随着计算机存储技术的发展，各行各业（包括金融证券保险、游戏、咨询、医疗、能源、通信、零售、体育等）都可以从其大数据的采集、传输、存储、分析等各个环节产生巨大的经济价值，如此巨大的数据需要专业的人士去发现以及挖掘出有用的信息，给企业各个层面提供技术支持和决策引导，数据分析师应运而生。目前市场上合格的 大数据分析人才稀缺，所以 大数据分析师的薪资非常高，进入行业越早的 大数据分析师，随着实践经验的增加，身价越来越高。

职业发展与薪资

数据分析师的发展方向概括下来有两个：一个方向是业务分析师（偏业务分析），另一个方向则是数据挖掘工程师（偏数据挖掘建模）。

业务分析师

业务分析师一般从业务的角度出发，为公司的其他部门（比如：运营、产品等）提供业务方面的数据服务，具体内容如下：

报表开发：其他业务部门（如运营部、产品部等）会提一些需求过来，需要数据分析师帮他们做一下常规的日报、周报、月报等；

数据监控：数据部门经常会根据业务需求，对关键性的指标进行监控（如活跃度指标、转化率指标、留存率等指标），监控不是问题，问题是数据出现波动后的查因及解决方案；

数据化运营：说白了就是让数据指导运营决策、驱动业务增长。需要将数据分析师与一线运营者的各自优势进行搭配，实现数据功效的最大化；

输出分析报告：需要数据分析师根据目标项目，整理出一系列相关的分析报告，包括可视化的数据展现、问题的原因、可执行的行动方案、预期的效果等等。

对于数据分析师而言，以上的工作绝大多数通过Excel和SQL查询语句就能搞定了。最关键的是数据分析思维和业务的理解，每个人所展现出来的能力都会有所区别和高低，关于这方面的培养可以多跟公司的运营部门同事交流、查看运营相关的书籍或者与有经验的数据分析师进行探讨等。

数据挖掘工程师

对于数据挖掘工程师而言，更多的则是根据不同的技术性项目（如何实现动态定价、如何预判某个事件的好坏、如何识别出不同价值的客户等）来完成挖掘相关工作，甚至有时并不需要对数据业务非常的熟悉。对于数据挖掘来说，具体有以下这些流程步骤：

明确问题：在进行一项数据挖掘项目之前，首先需要明确待解决的问题是什么？这个问题是否可以通过挖掘技术（预测、分类、聚类、关联、推荐等）解决；

数据抽取：一旦明确了问题需求，就需要查找跟问题相关的数据，即从数据库中抽取出解决问题的支撑数据、甚至是结合第三方数据（数据共享、爬虫、合作等）；

数据清洗：由于现实中的数据存在异常、缺失、量纲不一致、口径不一致等问题，需要提高数据质量，否则算法再优秀，结果也是有问题的；

特征工程：在干净的数据基础上还需进一步完成特征的提取，目的是降低模型复杂度的同时下找到影响问题的核心变量（因素）；

建模：根据问题类型（预测型、分类型等）选择合适的模型（同类问题不同模型的试算对比）进行拟合；

模型验证：模型建好后，接下来就是要验证模型在样本外的表现如何了，一定要避免模型出现过拟合或欠拟合的状态；

迭代及部署：整个步骤都是一个迭代的过程，因为数据在变动，模型也会跟着变动，通过不断迭代找到最理想的模型然后实现线上的部署工作；

在这些过程当中，绝大多数时间都会花费在数据抽取、清洗和特征提取上，而后面的建模、验证和部署则是水到渠成的事了。再一次强调，如果选择数据挖掘这个方向的话，必须具备强悍的数学功底和编程技术。

技能要求

入行数据分析师还是需要一些基本技能的，例如Excel技能、数据库操作（MySQL/SQL Server/Oracle/Hive等）、Tableau可视化、R或Python的编程能力等。下图是一家互联网企业发布的数据分析师的任职要求，可以看得出数据分析师岗位对于分析软件有着有多样性要求，单纯熟练某一种软件在工作选择时可能会受到限制。

这些都是企业在招聘数据分析师时提到最多的“任职资格”，其实这也都是技能门槛。如果这些你还没有接触过，可以在准备入行前花1~6个月去充充电，可以选择闭关修炼、或观看学习视频、或挑选口碑比较好的全日制班、周末培训班。