数据分析工程师的工作时间

数据分析基本上有两个方向，第一，技术方向，第二，业务方向。

对于大厂而言，职能的划分会非常详细，干技术方向不需要了解太多的业务，相反也是一样的。但是对于小公司，数据分析师需要的技能更加多样，数据分析技能，沟通技能，对业务的了解，presentation等等不一而足。

一. 数据分析岗位介绍

技术方向

走技术方向需要获得的技能大约分为三个方面，数据获取，数据处理，以及数据可视化。三个方面分别对应三个工具，即sql语言，python和excel，以及tableau。

对机器学习和大数据的的了解和实践会是很好的加分项。比如我现在在干的活要用到大数据的hadoop和impala，但查询取数依然是基于sql语言的。

走技术方向对业务的熟悉程度不需要太深，就像之前说的，大型企业会将技术方向和业务方向分得很细，业务方向的分析师是技术方向的分析师和业务部门的桥梁，而不是业务部门直接与技术沟通，这也是我所在的公司的真实情况。个人觉得虽然增加了一些沟通成本，但是员工确实可以更加专心于自己的工作。

业务方向

走业务方向的话，对技术的运用不需要特别熟练，我与业务方向的数据分析师聊过，在工作的空闲再深入学习sql语言或者可视化之类的技术都是可以的，但在投递简历之前，至少需要有一定的基础技能和基本了解，知道柱形图和折线图有什么样的特点这种基本概念。

业务方向的数据分析师需要与业务部门进行更深入的沟通，因此要求对业务有一定的了解，这样才能更好地结合数据和业务，提出有用的结论和建议，因此，最好是能够在你的本领域内转行。

除此之外，还需要了解数据分析师，数据工程师，和数据科学家的区别。

你可不想本来想转数据分析师，却学了数据工程师的技能。

简单来说，数据分析师主要工作是做取数，清洗和可视化，业务方向则更多专注于数据与业务的结合，可能还需要跟进运营，分析运营结果。

数据工程师，则专注于从每天的公司或用户行为中获取数据，主要做数据获取，数据库的搭建，维护和优化。

数据科学家，则专注于机器学习的算法，因此需要数学好。

二、硬技能学习

sql语言

sql语言主要用于从数据库中获取数据，公司一般不会让你用爬虫从网络爬取所需要的数据，因此爬虫并不是一个必要技能。

sql语言一定要做到熟练使用，而这个语言的重中之重就是数据查询语言（DQL），从最基础的select，到大数据常用的分区概念对应的partition。

在面试中，面试官通常会给你几张表，让你现场写下取数逻辑，因此写的又快又对，写完了反手就把逻辑给面试官看，战术后仰，岂不帅哉。

其他的sql语言包括数据定义语言（DDL），数据操作语言（DML）和数据控制语言（DCL）和数据分析师的关系不大，做到了解和简单使用就好。

sql语言一定要多练，这样才能做到面试时不慌，子查询和各种表连接一般在面试的时候都会面到。

excel

excel的学习不难，主要学习各类函数，从最基础的聚合函数sum到表查询函数vlookup都要学习。以及各类图怎么做，怎么用数据透视表等等。

这里说excel学习不难，并不是指excel比python低级，excel要做的好其实非常困难，但不管怎么说，目前公司都在要求比较新的python技术，excel做的再好，不符合职位要求也白搭。

从工作的角度来谈，通过excel对少量的数据做简单处理确实更加方便一些，也经常用excel先做简单的格式转换，排序和可视化。但复杂处理或者大量数据就不是excel力所能及的了。

python

python是数据分析的大头，当然选择学习r也可以，可是一定不要同时学，用熟一个比用会无数个要重要的多。

对python有一些了解的人应该都听说过numpy,pandas和matplotlib，这三个包是数据分析必会的包，先用熟这三个，之后更进一步可以学习os，seaborn，sklearn等。

tableau

tableau的基本使用在b站是可以学习到的，但是计算字段和其中的函数的使用仍然需要一定量的练习，并且需要一定的编程基础。

工作中用的最多的图就是柱状图，直方图，条形图，交叉表这几个，偶然见到热力图，桑椹图，甚至散点图和饼图出现都很少。当然这可能与业务需求有关，具体问题具体分析。

如果你会做那些复杂的图自然更好，说明你对tableau的理解较深，侧面表现了你的能力比别人强。

欢迎关注我们的公众号：聚数云海。免费获取数据分析师大厂真题和更多数据分析相关资讯。

数据分析师是数据师的一种，指的是不同行业中，专门从事行业数据搜集、整理、分析，并依据数据做出行业研究、评估和预测的专业人员。数据分析师需要掌握很多知识，既需要懂技术；还需要懂业务；还要懂一点点管理；更需要懂可视化数据分析（核心）；还要懂设计和工具！与传统的数据分析师相比，互联网时代的数据分析师面临的不是数据匮乏，而是数据过剩。因此，互联网时代的数据分析师必须学会借助技术手段进行高效的数据处理。更为重要的是，互联网时代的数据分析师要不断在数据研究的方法论方面进行创新和突破。如果说现在有一个工具可以让数据分析师每天就是喝喝茶，然后做个汇报，各位是不是会惊掉下巴！确实有可能，随着大数据的深入发展，出现很多数据可视化分析工具，比如“壹看板”就是一个，数据数量庞大？数据类型复杂？数据跨库又跨源？不懂建模？不会代码？没有IT背景？只会点鼠标还得要分析报表？壹看板，不只是懂你！拖拽式可视化操作你我都可以让数据开口说话，拖拽式报表生成，布局灵活，样式随心；数据筛选、多表联动、异常预警，交互由你；一键生成，多屏互通，实时更新，一劳永逸；数据BI，再也不怕高门槛！

数据分析师是一个近几年来新兴的一个岗位，有人说，数据分析师是大部分时间围绕着的工作是满足业务的数据需求。业务人员既有普通运营，也有部门领导，基本有求必应。那么数据分析工程师每天都在做什么呢?日常工作有哪些?我们接着往下看。满足业务人员的需求也分淡旺季，旺季就是做月度汇报、年度汇报的时候，或者做促销活动、推广活动的时候。特别是业务人员要做汇报的时候，会疯狂call数据分析的，单身N年的手速这个时候用得上了。当然，淡季也不会闲着，还得做专题分析呀。得研究研究各领导拍脑门想到的数据需求：比如产品种类会不会太多，要不要精简一下，这个时候得去找数据支撑，比如80%的业绩产生于哪些产品，而长尾品又能产生多少业绩，再了解下竞争对手又是怎样的策略。再比如到了月末的时候，就得预测下一周期的业绩能完成多少，从哪块新业务增收多少，预计引流多少新用户获得多少收益，怎么拉升客单价从而增收多少收益，这时候顺便就把业务的kpi目标定下了。又比如突然有什么异常情况，日活的用户数持续下降了，那就得到业务各个环节里找原因。还比如某个业务环节存在问题没有攻破，如订单满足率还是不理想，就得四处扒拉数据去分析造成多少损失，主要是哪部分造成损失最多，还得想该如何用数据监控，责任方在哪，如何完善等······综上就是小编整理的数据分析工程师日常工作，希望可以帮您更好的理解这个岗位。

不是很累，数据分析师最主要的重心在于“分析”，分析运营数据转化为企业决策的动力。当然数据分析师，还需要把数据通过浅显易懂的图表形式展现出来，无论是饼状图，曲线图，柱状图等等。关于加班，如果工作仅局限于机械化的数据分析工作，那么，面临的选择可能会有“加班”。

数据分析师的基本要求

1、懂业务。

从事数据分析工作的前提就会需要懂业务，即熟悉行业知识、公司业务及流程，最好有自己独到的见解，若脱离行业认知和公司业务背景，分析的结果只会是脱了线的风筝，没有太大的使用价值。

2、懂管理。

一方面是搭建数据分析框架的要求，比如确定分析思路就需要用到营销、管理等理论知识来指导，如果不熟悉管理理论，就很难搭建数据分析的框架，后续的数据分析也很难进行。另一方面的作用是针对数据分析结论提出有指导意义的分析建议。

3、懂分析。指掌握数据分析基本原理与一些有效的数据分析方法，并能灵活运用到实践工作中，以便有效的开展数据分析。

指掌握数据分析基本原理与一些有效的数据分析方法，并能灵活运用到实践工作中，以便有效的开展数据分析。

4、懂工具。

指掌握数据分析相关的常用工具。数据分析方法是理论，而数据分析工具就是实现数据分析方法理论的工具，面对越来越庞大的数据，我们不能依靠计算器进行分析，必须依靠强大的数据分析工具帮我们完成数据分析工作。

注意：

1、数据分析最擅长的工具一定包括Excel，通常好的数据分析师一定是一个非常非常专业的Excel使用者，这其中包括了对Excel常用公式和功能的理解及使用（数据透视表，各种图表等）。

2、如果致力于从事数据分析工作，那除了掌握Excel， VBA，SQL之外，还需紧跟趋势，学习最新技能，但同时也得夯实基础。

将它细分为如下的14个步骤：数据分析师的日常工作1、确定目标在开始进行数据分析之前，最重要的一个步骤就是和自己的团队开会，确定本次项目的战略目标。如果你连核心的战略目标都没有，那等到自己真正开始分析的时候就会像无头苍蝇一样，不知道从哪里开始分析。2、建立问题光有核心目标还不够，你还要根据核心目标分析出各种有可能存在的问题。就像是我们上学时做阅读理解题目一样，先读题，再带着问题阅读。分析数据也是如此，只不过，这次的出题人是你自己。这样的做法还能让你事半功倍。3、收集数据所谓“数据分析”，没有数据肯定是不行的。当你确定了目标与问题，下一步就是根据所制定的目标与问题来收集相关数据。这一步骤也是所有步骤中最基础的一步。4、设置KPI数据收集完成后，你需要设置KPI（关键绩效指标）。主要KPI包括：跳出率、平均会话时长、目标转化率以及着陆页转换率等。无论是定性还是定量研究数据，你都要设置KPI。因为KPI可以帮助你跟踪和衡量进度。5、清理无用的数据员工从各个来源收集的数据，不一定都是有用的。无用的数据不仅会让数据分析师的分析过程变得繁琐，还会导致结果不准确。这时，我们就需要参考KPI，对无用的数据进行清理。任何与业务目标无关或者和KPI管理策略不符的统计、数据或指标都需要被删除。6、进行统计分析统计分析也非常重要，它包括聚类，同类，回归，因子和神经网络。7、建立数据管理路线图这一步骤并不是必须进行的。创建数据管理路线图需要花费一定的时间，但是它可以帮助数据分析师更好地处理以及存储数据。8、整合技术分析数据的方法有很多种，但是分析能否成功，还是要靠整合好的软件和技术。例如，通过统计方法数据分析和核心数据分析方法集成的技术，你可以避免有效信息的分散，直接获得最有价值的信息，从而节省时间和精力。9、将数据可视化可视化数据就是将数据通过图形和图表的形式呈现出来。人类都是视觉动物，将数据可视化可以帮助整个团队理解数据，从而提取出有助于企业发展的各种信息。10、实施文本分析我们每天都会创建亿字节的巨大数据，其中很大一部分都是基于文本的。文本分析又称文本挖掘，它是一个获取大量文本数据并以使数据易于管理的方式进行整理的过程。通过这一过程，你能够提取真正与业务相关的数据。为了加速文本分析过程，你可以使用现代分析工具和技术。现代分析工具和技术能够以高效、目标明确的方式，帮助你收集和整理结论。11、深入诊断分析诊断分析也是分析过程中必不可少的一部分，它是一种强大的数据发现形式。通过诊断分析，你能够获得某件事发生的原因以及方式，从而找到解决问题的确切方法。13、考虑自主技术研究表明，到2021年，将有80%的新兴技术由AI基金会开发，这意味着自主技术的能力和价值正在不断增长。当前，最流行的两种自主技术是智能警报和神经网络：（1）智能警报：如果你正在监视供应链KPI，你可以设置一个智能警报，每当出现无效或者低质量数据时，就会自动触发你所设置的智能警报。（2）神经网络：神经网络是机器学习的一种，它试图了解和学习人脑是如何处理数据信息并预测价值的。神经网络会从每笔数据交易中学习，这意味着随着时间的推移，它的技术会更加成熟。14.生成报告在前面，我们一起探讨了各种数据分析技术的应用。当我们分析完毕后，你就需要将这些元素组合在一起，生成报告。通过使用各种BI（商业智能）仪表盘工具，你可以将数据可视化，将这一可视化报告加以整理，让企业内更多的人一起发挥报告的价值。