，模仿也是提高学习成果的有效方法。这里说的模仿主要是参考他人优秀的分析思路和方法，而并不是说直接“照搬”。成果的模仿需要领会他人方法的精髓。理解其分析原理，透过表面达到实质。万变不离其宗，要善于将这些精华转化为自己的只是，否则，只能是“一直在模仿，从未超越过”。
五用于创新
通过模仿可以借鉴他人的成功经验，但模仿的时间不宜太长，并且建议每次模仿后都要进行总结，提出可以改进的方法，甚至要有所创新。创新是一个优秀数据分析师应具备的精神，只有不断的创新，才能提高自己的分析水平，使自己站在更高的角度来分析问题，为整个研究领域乃至社会带来更多的价值。现在的分析方法和研究课题千变万化，墨守成规是无法很好的解决所面民的新问题的。
这些素质能力不是说有就有的，需要慢慢培养形成，不能一蹴而就。



3. 如何判断一个人是否适合做数据分析

首先以下这些人是不适合做数据分析的，你属于哪一类呢？

• 相信假数据的

有很多时候，你总是会注意到呈现在你眼前的东西，那些精美绝伦的数据报告，那些与众不同的PPT，那些运用巧妙的文字。但是你似乎从来没有想过，这份报告背后付出的努力，我是如何进行数据采集的？这些数据只是样本是否可以代表整个行业呢？指标逻辑是什么？是我想要的吗？有什么区别？

其实对于很多不在自己范围内的数据都要去进行验证它的真实性，盲目的信从很容在过程中出错，比如媒体报道中的数据，什么离婚率、就业率、薪资等，要多来源验证、追问、质疑，有人会说，研究这些和我做的业务并没有关系，其实不是，这是一种对待数据的态度和习惯。

比如当你计算一个KPI完成率时，你会发现很多指标年年都好，但最终的财务指标基本没有任何变化，为什么？你质疑过吗？

考核的指标一般都是层层下压，为了完成KPI，基层也是绞尽脑汁。正所谓上有政策下有对策，执行中必然会被扭曲。

• 不善于思考的

无论是做出多么完美的报表，依旧是以发现问题、解决问题为目的，通过这些看似杂乱无章的数据给我们带来一些价值，而这个价值的衡量其实就是思考，也就是你要用数据干什么？这才是数据的价值。

比如领导让你出一份经营分析报告，那你就要思考，由下往上思考，整体会涉及哪些指标，这些指标背后的含义是什么？这些指标能不能分类？分类的标准是什么？比如分类的标准是整体收入、发展趋势、用户表现、品类管理、库存状况等，然后再思考，例如整体收入这块，我要用这个分类的那些指标做对比、哪些做预测、那些做结构，分别要告诉决策者什么问题，目前好不好的问题？未来好不好的问题？现在现在的状态问题？这一来二去雏形不就有了吗？这种方式相对而言，难度较大，要会归纳总结，还要会给一级、二级、三级框架造词。

还有一种是由上而下，这类思考取决于分析师的项目经验，做过的话，很容易提炼出诱人的大纲，再根据大纲敲定每个部分的分析框架，然后去思考选取那些指标，什么样式的分析方法更能传达你要表达的信息。

• 用不好excel的

可能会有人说，我们都用python好嘛，但是在没有Python之前呢？难道大家都不做数据分析的吗？

如果你仔细观察，你会发现5年以上的数据分析师，90%都用的excel，10%的工作环境可能是python、sql、spark、kettle等。

因为不是所有人，所有分析师都要面对所谓的海量数据，目前的趋势已经是数据统计智能化了，部分做专题分析会复杂一些，但一般大的专题是要一个团队一起完成的，比如简单的决策者+业务+it+分析师，所以很多时候IT是可以帮你搞定的。

• 不善于沟通的

数据分析师常常在程序员、决策者之间进行徘徊，在夹缝中求生要是没有有效的沟通，你很难去理解决策者到底想要什么？要是没有沟通你很难得到自己想要的数据形式？有数据和给你什么样式的数据差异很大的。

我见过很多人分析的框架和决策者想要的结合很完美，但找程序员要数据时，却没办法得到想要分析的数据。也见过很多人未能和IT准确有效的沟通，提出来一张自己用现有能力无法玩转的一张表。更见过很多元数据理解得很清楚，但输出分析框架时，受现有数据资源影响过大，打不开思维，导致输出与决策者完全不符的分析结果。

这是一个博弈的过程，一定要沟通，决策者的问题是没有边界的，但你、决策者、IT之间的沟通是可以让其有边境的。

• 动手能力差的

一方面是自学路上动手能力差，比如工具类的问题，经常问来问去，其实有时候自己动手搜索一下，你会发现世界真美好，这是搜索的强项，人脑记忆肯定干不过电脑。

另一个方面是自己缺乏练习，很多人学课程，看书，从来不自己操作，老想寻找一些面试题、某企业级数据集拿来分析一下，看看自己的水平，要对胃口的数据集其实很少的，即使有，也是美化版的，很多综合性的演练你还是学不到的，还不如随便爬一些数据，越乱越好（对练习工具操作有巨大好处），然后在现有数据的基础上看看可以分析出什么？希望告诉别人什么？需不需要再补充一些数据，让结论更有说服力，更细致一些。

要是仅仅是看，那你确实不适合做数据分析。

• 不复盘的

数据分析是一个很难成长的职业，有的人入行很多年还用的是入行时的那套分析逻辑，为何？

好的分析经验一定是复盘出来的，分析最终都是要看疗效的，那其实做业务分析的可以很直观看到自己输出对关键指标的影响。

4. spss判断数据是否适合做因子分析

判断数据是否适合因子分析首先考察收集到的原有变量适不适合进行因子分析，利用KMO检验和Bartlett的检验结果进行判断。

KMO和Bartlett的检

通常KMO值的判断标准为0.6。大于0.6说明适合进行分析，反之，说明不适合进行分析。同时Bartlett检验对应P值小于0.05也说明适合分析。

5. 什么人适合学数据分析呢

从大数据培训学校的角度来说，学大数据的学员一般都是专科及以上，具有统计学之类的知识，有一定的基础的，不然即使你报名学习了，但是因为基础为零，也是很难克服困难的，自动放弃还不如当初想清楚再学。

实际上，问题还有个潜台词是“什么人学习数据分析，会更容易取得成功（比如职业成功）”，这个要视乎你的兴趣、付出和机遇。但要做到出类拔萃，除了上面三点，还需要一点天赋，这里的机遇是指你遇到的职业发展平台、商业环境、导师和同事。借用管理大师德鲁克的话“管理是可以习得的”，管理并非是天生的，而数据分析能力，也可以后天提升。或许做到优秀，只需要你更加的努力+兴趣，而这个努力的过程，也包括你寻找机遇的部分。

1、数据分析师通常分两类，分工不同，但各有优势。

一类是在专门的挖掘团队里面从事数据挖掘和分析工作的。如果你能在这类专业团队学习成长，那是幸运的，但进入这类团队的门槛较高，需要扎实的数据挖掘知识、挖掘工具应用经验和编程能力。该类分析师更偏向技术线条，未来的职业通道可能走专家的技术路线。

另一类是下沉到各业务团队或者运营部门的数据分析师，成为业务团队的一员。他们工作是支撑业务运营，包括日常业务的异常监控、客户和市场研究、参与产品开发、建立数据模型提升运营效率等。该类型分析师偏向产品和运营，可以转向做运营和产品。

2、数据分析师的理想行业在互联网，但条条大道通罗马，走合适你的路线。

从行业的角度来看：

1）互联网行业是数据分析应用最广的行业，其中的电商企业，更是目前最火的，而且企业也更重视数据分析的价值，是数据分析师理想的成长平台。

2）其次是咨询公司（比如专门的数据挖掘公司Teradata、尼尔森等市场研究公司），他们需要数据分析人才，而且相对来说，数据分析师在咨询公司成长的速度更快，专业也会更全面。

3）再次是金融行业，比如银行和证券等行业，该行业对数据分析的依赖需求，越来越大。

4）最后是电信行业（中国移动、联通和电信），它们拥有海量的数据，在严峻的竞争下，也越来越重视数据分析，但进入这些公司的门槛比较高。

6. 如何判断自己是否适合数据分析师的工作

大数据有哪些职位和工作机会？

答：大数据主要有以下职位：
1）数据分析师Data analyst：指熟悉相关业务，熟练搭建数据分析框架，掌握和使用相关的分析常用工具和基本的分析方法，进行数据搜集、整理、分析，针对数据分析结论给管理销售运营提供指导意义的分析意见。
2）数据架构师Data
architect：对Hadoop解决方案的整个生命周期进行引导，包漏余毁括需求分析，平台选择，技术架构设计，应用设计和开发，测试和部署。深入掌握如何编写MapRece的作业及作业流的管理完成对数据的计算，并能够使用Hadoop提供的通用算法，
熟练掌握Hadoop整个生态系统的组件如： Yarn，HBase、Hive、Pig等重要组件，能够实现对平台监控、辅助运维系统的开发。
3）大数据工毁没程师Big DataEngineer：收集和处理大规模的原始数据（包括脚本编写，网页获取，调用APIs，编写SQL查询等）；将非结构化数据处理成适合分析的一种形式，然后进行分析；根据所需要的和专案分析商业决策。
4）数据仓库管理员Data warehousemanager：指定并实施信息管理策略；协调和管理的信息管理解决方案；多个项目的范围，计划和优先顺序安排；管理仓库的各个方面，比如数据外包，移动，质量，设计和实施。
5）数据库管理员Database manager：提高数据库工具和服务的有效性；确保所有的数据符合法律规定；确保信息得到保护和备份；做定期报告；监控数据库性能；改善使用的技术；建立新的数据库；检测数据录入程序；故障排除。
6）商业智能分析员Businessintelligence
analyst：就工具，报告或者元数据增强来进行传播信息；进行或协调测试，以确保情报的定义与需求相一致；使用商业智能工具来识别或监测现有和潜在的客户；综合目前的商业只能和趋势数据，来支持采取行动的建议；维护或更新的商业智能工具，数据库，仪表板，系统或方法；及时的管理用户流量的商业情报。
7）数据库开发员Databasedeveloper：
设计，开发和实施基于客户需求的数据库系统；优化数据返备库系统的性能效率；准备设计规范和功能单证的分配数据库的项目；对数据库系统进行空间管理和容量规划；建立数据库表和字典；参与数据库设计和架构，以支持应用程序开发项目；执行数据备份和档案上定期；测试数据库，并进行错误修正；及时解决数据库相关的问题；制定安全程序，以保护数据库免受未经授权的使用；评估现有的数据库，并提出改进建议的执行效率；开发用于数据库设计和开发活动的最佳实践。