1）只要喜歡，轉行永遠不遲
生命那麼長，怎麼會因為做了幾年某個方向的工作，就把自己的標籤貼牢了呢？就我個人經歷而言，我花了7年學習電路專業知識，花了1.5年從事電路設計工作，到頭來還是扎進了另一個毫不相干的行業。
2）別被高大上的名詞唬住，大數據的逼格沒有你想象的那麼高
即使是偏技術的數據挖掘端，我們平時大多數時間也是在清洗數據，而不是你想象的在鼓搗AI(人工智能)。
就我個人經歷而言，轉行之前我的知識全在硬件方面，軟件一竅不通(excel都用不咋溜)，但只要你願意在別人打遊戲追劇逛街的時候，默默學習相關知識，你也可以攻下“大數據”。
2.數據分析行業升級路線是怎樣的？
大部分應屆生，或者轉行的同學，對於數據分析行業的理解有較大偏誤（或者乾脆沒想過……）
所以我單獨提一章出來，從一個從業者的角度說說對數據分析行業的理解，希望能讓“數據分析行業”在你腦海中有一個清晰的地圖，也希望能夠幫助陷入轉行掙扎的你看清方向。
數據分析行業是大數據行業的兒子，它的兄弟姐妹包括：數據採集、數據工程、數據產品等。簡單來說，他們之間是這樣協作的：
數據採集端主要負責採集相關的數據，這些數據既可以來自埋點，也可以來自爬蟲。採集量的話，京東平臺而言，月產品抽樣採集量一般在三千萬左右。
數據工程端簡單來說主要負責結構化存儲海量數據，使得采集到的數據以及歷史數據以最優化的方式被存儲以及調用，涉及到的知識點在於數據庫方面，從最基礎的SQL到Hadoop集群、分佈式存儲、NoSQL等。
數據分析端主要負責將待挖掘的數據清洗、挖掘、分析，給出數據背後的洞察和建議，此方向又可細分為偏業務的數據分析和偏技術的數據挖掘，後面我們細講。
數據產品端也可以理解為懂數據分析的產品經理，此方面我涉獵不多，就不多做評價啦。
下面重點講一講數據分析端。
數據分析較為新興，因此其崗位職責劃分也是各家有各家的說法，不過總體可以概括為以下兩個方向：
1. 偏業務的數據分析方向
2. 偏技術的數據挖掘方向
我們分別說一說上面這個圖裡的職位。
偏業務方向的數據分析：
1）數據分析師（偏分析），此方向更看重邏輯思維，比如你思考框架的完整性、思維的靈活性。相比於比較傳統的商業分析師、行業分析師，除了對業務的深入理解之外，你需要有對數據有更敏銳的嗅覺。此方向是大多數人轉行大數據行業的起點，你需要熟練office軟件、excel等，薪資在大數據行業中處於中下水平。
2）數據分析師（偏數據），此方向更看重數據處理基礎，比如從數據庫中按需求取數、按需求統計數據等，相比偏分析的數據分析師，你需要更加熟練excel、sql等。當然，對業務的理解也非常重要，因為有時候你從數據出發的建議對分析端會有巨大幫助。此方向是從數據分析師向數據挖掘等技術崗升級的路線之一，你需要熟練sql、excel等，薪資相對偏分析的數據分析師有一定提升，但天花板不夠高。
偏技術方向的數據分析：
1）數據挖掘工程師，此方向更看重數據技術，比如統計學基礎、數據庫操作(SQL等)編程基礎(python等)、機器學習基礎(分類模型等)，同時你還需要對業務有一定程度的理解（要不怎麼挖掘數據呢？）。
數據挖掘工程師的主要工作是利用已有的算法模型，對業務數據進行清洗、建模、分析（用輪子） 此方向薪資遠大於數據分析師，天花板也較高，不過升級有一定難度。
2）算法工程師，此方向更看重理論基礎，比如機器學習算法原理、相關數學原理等。算法工程師的主要工作一般是研究算法、為公司的相關業務需求優化算法(造輪子、修輪子、優化輪子)。
此方向薪資非常高，天花板也高，不過一是升級難度大，二是市場需求沒有數據挖掘等方向大，一般是大型大數據公司才會需要這個崗位，比如BAT（中小公司由於成本問題，一般用輪子就好，最多稍稍優化一下已有的輪子）
這就是目前數據分析行業的升級地圖，希望能夠幫助迷茫的你看清數據分析行業的樣子，更快找到適合自己的發展方向，少走彎路。
p.s. 以上技能要求我給的是最低要求，實際你應該掌握包括但不限於我給出的技能要求
3.學習路線、方法和資料有哪些？
相信我，只要你願意在別人打遊戲追劇逛街的時候，默默學習，你也可以攻下“大數據”，我的這條路是普適的，你也可以。
之前零基礎轉行數據分析，雖然買了很多課程、看了很多回答，我還是走了很多彎路，回想起來，如果有人能在那時給我一條清晰的升級路線和學習方向，我至少可以節省6個月的學習時間，所以當我有能力為後來者點明方向時，我會盡我所能為後來者理清學習方向。
下面是我的學習路線，為避免你看糊塗，我把我走的彎路去掉了，只留下從0到1這條直直的學習路線，如果你想轉行數據分析，多看幾遍，以後你會來感謝我的。
1.基礎篇(適用於初級數據分析師)
1）excel
關鍵知識點：excel基本函數(sumif,countif,left,rand等)、lookup(vlookup/hlookup)，數據透視表
學習時長：一週（一天4小時算）
學習資源：個人不建議一來就搞一本厚厚的大部頭，根據我說的關鍵知識點，自行搜索用法+練習即可
2） sql
關鍵知識點：增刪改查，特別是條件查詢(where, group by, order by等)
學習時長：一週半(一天4小時算)3）python
關鍵知識點：numpy，pandas，matplotib，seaborn包的熟練使用
注意，python可以乾的事兒太多了，從web開發到算法模型，瞄準你的目標-數據分析，專注學我說的這幾個包就可以了
學習時長：6周（一天4小時算）
學習資源：《利用python進行數據分析》，主講numpy和pandas用法，瀏覽一遍，用作工具書
- 4）統計學
關鍵知識點：概率論、假設檢驗、分佈(泊松、二項、正態等)、統計抽樣等
學習時長：3周（一天4小時）
學習資源：《深入淺出統計學》比較適合小白入門，書很厚，別怕，都是圖
2.進階篇（適用於中級數據分析師、數據挖掘工程師）
1）數學知識
關鍵知識點：線性代數：線性代數：矩陣運算，矩陣特徵(秩、跡、特徵值特徵矩陣、相似矩陣、正定矩陣、逆矩陣、非奇異、行列式)、線性相關，向量空間，向量範數，矩陣範數，最小二乘法，最大似然估計
微分：極限，導數，偏導數，泰勒展開，梯度下降法，牛頓法
凸優化：基本概念(凸集合，凸函數，上境圖，凸組合，凸包)，凸優化(拉格朗日對偶性，對偶問題，KKT條件，拉格朗日乘數法)
學習時長：4周（一天4小時算，最好學過高等數學）最全的機器學習入門資料
2）數據挖掘算法
關鍵知識點：分類、迴歸、聚類、關聯規則挖掘、降維等
學習時長：4周先把分類迴歸理論和代碼搞定，剩下4周搞定後面的，理論理解更重要
學習資源：
《統計學習方法》經典，主講分類算法，偏理論推導
《機器學習實戰》過癮，對著《統計學習方法》來一套，保證你對理論明明白白
《機器學習》周志華老師的，也是經典
3）神經網絡
暫略
4.最後說幾個學習過程中的大坑。
想把所有板塊的知識學完再學下一個：錯！舉個例子，python可以做的事情太多了，你要把python學完再進行下一步麼？怎麼辦？學我說的關鍵知識點就夠了。
先學技術，在搞分析：錯！分析比技術門檻低得多，如果你想轉行數據分析，建議從偏分析的數據分析師入手，比如自己寫個分析報告作為敲門磚，技術可以在工作後利用下班時間學習。剩下的坑待補充。
相信我，只要你願意在別人打遊戲追劇逛街的時候，默默學習，你也可以攻下“大數據”。
閱讀更多 洛鴻0920 的文章
