目前大数据分析的发展前景如何？

本人信管专业，因为接触较多数据分析工具，对数据分析产生了浓厚兴趣。之后发现结合技术型数据分析貌似比较好。看网络上对大数据褒贬不一，目前想从事大数据分析这块，想问下从事此行业或者知道真实现况的朋友们，大数据分析前景如何呢？

我在一家大型制造企业从事了7年的数据分析工作，获得信息系统项目管理师（高级职称），担任过4个集团级数据项目的项目经理。作为偏业务的高级数据分析师，我对大数据行业的发展前景，总结下来就是：前景是光明的，但门槛会越来越高。
1.大数据是风口

数据分析是业务思维和数据处理能力的完美融合，从数据中提炼规律、洞察问题、捕捉机遇，为决策者提供数据支持。从国家的重视程度和行业的需求程度看，大数据行业都是风口。
（1）国家政策支持

先分享个真实故事：我有一个朋友，坐标北京，平时爱好研究房地产。工作3年在郊区买了两套房，工作7年置换成北三环的两套房，工作10年再次换房，在中关村买了一套顶层复式，在家里的露台可以看见海淀最好的小学。这十年，是2006年到2016年，房地产飞速发展的十年。
这就是风口对普通人的影响。而风口，离不开国家政策的支持。2021年十四五规划中将数字经济独立作为一章，可见国家对这个产业的重视。
（2）行业需求巨大

大数据本质是一种技术，未来的趋势是从互联网、金融、电信等数据资源基础较好的领域逐步向数字政府、智慧城市、智能制造等领域拓展，为社会、为企业赋能创造实打实的价值。
以制造业为例，大数据赋能企业的方向几乎可以覆盖全价值链：

①研发端：产品规划、产品全生命周期跟踪。
②市场端：用户画像、精准营销、舆情监控。
③制造端：最具代表的就是智能工厂。围绕着降本增效的目标，实现设备开机率提升、设备运行质量监控、生产效率提升、能源监控。比如工厂通过分析每日用水量，发现一处不易察觉的水管漏水。
④供应链端：实现供应商主机厂一体化，优化供应链库存、优化运输路线。
⑤后市场端：保客营销、车联网应用。

大数据赋能过程中势必出现巨大的人才缺口，特别是电商、金融、电信、制造、运输、车联网等行业，想了解更多大数据行业、特别是数据分析岗位信息的小伙伴，不妨看看下面这个直播，带你解锁数据分析职场大全。
2.大数据分析的就业覆盖面广

大数据分析岗位既有其专业性，又有很多可以横向通用的地方，因此就业覆盖面广、入行门槛低，无论技术还是业务领域都可以深耕。
（1）两种赛道：业务岗、技术岗

业务领域：在业务部门，包括根据业务需求进行的数据获取、数据清洗、数据解读、数据汇报等，对外输出多以PPT、Excel的形式。常用工具：Excel、PPT、SQL、统计学、python/R/ SPSS、思维导图等。
技术领域：在IT部门，包括数据抓取、数据清洗、数据仓库、数据算法、BI建设等。对外输出多为代码、数据库或网页，常用工具：SQL、数据库、Python、Excel、机器学习算法等。
无论在哪个赛道，如果想持续深耕，最终都需要同时具备业务和技术知识，也就是说高阶数据分析是复合人才。常有的岗位包括数据产品经理、商业分析、数据咨询等。


（2）三个发展阶段

从“要我做”到“我要做”的能力提升和思维转变，数据分析岗位可以分为三个阶段。
初级：按部就班，机械地完成日常工作，领导让作什么就只做什么。
中级：未雨绸缪，解读数据，主动发现风险、提出优化思路。有病治病（发现问题提出解决措施）、无病防身（发现风险及时补上漏洞）。
高级：引领开拓，全局视角统筹规划，搭建完整架构，必要时从数据角度参与公司的顶层设计。
业务赛道的数据分析岗位，成长阶段、工作类型、以及各阶段需要的业务能力做了整理，如图所示：


3.未来对大数据分析师的要求更高

大数据赋能企业的过程中会遇到很多技术和业务上的问题，因此未来对大数据从业人员的门槛也会越来越高。
（1）大数据分析赋能行业时存在的问题

我做数据分析期间，逐步牵头实现了所负责业务模块的数据管理由手工转为线上信息化，但说实话企业数据管理工作才刚刚起步，任重道远。通过与同行沟通，我们一致认为存在的问题有：
①企业对数据的运用浮于表面：很多项目雷声大雨点小，到了数据运用环节往往不了了之，仍然以人工统计、修订、决策为主。
②技术人才短缺：基础软硬件、开源框架等关键领域的技术储备仍然有差距，技术部门大多偏管理，实际IT技术多为外包，外包公司水平层次不齐。
③复合型人才短缺：同时懂技术又懂管理的人很少，很容易各说各话，无法按期完成任务后互相甩锅。


（2）成为数据分析师需要具备哪些能力

①熟练掌握数据分析工具
数据分析的常用软件包括Excel、PPT、SQL、统计学、Python/R/ SPSS、思维导图等，如果精力允许的话，还可以了解下AI，未来同质化的数据处理工作会逐步被AI取代。
我常用的是Excel。Excel的功能很强大，比如求和，除了基础求和，实际还会使用分类求和、筛选求和、加权求和、带公式求和等。此外，要想胜任数据清洗、初步数据解读工作，还需要掌握筛选、分列、转换格式、去重、透视、数据有效性、生成图表等。
Excel入门容易，精通很难。很多人都说自己会excel，但150万的数据量，有人花1天处理完，有人花1周也没处理完，会与会也是不同的，方法不同，效率差异很大。感兴趣的小伙伴可以免费领取资料包，技能+实战，带你玩转Excel。
<a data-draft-node="block" data-draft-type="edu-card" data-edu-card-id="1667998129038258176">②了解数据分析的思路
以统计报表为例，传统输出报表的步骤：设计表格——找相关方填数——汇总评审后交付。报表表头固化，如变化需重新开发。
数据分析师输出报表的步骤：根据报表需求后，先分析报表涉及的数据字段——明确数据来源——拿到原始的底层数据明细——数据清洗，这个过程也是对底层数据进行评审的过程，从中可以发现很多业务流程bug——整理出报表所需的数据明细表——透视自动生成动态报表。业务需求发生变化时，只要拿到的底层数据不变，可以快读进行动态调整。
③掌握业务知识
数据分析的本质通过高效的技术手段解决业务问题，举一个我的亲身经历：
公司开发智能驾驶舱，到了数据验证阶段，牵头部门发现一组数据和线下报表始终差异巨大，很多同事筛查无果后找到我。
我拿到报表后，问了三个问题：问题1：统计方式是求和还是计数；问题2：统计范围包括哪些业务；问题3：统计范围包括哪些产品。
三个问题解决之后，线上线下数据准确率由50%提升到了98%。试想一下，如果我不懂这块业务，会再多的分析工具也没办法解决问题。
④建立面向客户的思维模式
我见过很多甩锅式的数据分析师，对业务一窍不通，也没有意识去了解业务，停留在自己的一亩三分地。遇到问题之后，永远想的是先找别人的原因，是输入方没把需求说清楚、是别的组没配合他们、是整个流程不规范，各式各样的理由都有。
这种行为本质是让客户迁就他，而不是他去为客户解决问题。好的数据分析师会在与客户的交流中，搞清楚该客户的需求，遇到问题先进行自测，再和客户确认，并根据问题提出自己的解决方案。
⑤具备项目经理和产品经理的能力
随着数据分析的工作深入，往往涉及面广、流程复杂，经常以项目的形式开展。从业人员要具备项目经理的能力，能够从项目可行性分析、项目组织、项目计划、项目进展跟踪、风险管控、项目验收各个阶段深度参与；也需要具备产品经理的能力，能够准确将用户需求转化为产品需求，推动产品开发落地。


（3）提升大数据分析能力的途径

第一阶段：搜集碎片化知识。
刚刚接触大数据，什么都觉得新鲜，很容易“乱花渐欲迷人眼”，这个阶段讲究的就是“多”。信息收集得越多越好。
可以通过各种途径搜集信息，包括不限于文章、视频、直播间等等，反正大数据时代，你只要搜一个知识点，很快会给你推送更多相关知识。如果条件允许，也可以和专业人士交流。
第二阶段：建立体系化的知识架构。搜集了一堆碎片化信息后，搭建知识架构是最耗费时间精力的。需要自行整理知识点，搭建基础框架，有针对性地再去搜集相应知识。
这个阶段如果逻辑思维强、学习能力强、精力允许，可以自学；也可以报班。不过有一点需要注意，报班不是万能的，老师的知识+自己的思考，才能定制最适合自己的知识架构。
第三阶段：专项提升能力
无论是IT技术、数据分析思维、还是项目管理思维，都是熟能生巧，一定要多动手多练习。
特别是技术类的能力提升，比如Excel、SQL、Python，在没有实操机会的情况下自学难度太大，建议该报班报班，该买书买书。帮助快速搭建体系知识。
无论你是刚入职场、还是想转型、亦或是陷入瓶颈，要想在这个领域职业生涯更长些，都建议多了解、多思考，建立系统的知识架构后再专项突破。感到迷茫的小伙伴，可以听听下面的直播课，数据分析大咖为你答疑解惑。
总结：

1.从国家的重视程度和行业的需求程度看，大数据将仍然是未来很长一段时间的热门板块。
2.大数据就业覆盖面广，无论技术还是业务领域都可以深耕。
3.未来对大数据从业人员的门槛也会越来越高。个人要提升转变思维、充实能力，选择自己合适的赛道深耕，并逐渐成为行业需要的复合型人才。
我会持续分享数据分析知识、职场tips，麻烦看到这里的小伙伴点赞关注，职场路上我们一起进步！

数据分析不是某一个固定的职位，而是大数据、人工智能时代的通用能力。
试问，现在哪个行业能离开数据？有了数据，谁能离得开分析？看下面的数据更直观：




数据分析其实分业务方向，和技术方向：


对于零基础的人来说，这个图是是什么意思呢？
其实，任何行业随着你深入发展，都分为 3 个阶段：初级，中级，高级。这根打游戏闯关一样，一级一级网上爬。所以，如果是零基础进入这个行业也对应规划为这 3 个阶段，你按下面各个阶段要求来对号入座。


如果你不确定自己适不适合做数据分析，或者自己喜不喜欢数据分析，可以报名下面的这个短期数据分析训练营，花 3 天的时间体验数据分析工作可能会碰见的实际场景、工作内容；顺带学习职场上常用的数据分析工具的操作、分析技巧方法、和数据思维，不论以后做什么工作相信都用得上。这是中科院大咖在知乎知学堂上上线的体验课程，对数据小白也非常友好，直播+社群相结合，不用担心听不懂。

1、初级数据分析师
工作内容：
要求熟练使用 Excel，PPT。针对产品经理提出的需求来做分析。然后用 PPT 做分析报告。
比如说，之前社群会员面试的一家互联网教育机构，他们的要求就是用 Excel 整理学生买课的信息，看看哪一门课程最受大家喜欢之类的。
需要掌握的核心技能：
Excel，PPT，描述统计分析，业务知识
月薪：
这种职位的大概薪资在一线城市的话大概税前有 5000-10000
常见的职位名称有：
数据分析师，数据运营，商业分析，战略分析，经营分析，市场行业分析。
给你看个招聘要求直观感受下：


2、中级数据分析师：
工作内容：
不仅要会技术还要懂业务，通过发现问题，分析问题，得出结论，为公司的决策做支持。主要干的工作是数据提取、撰写分析报告。负责和支撑各部门相关的报表，监控数据的波动和异常，找出问题，输出专题分析报告。
需要的核心技能：
Excel，PPT，统计概率，业务知识
熟悉 SQL
月薪：
这种职位的大概薪资在一线城市的话大概税前大概是 7000-20000+
这个级别的招聘要求如下：


3、高级数据分析师
工作内容：
通过编程来处理数据，分析数据，建立模型，预测。
需要的核心技能：
统计学（推论统计分析，A/B 测试），熟悉 SQL，编程语言 Python 或者是 R 月薪：
这种职位的大概薪资在一线城市的话大概税前有 15000-30000+
来个招聘职位感受下：


对于高级数据分析师的职业发展，如果喜欢业务方向，可以往管理端发展，常见的职位名称有：数据产品经理、数据运营经理。
如果喜专研技术，可以往技术专家端发展，常见的职位名称有：数据挖掘工程师、数据开发工程师、大数据工程师。
4、未来的跳槽出路是什么？
如果是往业务端发展，最终可以成为业务资深专家，总经理，或者 CEO。我的一位师兄，经过几年的发展，从刚毕业一名数据分析师，到现在已经是一家公司的总经理，他的优势就是既懂数据，又懂业务。他刚毕业也是在北京租房子，现在早已实现了财务自由。
来个招聘职位感受下，都需要多年行业的积累，才能成为这个行业的专家。






如果是往技术端发展，你如果工程技术能力突出，那么可以担任公司数据科学部门的老大，常见的职位名称是数据科学家。你如果理论能力非常强，可以写 paper，那么可以担任研究院的一把手。我的导师因为科研能力强，现在是一个科研单位数据部门的负责人。
三、如何选择适合自己的职位呢？

1、学习适合自己当前能力的知识
弄清楚自己的基础是怎么样的，学习转行从事哪个岗位的难度更小些，以及自己更适合哪个岗位。很多人一上来没有任何基础，就开始啃机器学习这是不对的。因为你没有统计概率，数学基础，里面很多专业术语根本无法理解。
数据科学是一门交叉学科，除了计算机相关知识，还需要有统计学、数学基础，以及一定业务知识。所以可以作为终身职业发展目标，每天学习一点，慢慢积累进步。


搞清楚各个职位的区别，以及了解自己的基础，知己知彼，就对学习和转行有方向和信心了。最关键的是要在自己的「最佳领域」工作。所谓的「最佳领域」，就是你热爱的、你擅长的、以及社会需要的这 3 个重叠的领域。


2、新人如何成长呢？
面对不同的职位，我们需要结合自身经历、个人能力选择一个上车，才能分享到人工智能时代的红利。数据分析师是比较适合上车的方向，因为它起步门槛相对较低，市场需求量大，未来职位发展空间好。零基础建议从初级数据分析开始学起。
如果你的基础也比较弱，可以试试这个训练营。这个是猴子老师和知乎一起合作推出的，专为零基础人群设计的课程，涵盖了 Excel 分析、描述统计分析、业务指标、商业分析方法等多个模块的内容。主要目标是希望在 3 天时间里，能够教你学会如何用数据分析解决一个实际问题，从而掌握基本的数据分析技能。
3、成为一个关键时刻不放弃的人
我观察过身边的人，不管是同学、同事、还是创业合作伙伴，发现大多数人越到关键的时候，越容易放弃。
然而，那些最终坚持下来的，最后都成功了。所有的成长都源于那关键时刻的一点坚持。大多数人都是刚开始一腔热血，找来一堆资料，但是遇到困难却不想解决，在进步的前一刻放弃了，所以他们从来没有感受过成功的快感。
上面是对于完全零基础想进入这个行业的人，数据分析和数据挖掘的职业发展轨迹。愿你在这个行业，成为一个关键时刻不放弃的人。
本文作者：猴子

使用 App 查看完整内容目前，该付费内容的完整版仅支持在 App 中查看
<a href="http://oia.zhihu.com/answer/2821247870/" class="internal" style="color: #0084FF;text-decoration:none;border-bottom:none;">🔗App 内查看

未来所谓大数据行业的人才缺口，指的更多是建设性人才而非创造性人才。
创造性人才的需求一直是少且薪资高的，而建设性人才多且门槛低的。

​
答主知道答主说的话打了很多培训机构千篇一律的说辞，但这是实话
数据分析的岗位前景不是不好，而是因为他是目前岗位中性价比奇高的一个岗位，大量人员涌入，竞争激烈且鱼龙混杂，很多人不明就里想进来，却没有深入了解这个岗位。
比如说，说起数据分析师你就知道是 sql 和 python，但你很少听过他们告诉你：指标体系，目标管理，ROI，用户画像，供需模型，abtest，但这都是数据分析师的工作，而且是拉开差距的工作。
如果你认清了该岗位的本质，很欢迎你找答主聊如何转行，如何学习的事情。
简单来说就是两点：
1.并非所有数据分析师都有能力承担公司重要项目和决策，他们很多工作只是数据基础建设和提供
2.所谓的低门槛高薪资只是数据分析行业内的两拨人，而不是一波人。很多人通过培训进来了，却发现高薪资和他们无缘。
以下内容节选自个人文章，帮你理清到底什么是数据分析师，已经你面临的是什么竞争环境
不要被名字迷惑了
二、中国特色下的数据分析师

数据分析在我国属于新兴行业，正在由稚嫩走向成熟，未来一定会更加规范。
当前市场上的大部分数据分析师岗位，有着：用最牛逼的要求，干最普通的活的特点。招聘方通常使用相似的岗位职责，例如：
招聘方通常使用相似的岗位职责，例如：

熟练运用 sql 和 python；
熟悉 Hadoop，Spark 等分布式架构；
有独立项目经历，有数据挖掘的经验；
数学、统计学、计算机等专业优先。

但他们给求职者最大的烟雾弹是：究竟数据分析师是否能承担或者有足够机会承担企业或项目中的重要决策角色？
一方面，该现象是由于用人单位很难明确数据分析的岗位职责。这在中国还算是一个新行业，因为到目前为止没有办法，或者官方定义数据分析师的职责。这导致企业用人部门「借用」市场上的数据分析师要求，来要求其他人做其它事情。
另一方面，求职者和招聘者纷纷模糊上述烟雾弹存在的情况，以期找到个人发展或企业自身要求的捷径，来提升自己或招聘的竞争力。这也是行业未固化时难以管理的原因之一。
在上述情况下，数据分析师们顶着这样一个看似「高大上」的头衔，却干着天差地别的活。
还未搭建数据部门的公司需要数据分析师做【数据仓库】的工作，承担埋点、数据清洗，库表搭建的职责；
刚刚搭建数据仓库的公司需要数据分析师来使数据产生价值，输出【可视化】的方案，满足【业务方】的需求；
已经有成熟数据管理的公司需要数据分析师来提供【长期稳定且主动的分析输出】，并为进一步的数据挖掘和数据科学提供业务上的指导和特征工程方案。
这种在行业发展过程中导致的招聘方与应聘方的供需混乱是产生这种现象的根源
不过，若用发展的眼光看待，在未来的十几年，行业一定会找到供需平衡的点，这对于企业的降本增效，人才运用等有积极的作用。
所以如果想要深入了解数据分析的小伙伴，建议去看知乎知学堂官方的数据分析实战教程，相对比较靠谱、客观，贴合现阶段的用人需求。里面的课程内容，比大部分市面上的培训课程针对性要强，也更适合转岗、零基础的小白来学习实践、打基础。更重要的是它不止教你技术，更教你数分的思维和方法论，这点在当前教培市场是难能可贵的。

三、混乱的供需市场

企业需求导致的阶段性高薪，高校系统性教育的缺乏和教培市场的介入是混乱中的三方，但他们的未来都指向一个命题——即数据分析师的价值在哪里？

1、企业需求导致的阶段性高薪
企业为什么需要数据分析师，或者把命题在放宽一点，企业需要在数据和信息流通上搭建什么？
以对 C 端业务的互联网企业为例，我们在 APP 上的所有操作，都被记录在数据库中。庞大的流量和数据使得企业需要科学的数据仓库来分管和存放，可以理解为：书多了，我需要建一个图书馆。
而数据从业者，就是图书馆的管理人员。
企业在数据使用上需要几个职能：
（1）完成基础的数据搭建，包括制定埋点规范（埋点相当于在书旁边放一个传感器，你借一次，我们就知道你借了哪本书），数据仓库搭建和数据清洗；
（2）将清洗后的数据进行加工和可视化展示，类似于用切好的原材料去炒一盘菜。
（3）满足各业务部门的数据需求
（4）构建系统的指标体系，并用指标体系进一步优化数据报表和 KPI 管理
（5）搭建用户画像、生命周期等数据模型，在某些领域（供需模型、推荐模型等针对性的提出解决方案。）
（6）对已经跑通的业务进行数据挖掘和算法优化。
在上述情况下，所谓企业的阶段性高薪就来自于：1、对 4、5、6 职能中高端人才的期望；2、对 1、2、3 职能中人员补充的急迫；3、对以上职能需要的人才要求不明确或市场无法准确反馈。
更重要的是，以上 6 个主要职能，都可以叫数据分析师。
所以数据分析师的招聘要求大而全，且薪资诱惑力很大，一线城市的互联网大厂能给到应届生 20~30w 的年薪，与产品经理相似，仅次于软件工程和算法工程师。
在薪资的基础上，职能的不明确导致圈子内对数据分析师的观点不一，这就解释了所谓的：数分门槛低，薪资高的说法，但薪资高针对的是复杂的职能，门槛低针对的是企业现有阶段的需求，两件事叫同一个名字，却不一定是同一个人。
这样为教培市场的混乱埋下伏笔

2、教培市场的介入
在当前的百度百科中，数据分析师下更多的是 CDA 的宣传内容，但其只是民间组织，他对分析师等级的划分以及培养方案，都不能称之为行业规范。
类似的教培行业，非常多。
大部分教培标榜的数据分析门槛低，薪资高，两句话都是对的，但合一起是错的。
但整件事要辩证的去看待，正是因为企业需求不明确，且数据价值确实高，而国内高校没有成体系的培训方案，才会导致这个结果。
这是市场经济下的产物。
数据分析师的培训课程从几百到几万不等，声称学到以后月薪直接上万，一个月工资就可以回本，这属于老套的营销套路。最后将辛存者偏差进一步放大，便可以得到一个看似完美的商业模式。
但另一方面，培训的课程不是丝毫没有用处，只是通常报名者并不知晓应当学习的内容，也不知道数据分析师的职能和发展方向，只是受企业和教培的双向灌输，乱了手脚，信息闭塞，这也是我写这篇文章的原因之一。
关于 CDA 课程里所培训的，数据库知识，分析思路，数据挖掘等课程，已经达到了通识的目的，他能满足大部分企业的需求，作为转行者和初学者来说，恐怕除了私人培养以外没有更好的入行方式。
所以如果还想要深入了解数据分析的小伙伴建议大家看一下知乎知学堂官方的数据分析实战教程，里面的课程内容，比大部分市面上的培训课程针对性要强，也更适合转岗、零基础的小白来学习实践。
课程有完整的学习链路和实战作业，解决无项目经验的求职难题，并且有一对一的督学服务和职业交流群。
点击下面的链接只需一分钱获得一份~

3.高校系统性教育的缺乏

行业内对数据分析的价值和能力尚在摸索中，而高校的培养无法与时俱进。

18 年复旦开设了大数据专业，各高校甚至是职高也陆陆续续开展大数据专业，而专门的数据分析和挖掘，大多作为选修课程。
并且通过课程，也不能说明满足了企业的需要。
以财会专业为例，已经有成熟的行业标准，标准作为课程，教师按教材指导，不会出太多意外。
但在企业对数据分析师的要求，通常不在于要他解决什么固定的，具体的，有标准解法的问题，更多在于满足组织架构和个人管理的需要。
这就导致，即使从国外引入标准和教材，引入大企业的高级专家作为讲师，培养出来的学生也很难满足企业的个性化需求，他变成了能力培养而非专业培养。
这也是国内和国外，对于相似命名的数分和数挖，工作内容天差地别的缘故。主要原因是我们既说不清分析者和基建者的区别，也分不清研究者和分析者的关系。
这也是文化和市场环境相互作用的结果。
所以结果是，企业在招人时不会过多的限制某一种专业，而要求应聘者有适配的能力和经验，这种能力和经验有很大一部分是高校无法给予的，这样回应了上述教培市场的介入和企业阶段性高薪的推动。
造成了当前的混乱。
四、发展的方向

纵观数据分析师这个岗位的诞生和发展，私以为历经了三个阶段，而终将有五个阶段。
第一个阶段：部分行业领先者发现了大数据处理和流通的困难，通过建立科学的埋点，数据仓库，或者使用国外软件等方式，搭建好一个适合分析的架子。
第二个阶段：头部企业建立起较完善的分析理论，腰部企业高速发展。对数据挖掘和分析的要求提高。
第三个阶段：很多企业数据分析师很明确分析与数据处理的职责，开始分层培养。有成熟的数仓和埋点体系，部分分析师仅承担分析职责。
第四个阶段：形成成熟，标准化的分析思路和分析师的培养体系，完全融入国内外经验，将数据分析师与商业分析师，经营分析师和战略分析师作为企业核心架构的参与者。
第五个阶段：细分数据行业各职能，创造新的岗位和晋升机制，行业固化，人才引入依赖高校系统培养。
这几个阶段通常是其它行业曾经走过的路，数据行业也不会例外，即使很多人以为分析更多的靠主观能力和天赋，但企业在人才筛选时，更多的会考虑学历和经验，参考咨询行业的战略分析师一类。
当前中国各企业的阶段差距较大，诸如阿里，腾讯等企业，已经是第三阶段朝第四阶段迈进。但大部分企业，还被困扰在第一和第二阶段中。
而这对于从业者的警示是：你需要找准你的发展方向，数据分析是能力，而数据分析师并不是一个确定的发展方向，本文一直强调这个观点。
明白数据分析的发力点之后，如果想继续深入了解数据分析的小伙伴，建议去看知乎知学堂官方的数据分析实战教程，相对比较靠谱、客观，贴合现阶段的用人需求。更重要的是它不止结合常见业务运用场景教你技术，更教你数分的思维和方法论，这点在当前教培市场是难能可贵的。
至于课程内容，比大部分市面上的培训课程针对性要强，也更适合转岗、零基础的小白来学习实践、打基础。
原文作者：不知渭河

使用 App 查看完整内容目前，该付费内容的完整版仅支持在 App 中查看
<a href="http://oia.zhihu.com/answer/2821233184/" class="internal" style="color: #0084FF;text-decoration:none;border-bottom:none;">🔗App 内查看

数据分析的就业前景还是很好的，在大数据领域，国内发展的比较晚，从2016年开始，仅有200多所大学开设大数据相关的专业，也就是2020年第一批毕业生才刚刚步入社会，而且目前的能力还达不到企业的要求。所以我国大数据领域的市场环境处于急需人才但人才不足的阶段。根据国内的发展形势，大数据和人工智未来前景会非常好。从2018年开始企业都在进行数字化转型，一二线城市对大数据领域的人才需求非常强烈，未来几年三四线城市需求也会大增。
就业方向：
根据工作内容来看可以分为两个方向：
一是数据开发方向，偏技术型，包括开发工程师、挖掘工程师、算法工程师、数仓工程师等等，这些岗位对编程能力要求很高，对学历、专业、毕业院校的要求也都相对较高，如果你是计算机相关专业背景，对编程感兴趣，开发方向的工程师不失为一个好选择。
二是数据分析方向，偏业务型，主要是通过挖掘数据的价值来驱动企业发展，这也是现在企业数字化转型最需要的人才。偏业务型的数据分析师对编程能力要求较低， 学习压力和风险会小一些。如果你既没有编程基础，又看好这个行业的钱景，那就可以选择业务分析方向。这个方向虽然比开发方向薪资稍微低一点，但也是高于其他普通行业的，而且对编程能力要求低，以往的工作经验都能在分析过程中起到辅助作用，只要学会将数据与业务结合在一起去指导业务发展，就能成为一名优秀的数据分析师。
数据分析师的需求量有多大？
现在去看各大招聘平台，除了有很广的数据分析师的招聘需求外，很多人力、运营、产品、市场、财务等岗位都在招数据型人才，这就释放了一个信号，数据分析已经成为一种能力。在未来的行业里，不光人工智能、互联网需要数据分析，各行各业都需要数据分析。数据分析的核心就是分析思维，有这样一个分析思维，各行各业就都能融会贯通了。
但是话说回来，就业还是要根据自己的实际情况去综合考虑，大家都知道现在这个岗位很火爆，薪资高、钱景好，但是这个岗位并不是谁都适合，所以在选择前，一定要了解清楚这个岗位的特性，结合着自己的条件去入行。
九道门聊数据：2022年想转行做数据分析师有没有发展前景？

最近总有人问我，数据分析师未来的发展前景怎么样？也许很多人都会有这个疑问吧。今天我来为大家解答一下未来数据分析师的发展前景以及在企业中扮演什么样的角色。
在互联网的快速发展下，目前各大公司对数据分析相关岗位的要求持续上升。据统计全国500强企业中，90%以上都建立了数据分析部门。
对于数据分析师来说，所有公司都有数据。他们需要找到一种方法，利用它来分析解决方案，让数据分析提高价值。
“数据分析师”资料免费领

1.分析竞争对手
企业想要迅速发展，是一定要了解自己竞争对手的。比如说我们是一家电商公司，那么我们一定要了解竞争对手这个月的主营产品、销售额、折扣优惠等等。这样才有利于我们做好调整，更好的去安排。
2.推广渠道效果监测
当你为企业做广告投放的时候，你是不是需要提前对这些推广渠道的数据进行监测。比如说账号的活跃度、曝光量，只有把这些东西计算好了，你才能预估出这个广告可以为我们带来多首收益。
这个反馈完全可以给以后继续做营销做决定，按效果去调整哪些渠道继续投放广告，哪些渠道砍预算，哪些渠道不投放了。
是一个非常复杂和耗时的过程。这涉及到很多高技术知识。这些公司提供的是一套处理数据摄取、清理、建模和显示的工具。有些人什么都做，有些人只做一部分，这取决于他们想要探索的细分市场。
3.产品的用户群体
当我们一款新的产品上线时，首先要知道店铺里的哪些用户可以首批付费使用，这个和我们的日常监测以及标签有关。平台就可以发信息推送给这类用户，就可以分析出我们的产品用户是否满意，数据分析准不准确了，那里是需要调整的。


企业想有更好的发展就要不断的更新技术，大数据技术将提供最好的数据分析解决方案，而大数据人工智能也逐渐成为了各大企业重点研究方向之一，毕竟人工智能是未来科技发展的必然趋势。
那我们数据分析师需要掌握哪些基础知识呢？
1.Excel：会进行简单的数据处理，一般进入互联网公司会做一些报表，数据处理的工作。这类工作需要和其它技能相结合才有发挥空间，前景可以做行业数据分析。
2.编程和SQL：互联网公司基本都需要，因为互联网的追踪反馈系统很重要，数据分析师在这里扮演的角色就是一个技术—管理层之间的角色，略懂技术，但是也可以大概通过数据得出一点儿结论，给决策层做决策做出有价值的建议。
3.机器学习：这方面的人都是可遇不可求的，但是有一点儿需要搞清楚，人工智能和数据分析师是两个概念，只是使用的工具有交叉，数据分析师一般不会用特别复杂的算法，反而讲究的是快速使用模型并反馈。
数据分析师对于企业来说是非常重要的，无论你是想做行业数据分析，或者是机器学习，前景都是非常好的，不用担心就业问题。