如何迅速成為一名資料分析師？

資料分析最重要的可能並不是你熟悉的編程工具、分析軟體，或者統計學知識，而是清楚你所使用的統計知識(統計學、計量、時間序列、非參數等等)背後的原理、假設及其局限性，知道各種資料分析工具(例如資料採礦)能帶來什麼，不能帶來什麼，看到一組統計檢驗的結果你能言說什麼，不能言說什麼。

這一切的背後，需要一套完整的「科學」邏輯架構，讓你瞭解自己手中的工具的本質，你才能從資料中「正確地」發現有效資訊，而不是胡亂地使用一大堆自己都搞不清楚的工具來堆砌分析結果，這樣得到分析結果不僅無用，而且有害。

知道了這些後，希望成長為「資料分析師」，就需要著手訓練自己的能力和洞察力。既然是「資料分析師」，那就分別從「資料」和「分析」兩方面入手。

「資料」當然包含了資料收集、處理、可視化等內容，每個環節對於最後的結果都有關鍵性的影響。其中涉及的技術性內容只是一部分而已，更重要的是你要理解資料收集(是否存在採樣偏差?如何糾正或者改進?)、處理(是否有漏洞或異常情況沒有考慮?)背後的邏輯。

例如：如果分析股票資料用於設計交易策略，那麼你不僅需要明白資料處理本身的問題，還要清楚金融市場的基本知識。例如，使用股票價格時，到底要用收盤價，還是複權價;複權價的話要用前複權價還是後複權價。這些選擇與資料分析沒有太大的關係，純粹決定於你分析的目的是什麼。因此你要充分瞭解這些概念背後的邏輯、動機是什麼，才能正確地根據自己的目的作出選擇。

資料視覺效果更多的是一門藝術：如何把資訊以最恰當的方式呈現給希望獲得這些資訊的人。首先，你要充分理解這些資訊究竟是什麼，有什麼特點，你才能較為恰當的選擇採用的視覺化檢視。

另外一部分就是「分析」。當然就是各種分析模型，還是需要瞭解這些模型背後的邏輯，要放到整個項目的上下文中去看，而不是單純地在模型中看。

總而言之，「理解」資料以及其中的資訊是非常重要的，這決定了你的分析和呈現的方法是否合適，決定了最後的結論是否可靠。

現在可以回答題主的問題了：成長為一個資料分析師，要注意「理解」你的知識，形成一個系統，而不是像機器人一樣機械地胡亂套用模型。在這個理念下訓練你的編程能力，瞭解你所分析對象的原理和儘可能多的細節。在這個基礎上，才能談資料分析。

想從事大資料工作，如何自學打基礎本文將介紹幾本書籍，供各位想從事大資料、海量資料處理相關的工作的同學學習。

海量資料分成兩塊，一是系統建設技術，二，海量資料應用。

先說系統建設，現在主流的技術是HADOOP，主要基於mapreduce的分布式架構。目前可以先學習這個。但是我的觀點，在分布式系統出來之前，主要是集中式架構，如DB2，oracle。為什麼現在用分布式架構，那是因為現在集中式架構受限於IO效能，出來速度慢，如果又一種硬體技術，可以很快地處理海量資料，效能上能滿足需求，那麼集中式架構優於分布式架構，因為集中式架構穩定，營運壓力小。現在的集中式架構要麼效能達不到要求，要麼就是過於昂貴。我期待一種技術出現，可以非常快地傳輸和處理資料，那麼集中式架構將再次進入人們眼球。再說海量資料應用。海量資料應用主要是資料採礦和機器演算法。具體有不同的應用情境，如個人化搜尋和推薦，社交網路發現，精準營銷，精準廣告，即時最優路徑，人工智慧等等。看你想做系統支撐技術還是與業務結合的應用技術。

如果現在學系統建設技術，可以讀下如下書籍：

如果學資料採礦和機器演算法，推薦先看資料採礦導論，統計分析原理，Mahout，R,MATLAB