1、基本的計算機知識和統計知識

資料庫+SQL語言

一些常用的資料庫如Oracle、SQL Sever、DB2、MySQL，這些資料庫或者說日常接觸的資料庫都要有所瞭解，懂最常用的就好，最重要的還是要會寫SQL。

數學/統計學知識

一些基本的數學統計方法如描述性統計、多元統計分析、迴歸分析等，重要性不言而喻。

資料探勘知識：方差分析、迴歸分析、因子分析、聚類分析等等。這些東西作為入門多多少少都要會一些，雖然有可能不會全用到，但一旦用時方恨少。

資料分析可視工具

資料分析視覺化工具很寬泛。首推Excel，中小公司很依賴，熟練使用資料透視表，這是必備技能。中大型公司都是用報表工具或者BI來做報表，但有了SQL+Excel的基礎，這些工具上手都很快。

2、業務知識

資料分析師要與公司的各業務打交道，所以對於各部門的業務知識要有深入的瞭解。某業務領導需要知道某個指標，你需要知道這個指標由哪些資料構成?資料統計的口徑是什麼？資料怎麼取出來？這個指標對於行業的意義是什麼，處於什麼範圍分別對應什麼樣的情況，是好還是壞。然後慢慢摸索這個指標層面多維度的規律，如何設定最合理。

明確自己的位置，快速成長

附上網上的一張資料分析師能力體系圖，用於參考。

資料分析是一向比較專業的工作，要時刻警惕自己能力是否有提升，目前是什麼樣的水平，習慣反思自己:

2、這些資料是真實的嗎？採集和整理過程中會不會出現什麼問題？技術上的邏輯和業務上的邏輯是不同的概念，有沒有技術上沒有瑕疵，但並不符合業務邏輯的資料流程？

3、到你手裡的資料經過了什麼處理？你又做了什麼處理？為什麼他們和你要做這些處理？

4、誰需要你的資料？你處理後的資料流向哪裡？他們用資料做什麼？這些資料最終又拿去做了什麼？比如，為客戶做了什麼服務，公司釋出了什麼內容，或向管理層證明了什麼KPI，或支援了哪個部門的評估？

5、你做整理的週期是什麼？為什麼是這樣的週期？

6、公司有其他的部門在處理其他的資料嗎？是什麼樣的資料？和你有什麼關係？為什麼這些資料要分開處理？

7、近一年，你自己的電腦上應該已經積累了不少資料，試試做個分析，從一段較長的時間來看，你負責的這一塊資料發生了什麼變化？為什麼會有這個變化？和公司的產品、經營、業務有關，還是和行業有關？具體怎麼有關？

如何進一步提升？

業務上

1.業務為核心，資料為王

瞭解整個產業鏈的結構

制定好業務的發展規劃

瞭解衡量的核心指標

有了資料必須和業務結合才有效果

需要懂業務的整體概況，摸清楚所在產業鏈的整個結構，對行業的上游和下游的經營情況有大致的瞭解。然後根據業務當前的需要，指定發展計劃，從而歸類出需要整理的資料。最後一步詳細的列出資料核心指標（KPI），並且對幾個核心指標進行更細緻的拆解，當然具體結合你的業務屬性來處理，找出那些對指標影響幅度較大的影響因子。前期資料的收集以及業務現況的全面掌握非常關鍵。

2.思考指標現狀，發現多維規律

熟悉產品框架，全面定義每個指標的運營現狀對

比同行業指標，挖掘隱藏的提升空間

拆解關鍵指標，合理設定運營方法來觀察效果

爭對核心使用者，單獨進行產品用研與需求挖掘

業務的分析大多是定性的，需要培養一種客觀的感覺意識。定性的分析則需要藉助技術、工具、機器。而感覺的培養，由於每個人的思維、感知都不同，只能把控大體的方向，很多資料元素之間的關係還是需要透過資料視覺化技術來實現。

3.規律驗證，經驗總結

發現了規律之後不能立刻上線，需要在測試機上對模型進行驗證。

技能上

1.Excel是否精鑽？

除了常用的Excel函式（sum、average、if、countifs、sumifs、offset、match、index等）之外，Excel圖表（餅圖、線圖、柱形圖、雷達圖等）和簡單分析技能也是經常用的，可以幫助你快速分析業務走勢和異常情況；另外，Excel裡面的函式結合透視表以及VBA功能是完善報表開發的利器，讓你一鍵輕鬆搞定報表。

2.你需要更懂資料庫

常用的資料庫如MySQL，Sql Server、Oracle、DB2、MongoDB等；除去SQL語句的熟練使用，對於資料庫的儲存讀取過程也要熟練掌握。在對於大資料量處理時，如何想辦法加快程式的執行速度、減少網路流量、提高資料庫的安全性是非常有必要的。

3.掌握資料整理、視覺化和報表製作

資料整理，是將原始資料轉換成方便實用的格式，Excel在協同工作上並不是一個好工具，報表FineReport比較推薦。專案部署的Tableau、FineBI、Qlikview一類BI工具，有沒有好好培訓學習，這些便捷的工具都能淡化資料分析時一些重複性操作，把精力更多留於分析。

第一階段linux+搜尋+hadoop體系

Linux基礎→shell程式設計→高併發架構→hadoop體系→HDFS→mapreduce→hbase→zookeeper→hive→lucene搜尋→solr/solrcloud→elasticsearch分散式搜尋→CM+CDH叢集管理→impala→oozie→flume→sqoop

第二階段機器學習

R語言→mahout

第三階段storm流式計算

kafka→storm→redis

第四階段spark記憶體計算

scala程式設計→spark core→spark sql→spark streaming→spark mllib→spark graphx→專案實戰四→python機器學習→spark python程式設計

第五階段雲計算平臺

docker→kvm→openstack雲計算

當然每個階段找一些合適的專案練手是必須的， 可以鞏固相關知識點，瞭解其作用及相關的應用問題等等。

對於自制力差的人，自學是一件很痛苦的事情，建議找到資深有名的老師來輔導你，可以讓你快速學會技術

大資料是我的研究方向之一，所以我來回答一下這個問題。

大資料是一個典型的交叉學科，涉及到計算機、數學、統計學、軟體、金融學、社會學等學科的綜合運用。很多大學可以說是舉全校之力來開設大資料專業，可見大資料專業涉及到的內容有多廣。概括來說，學習大資料要學習以下重點內容：

第一，數學。大資料的核心是資料分析，資料分析的核心是演算法，所以紮實的數學基礎對大資料的學習是非常重要的。《演算法導論》往往是大資料專業學生的必讀書籍之一。

第二，統計學。大資料分析需要用到大量的統計學知識，大資料的出現對統計學來說也是一次重要的變革。現在很多統計學專業的研究生都以大資料為主要研究方向，未來的統計一定以大資料為基礎。

第三，計算機。大資料與計算機的關係非常緊密，目前大資料人才大部分都是出自計算機相關專業。大資料的學習要搭建大資料平臺，比如Hadoop、Spark，另外需要具備作業系統、資料庫、程式語言等計算機基礎知識。

大資料的學習是一個漫長的過程，由於大資料涉及到的內容非常多，所以如果能一邊使用一邊學習效果會更好一些。在掌握了基本的大資料知識以後，可以參加到一個大資料專案組實習，透過使用來促進學習，這是一個比較好的學習途徑。

如果有大資料方面的問題，也可以諮詢我。