做資料分析門檻也高。要對數學很痴迷，資料分析主要是透過已經成熟的機器學習演算法和深度學習演算法。根據應用場景的資料情況。持續長期做演算法計算。分析師會定期除錯演算法引數，一直調整到演算法執行出來的結果很接近大家預測的結果。

這就對資料分析師要求很高。首先要明白常用機器學習演算法原理和底層的數學實現方式。是用的線性矩陣還是微積分求極限等等。底層全是數學複雜計算邏輯。沒有很強數學功能的人根本沒法入門。

當你把這個數學計算方式搞清楚以後，要開始使用某種開發語言來除錯演算法。這個也是有很大難度，要整天在執行大量的資料中除錯測試。研究時間長了有可能最佳化一下演算法的程式碼。

作為一名IT行業的從業者，同時大資料也是我的主要研究方向之一，所以我來回答一下這個問題。

當前大資料領域已經形成了一個初步的產業鏈，這個產業鏈包括資料採集、整理、儲存、分析和應用，其中資料分析是目前實現大資料價值化的重要手段，比如場景大資料分析就是目前重要的大資料落地應用之一。所以，在大資料技術逐漸普及到傳統行業的情況下，資料分析師的作用將越來越重要，崗位需求量也會逐漸增加。

大資料並不是最終的目的，大資料的價值主要體現在應用領域（決策和智慧體），而要想完成大資料的應用其中需要一個重要的環節就是大資料分析。由於大資料分析涉及到的領域非常廣泛，包括金融領域、教育領域、線上消費領域、醫療領域等等，所以大資料分析人員對於行業知識也要有一定程度的瞭解。

造成大資料分析人才短缺的原因主要集中在三方面，其一是資料分析需要具備紮實的數學基礎、統計學基礎和計算機基礎；其二是資料分析需要具備一定的行業背景知識，這通常需要一個積累的過程，從而導致資料分析人才的培養週期比較長；其三是高校相關人才的培養數量有限。

在網際網路公司已經逐步完成資料化運營之後，廣大的傳統企業必然將陸續開始資料化運營改造，不論是資料驅動設計、生產，還是資料驅動管理和服務，都需要有強大的資料分析能力作為支撐，所以未來在廣大的傳統行業將陸續釋放出大量的資料分析崗位。從這個角度來看，當前學習資料分析技術是不錯的選擇。