什么人适合做数据分析师
发布网友
发布时间：2022-04-20 22:32
共3个回答
热心网友
时间：2022-07-11 07:10
什么人适合做大数据分析师?
第一，有兴趣的人，人们常常在说，兴趣是很好的老师，如果你对数字很讨厌、严重“晕数字”，那数据分析师不适合你，即便内部的讲师非常认真的跟你说、指标是怎么通过一定算法算出来的你还是会觉得无比耐烦，如果不是非常晕数字的人则可以调节自我状态、将自己的兴趣调节为赚钱，后期也可以朝着该方向去发展。
什么人适合做大数据分析
第二，有一定逻辑思维的能力。大家都应该听说过爱因斯坦经典的逻辑题，如果你能解决出来而且耗费时间不长，那就说明你的逻辑思维能力很强，做数据分析师逻辑思维特别重要，你需要在各种不同指标定义以及业务联系中反复研究数字、得出结论。逻辑思维强的人他们在写sql数据处理脚本的时候会有一种enjoy的感觉且效率会更高。
第三，要具备细心、耐心以及语言包装的能力。所谓的大数据指的是数据量在10tb以上的数据集，因为数据很大而且本身数据是凌乱的，想要利用各种软件工具在一两天的时间内koi大量数据洗一遍、分析清楚不可能的，如果你没有耐心的话，在面对繁琐的数据清洗、数据建模时往往会中途放弃，如此情况在过去还是蛮常见的。而之所以需要有强大的语言包装能力是因为数据分析师的从业过程复杂，以专业方式表达可能结论、很多雇主都不了解，但是如果能换一个方式、以深入浅出的技法来说明则大不同，说白了就是要让数据实现可视化。
热心网友
时间：2022-07-11 07:11
再则就是逻辑性，可以试试爱因斯坦的那道经典的逻辑题，看看能否解出来，需要多久;逻辑思维对数据分析尤其重要，不然会被各种指标的定义规则、与业务的联系纠结死，逻辑思维好的人写SQL等数据处理脚本也会更加高效。
接着是业务理解能力，最简单的就是让定义下网站的目标是什么，哪些指标可以作为KPI，用户从进入网站到达成网站目标的整个过程是怎么实现转化的，能否画出业务流程图。
如果偏技术则需要懂一些数据库结构和SQL，如果偏展现需要考验对图表的掌控能力，什么时候用什么图表合适，甚至如何配色。
最后就是细心、耐心和交流能力，做数据分析有时会很纠结，细心和耐心是必需的，好的交流能力可以让数据分析师更好地阐述清楚各类问题。
想要了解更多关于数据分析工作的问题可以咨询一下CDA认证机构，CDA是大数据和人工智能时代面向国际范围全行业的数据分析专业人才职业简称。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。
热心网友
时间：2022-07-11 07:11
通过以下不适合做数据分析的情况，可以参考下自己是否适合做数据分析。
相信假数据的
有很多时候，你总是会注意到呈现在你眼前的东西，那些精美绝伦的数据报告，那些与众不同的PPT，那些运用巧妙的文字。但是你似乎从来没有想过，这份报告背后付出的努力，我是如何进行数据采集的？这些数据只是样本是否可以代表整个行业呢？指标逻辑是什么？是我想要的吗？有什么区别？
其实对于很多不在自己范围内的数据都要去进行验证它的真实性，盲目的信从很容在过程中出错，比如媒体报道中的数据，什么离婚率、就业率、薪资等，要多来源验证、追问、质疑，有人会说，研究这些和我做的业务并没有关系，其实不是，这是一种对待数据的态度和习惯。
比如当你计算一个KPI完成率时，你会发现很多指标年年都好，但最终的财务指标基本没有任何变化，为什么？你质疑过吗？
考核的指标一般都是层层下压，为了完成KPI，基层也是绞尽脑汁。正所谓上有*下有对策，执行中必然会被扭曲。
不善于思考的
无论是做出多么完美的报表，依旧是以发现问题、解决问题为目的，通过这些看似杂乱无章的数据给我们带来一些价值，而这个价值的衡量其实就是思考，也就是你要用数据干什么？这才是数据的价值。
比如领导让你出一份经营分析报告，那你就要思考，由下往上思考，整体会涉及哪些指标，这些指标背后的含义是什么？这些指标能不能分类？分类的标准是什么？比如分类的标准是整体收入、发展趋势、用户表现、品类管理、库存状况等，然后再思考，例如整体收入这块，我要用这个分类的那些指标做对比、哪些做预测、那些做结构，分别要告诉决策者什么问题，目前好不好的问题？未来好不好的问题？现在现在的状态问题？这一来二去雏形不就有了吗？这种方式相对而言，难度较大，要会归纳总结，还要会给一级、二级、*框架造词。
还有一种是由上而下，这类思考取决于分析师的项目经验，做过的话，很容易提炼出诱人的大纲，再根据大纲敲定每个部分的分析框架，然后去思考选取那些指标，什么样式的分析方法更能传达你要表达的信息。
用不好excel的
可能会有人说，我们都用python好嘛，但是在没有Python之前呢？难道大家都不做数据分析的吗？
如果你仔细观察，你会发现5年以上的数据分析师，90%都用的excel，10%的工作环境可能是python、sql、spark、kettle等。
因为不是所有人，所有分析师都要面对所谓的海量数据，目前的趋势已经是数据统计智能化了，部分做专题分析会复杂一些，但一般大的专题是要一个团队一起完成的，比如简单的决策者+业务+it+分析师，所以很多时候IT是可以帮你搞定的。
不善于沟通的
数据分析师常常在程序员、决策者之间进行徘徊，在夹缝中求生要是没有有效的沟通，你很难去理解决策者到底想要什么？要是没有沟通你很难得到自己想要的数据形式？有数据和给你什么样式的数据差异很大的。
我见过很多人分析的框架和决策者想要的结合很完美，但找程序员要数据时，却没办法得到想要分析的数据。也见过很多人未能和IT准确有效的沟通，提出来一张自己用现有能力无法玩转的一张表。更见过很多元数据理解得很清楚，但输出分析框架时，受现有数据资源影响过大，打不开思维，导致输出与决策者完全不符的分析结果。
这是一个博弈的过程，一定要沟通，决策者的问题是没有边界的，但你、决策者、IT之间的沟通是可以让其有边境的。
动手能力差的
一方面是自学路上动手能力差，比如工具类的问题，经常问来问去，其实有时候自己动手搜索一下，你会发现世界真美好，这是搜索的强项，人脑记忆肯定干不过电脑。
另一个方面是自己缺乏练习，很多人学课程，看书，从来不自己操作，老想寻找一些面试题、某企业级数据集拿来分析一下，看看自己的水平，要对胃口的数据集其实很少的，即使有，也是美化版的，很多综合性的演练你还是学不到的，还不如随便爬一些数据，越乱越好（对练习工具操作有巨大好处），然后在现有数据的基础上看看可以分析出什么？希望告诉别人什么？需不需要再补充一些数据，让结论更有说服力，更细致一些。
要是仅仅是看，那你确实不适合做数据分析。
不复盘的
数据分析是一个很难成长的职业，有的人入行很多年还用的是入行时的那套分析逻辑，为何？
好的分析经验一定是复盘出来的，分析最终都是要看疗效的，那其实做业务分析的可以很直观看到自己输出对关键指标的影响。
