筆者作為一個有幸在資料分析與建模領域摸索過的資料從業者，有一些總結與思考。成為優秀資料分析師的道路千萬條，其中比較紮實的一條便是從最底層的資料開始做起，積累對資料的認識，瞭解整個資料生命週期的全貌以及資料生態鏈都有哪些環節。

當理解了資料是如何產生、儲存、使用和銷燬的，就會知道為什麼公司的資料會有一定的儲存週期，為什麼有價值、高質量的資料會這麼稀缺，為什麼資料處理環節如此耗時卻又至關重要等等。而這些，恰恰是一名優秀的資料分析師需要懂得的。

以下就拋磚引玉，簡單分享一下我所理解的資料分析師成長之路和必備知識技能。先上一份資料分析師成長的路線圖，看看在不同階段的資料分析師都應做到什麼。

那麼從資料分析的菜鳥，一路升級到優秀的資料分析師，需要哪些知識和技能呢？

資料分析不是無源之水，具體的業務場景才是資料分析的初始目標和最終歸宿。要做到從業務中來，到業務中去，就要求資料分析師熟悉行業知識、公司業務及流程。

比如做一個信貸相關的資料分析專案，如果對相關信貸產品的設計，貸款的申報、審批、發放、風控等業務流程，以及流程內諸如客戶經理、審批人員、放款人員、貸後監督人員的職責分工和工作內容有一定的瞭解，便可以從龐雜的業務資訊流中有的放矢地選取分析目標和有用資料，產出真正業務人員用得上、用得好的資料分析模型、策略和產品。

需要掌握資料分析基本原理與一些有效的資料分析方法，並能靈活運用到實踐工作中，以便有效的開展資料分析。在知識庫中提前儲備一些如對比分析法、交叉分析法、綜合評價分析法等基本的分析方法，以及迴歸分析法、聚類分析法、其他機器學習與人工智慧演算法等高階的分析方法，做到心中有數，隨時可用。

而想要在資料分析之路上走得更遠，成為專家乃至資料科學家，對各類方法的理解不僅要知其然，更要知其所以然。比如，構建評分卡常用到的邏輯迴歸模型，可以瞭解它的基本假設、損失函式、最佳化方法是什麼，如何處理資料才能提高該類模型的穩定性和準確率，與其他可替代方法相比的優缺點等。

資料分析方法是理論基礎，資料分析工具就是實現資料分析方法理論的抓手。面對越來越龐大的資料，僅僅依靠Excel等基礎工具已無法滿足需求，掌握更強大、專業的資料分析工具或程式語言（如BI、SQL、SAS、Python等）以及常用的資料分析庫（如Python中的Pandas和Scikit_learn等），輔助完成資料分析工作，可以達到事半功倍的效果。

雖然常常被忽略，但這可能是最為關鍵的一部分。一方面，多數分析成效不佳的問題都和前期同業務與開發人員溝通不足、理解不夠有關。和相關業務人員、開發人員的溝通涉及業務術語與技術術語的翻譯與轉化，不同角色間思維方式和表達習慣的差異對資料分析師的溝通表達能力提出了很高的要求。

另一方面，撰寫分析報告，將資料分析的結果和得出的觀點藉助文字、圖表甚至影像簡明而高效地傳遞給目標受眾（經理、客戶等），也是優秀資料分析師的必備能力。

從一個數據分析專案的規劃和啟動，到中間的執行和監控，直至專案的報告和收尾，每一個環節都需要一定的管理協調能力。比如，在專案規劃啟動階段，需要協調業務人員對需求進行分析，對現狀進行評估，也需要組織分析人員對專案進行可行性分析，形成計劃書，還需要協調開發人員進行資料完備性調研。在合適的時間、以恰當的方式將有限的資源調配到各項工作上，持續推進專案直至按時保質保量完成，無不考驗著管理能力。

知業務、會分析、用工具、擅表達、懂管理，這些技能的磨練難以一蹴而就，最為直接的途徑就是多參與專案，可以是手頭正在參與的各種資料分析類工作，可以是Kaggle競賽上的專案，甚至可以“無中生有”，就一些日常工作生活中的小事做一點探索，比如研究一下車牌拍賣資料來做一個競拍策略，或利用Excel的宏模組做一些資料的自動化視覺化展示。總之，get your hands dirty，行動起來，踏上成為一名優秀資料分析師的道路。

文源：資料治理週週談

資料分析師需要的技能大致有這些：Excel、SQL、統計學及SPSS、Python/R等。建議從Excel開始，因為Excel是使用最多，也是最強大的資料分析工具，入門簡單，因為大部分人都接觸過Excel。