Question

数据分析需要掌握些什么知识?

Answer 1

学数据分析推荐选择十方融海。十方融海自主研发的交互式智慧教学系统，拥有独家专利技术。学数据分析需要掌握的知识有以下几点：1、Excel：专业的分析人员，会使用Excel处理聚合数据。2、SQL语言：SQL(结构化查询语言)是一种用于处理和检索关系数据库中存储的数据的计算机语言，最重要的就是掌握查询功能。3、可视化工具：将数据可视化可以让人更加理解数据。4、Python：想要进行更深入的探索，需要学习Python来进行数据挖掘。Python是一种面向对象的高级编程语言，主要用于Web以及应用程序的开发。Python拥有图形和可视化工具、以及扩展的分析工具…

Answer 2

数据分析需要掌握的知识：
1、数学知识
数学知识是数据分析师的基础知识。对于初级数据分析师，了解一些描述统计相关的基础内容，有一定的公式计算能力即可，了解常用统计模型算法则是加分。
对于高级数据分析师，统计模型相关知识是必备能力，线性代数（主要是矩阵计算相关知识）最好也有一定的了解。
2、分析工具
对于初级数据分析师，玩转Excel是必须的，数据透视表和公式使用必须熟练，VBA是加分。另外，还要学会一个统计分析工具，SPSS作为入门是比较好的。
对于高级数据分析师，使用分析工具是核心能力，VBA基本必备，SPSS/SAS/R至少要熟练使用其中之一，其他分析工具（如Matlab）视情况而定。
3、分析思维
比如结构化思维、思维导图、或百度脑图、麦肯锡式分析，了解一些smart、5W2H、SWOT等等那就更好了。不一定要掌握多深多全，但一定要了解一些。
4、数据库知识
大数据大数据，就是数据量很多，Excel就解决不了这么大数据量的时候，就得使用数据库。如果是关系型数据库，比如Oracle、mysql、sqlserver等等，你还得要学习使用SQL语句，筛选排序，汇总等等。非关系型数据库也得要学习，比如：Cassandra、Mongodb、CouchDB、Redis、 Riak、Membase、Neo4j 和 HBase等等，起码常用的了解一两个，比如Hbase，Mongodb，redis等。
5、开发工具及环境
比如：Linux OS、Hadoop(存储HDFS，计算Yarn)、Spark、或另外一些中间件。目前用得多的开发工具Java、python等等语言工具。

Answer 3

数据分析需要学习以下几点：

一、统计学。二、编程能力。三、数据库。四、数据仓库。五、数据分析方法。六、数据分析工具。

想要成为数据分析师应该重点学习以下两点：

1.python、SQL、R语言

这些都是最基础的工具，python都是最好的数据入门语言，而R语言倾向于统计分析、绘图等，SQL是数据库。既然是数据分析，平时更多的时间就是与数据分析打交道，数据采集、数据清洗、数据可视化等一系列数据分析工作都需要上面的工具来完成。

2.业务能力

数据分析师存在的意义就是通过数据分析来帮助企业实现业务增长，所以业务能力也是必须。企业的产品、用户、所处的市场环境以及企业的员工等都是必须要掌握的内容，通过这些内容建立帮助企业建立具体的业务指标、辅助企业进行运营决策等。

当然这些都是数据分析师最基本也是各位想转行的小伙伴需要重点学习的内容，以后想要有更好的发展，还需要学习更多的技能，例如企业管理，人工智能等。


关于数据分析师的学习可以到CDA数据分析认证中心看看。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。

Answer 4

首先，从知识体系的角度来看，当前学习数据分析需要学习三大块知识，其一是数学和统计学知识、其二是大数据知识、其三是行业知识。数学和统计学是数据分析的基础，在大数据时代，要想在数据分析领域走得更远，一定要重视数学和统计学知识的学习。从某种程度上来说，数据分析就是构建在数学和统计学基础之上的，虽然当前有很多数据分析工具和平台可以使用，但是如果脱离数学和统计学知识，数据分析往往很难深入。对于数学基础比较薄弱的人来说，在学习数据分析的过程中，可以同时补学数学知识，包括线性代数和概率论等等。数据分析是大数据技术体系的重要组成部分，实际上当前的数据分析也是大数据进行数据价值化的主要手段之一，所以当前学习数据分析一定不能脱离大数据技术体系。在大数据平台的支撑下，数据分析可以借助于大数据平台来达到一个更好的分析效果，比如速度提升就非常明显。从数据分析的手段上来看，当前数据分析主要有两种方式，一种是统计学方式，另一种就是机器学习方式，当前机器学习的数据分析方式受到了广泛的关注，基于机器学习的数据分析未来也有广阔的发展和应用空间。采用机器学习进行数据分析，需要从算法设计开始入手，然后完成算法实现、算法训练、算法验证和算法应用等一系列环节。