如何成為一名優(yōu)質(zhì)的數(shù)據(jù)科學(xué)家

開(kāi)隨著“數(shù)據(jù)驅(qū)動(dòng)”的價(jià)值越來(lái)越明顯，越來(lái)越多的企事業(yè)開(kāi)始組建或擴(kuò)大數(shù)據(jù)分析隊(duì)伍，“數(shù)據(jù)科學(xué)家”這個(gè)職位也越來(lái)越被大家關(guān)注。

? “數(shù)據(jù)科學(xué)家”是不是“統(tǒng)計(jì)師”更性感的版本？

? 起碼得有統(tǒng)計(jì)、應(yīng)用數(shù)學(xué)、計(jì)算機(jī)的背景？

? 干了5年的軟件開(kāi)發(fā)，寫(xiě)SQL如反掌觀紋，換行做數(shù)據(jù)科學(xué)家很容易吧？

? 我們市場(chǎng)部也想更加“數(shù)字化”，但不懂編程，應(yīng)該如何起步？

數(shù)據(jù)科學(xué)家的定義

經(jīng)歷了一些不同階段的大數(shù)據(jù)項(xiàng)目之后，我意識(shí)到，在“數(shù)據(jù)科學(xué)家”這個(gè)角色沒(méi)定義好之前，“數(shù)據(jù)化”會(huì)遇到很多挑戰(zhàn)。這個(gè)角色的定義相當(dāng)模糊，造成很多混淆--很像對(duì)“數(shù)字化”本身的混淆。

我翻閱了一下招聘網(wǎng)站上數(shù)據(jù)科學(xué)家的職責(zé)，有的專(zhuān)門(mén)通過(guò)統(tǒng)計(jì)和機(jī)器學(xué)習(xí)來(lái)建立預(yù)測(cè)模型，有的定義則更加寬泛。那么到底“數(shù)據(jù)科學(xué)家”具備什么樣的技能，能做哪些事？很多希望實(shí)現(xiàn)“數(shù)據(jù)驅(qū)動(dòng)”的企業(yè)對(duì)數(shù)據(jù)科學(xué)家的期望比較籠統(tǒng)，并且在不斷修正中，這很正常，那么你，怎樣才能更好地為這一職位做好準(zhǔn)備？

網(wǎng)上已經(jīng)有很多種答案，本文并不想提出新的詮釋?zhuān)潜M量將最主流的觀點(diǎn)提供給大家，并結(jié)合現(xiàn)有的技術(shù)，為有志于成為數(shù)據(jù)科學(xué)家的朋友，提供建議。

定義一：數(shù)據(jù)科學(xué)家起碼是統(tǒng)計(jì)師

“數(shù)據(jù)科學(xué)家是對(duì)統(tǒng)計(jì)師更性感的稱(chēng)謂” -Nate Silver

Nate Silver是個(gè)著名的統(tǒng)計(jì)師，憑借2008年美國(guó)總統(tǒng)競(jìng)選中，成功地預(yù)測(cè)了所有50個(gè)州里的49個(gè)州競(jìng)選結(jié)果，而一戰(zhàn)成名，并被《時(shí)代周刊》評(píng)為2009年度最有影響力的100人之一。

他說(shuō)：“數(shù)據(jù)科學(xué)家是對(duì)統(tǒng)計(jì)師更性感的稱(chēng)謂。......，數(shù)據(jù)科學(xué)家（這個(gè)稱(chēng)謂）有點(diǎn)多余，人們不應(yīng)該批評(píng)“統(tǒng)計(jì)師”這個(gè)詞”。

不過(guò)，數(shù)據(jù)本身在變化——越來(lái)越多，越來(lái)越快，種類(lèi)越來(lái)越豐富，統(tǒng)計(jì)師們用以前的辦法難以應(yīng)對(duì)，所以數(shù)據(jù)科學(xué)家至少是比統(tǒng)計(jì)師們更善于編程的那些人。

定義二：數(shù)據(jù)科學(xué)家用編程和統(tǒng)計(jì)，將數(shù)據(jù)更有用

隨著數(shù)據(jù)分析和業(yè)務(wù)需求的發(fā)展，以及分工的細(xì)化，這個(gè)稱(chēng)謂也在逐漸演化。 比如，Pandora的研究部門(mén)負(fù)責(zé)人Michael Hochester是這樣定義數(shù)據(jù)工程師的：

“數(shù)據(jù)科學(xué)家是一些能綜合運(yùn)用編程和統(tǒng)計(jì)技術(shù)的人，他們致力于通過(guò)各種方式讓將數(shù)據(jù)更發(fā)揮作用?！彼J(rèn)為數(shù)據(jù)科學(xué)家分為兩類(lèi)：

A類(lèi)： 分析型

主要像統(tǒng)計(jì)學(xué)家那樣，進(jìn)行靜態(tài)的數(shù)據(jù)分析，并能清洗數(shù)據(jù)。他們用不同辦法處理較大的數(shù)據(jù)集，可視化，非常熟悉某個(gè)領(lǐng)域，能很好解讀數(shù)據(jù)等等；分析型數(shù)據(jù)科學(xué)家也能通過(guò)寫(xiě)代碼來(lái)處理數(shù)據(jù)，但不像工程師那樣專(zhuān)業(yè)。他們更擅長(zhǎng)實(shí)驗(yàn)設(shè)計(jì)，預(yù)測(cè)、建模、統(tǒng)計(jì)推斷和其他統(tǒng)計(jì)工作。結(jié)論會(huì)更直白，而不是像P值和置信區(qū)間那么學(xué)術(shù)化。提煉出簡(jiǎn)潔有力的結(jié)論，并傳達(dá)給其他人，是數(shù)據(jù)科學(xué)家常常被低估而異常重要的職責(zé)之一。

B類(lèi)： 搭建型

除了統(tǒng)計(jì)知識(shí)之外，搭建型數(shù)據(jù)科學(xué)家編程很強(qiáng)，關(guān)注于用在線生產(chǎn)數(shù)據(jù)搭建模型，并和其他系統(tǒng)連接，實(shí)現(xiàn)自動(dòng)更新結(jié)果、或自動(dòng)和用戶(hù)互動(dòng)，比如推薦系統(tǒng)（產(chǎn)品、你認(rèn)識(shí)的人、廣告、電影、查詢(xún)結(jié)果等等）。

一個(gè)好的分析師具備哪些特點(diǎn)？

我最喜歡這個(gè)問(wèn)題，網(wǎng)上的答案也五花八門(mén)。 有推薦一大堆技術(shù)的，有一大堆統(tǒng)計(jì)名詞的。 Monica Rogati的答案值得回味：她在《一個(gè)好的分析師由哪些條件組成？》里提出四點(diǎn)：

1. 務(wù)實(shí)

技術(shù)和模型是否最優(yōu)，遠(yuǎn)不如所帶來(lái)的影響更重要。 幾個(gè)星期的工作，是否能為公司帶來(lái)相應(yīng)收益，結(jié)論能帶來(lái)多大的改變？ 務(wù)實(shí)，意味著在開(kāi)始之前搞清楚：1）可能的，和最有可能的結(jié)果；2）所需的時(shí)間、人力和資源。

花幾個(gè)星期研究一個(gè)新算法，甚至學(xué)一個(gè)新技術(shù)，很能帶來(lái)成就感。但對(duì)公司來(lái)講，是不是真的比一個(gè)基于簡(jiǎn)單的啟發(fā)法(Heuristics)的結(jié)論有用得多？ 不考慮機(jī)會(huì)成本，就可能糾結(jié)于一個(gè)最多能帶來(lái)2%提升的難題，而忽略了能帶來(lái)20%提升的課題。

所以，當(dāng)產(chǎn)品經(jīng)理跟你講：“能不能幫忙把xxx產(chǎn)品今年的數(shù)據(jù)幫我匯總一下”，一定要問(wèn)問(wèn)用途，比如“為啥需要??？”，“想看哪方面？”，對(duì)方也許關(guān)心渠道增長(zhǎng)，或者想進(jìn)行捆綁營(yíng)銷(xiāo)。不清楚目的，而一頭扎進(jìn)各種報(bào)表，不僅費(fèi)時(shí)費(fèi)力，而且結(jié)論的針對(duì)性和深度有限。

2. 好奇

數(shù)據(jù)分析有點(diǎn)像偵探工作。 重大發(fā)現(xiàn)都是從蛛絲馬跡開(kāi)始，看似無(wú)關(guān)的線索可能有深藏其后的關(guān)聯(lián)。追，可能能獲得重要的洞察，不追……也沒(méi)人怪你。線索=數(shù)據(jù)，多種來(lái)源、不同規(guī)范程度的數(shù)據(jù)。80%的精力都會(huì)耗費(fèi)在提取、清理和規(guī)范數(shù)據(jù)上，所以，缺乏好奇心，就很難堅(jiān)持追下去，而最終真相的價(jià)值可能超過(guò)最新最酷的機(jī)器學(xué)習(xí)算法。

3. 技術(shù)和解決問(wèn)題的能力

技術(shù)、能力和業(yè)務(wù)知識(shí)，缺一不可。

技術(shù)意味著對(duì)統(tǒng)計(jì)、算法和軟件工具的熟悉。 并不非要有統(tǒng)計(jì)學(xué)的碩士學(xué)位，但起碼得明白最小二乘法之類(lèi)的基本統(tǒng)計(jì)方法和如何解讀結(jié)果。

能力意味著能解決實(shí)際問(wèn)題，能堅(jiān)持不懈地用各種技術(shù)進(jìn)行探索，靈活地編程，使用命令行，對(duì)不同數(shù)據(jù)源進(jìn)行清洗、轉(zhuǎn)換， 應(yīng)用不同的算法和模型。 計(jì)算機(jī)學(xué)位也不是必須的，實(shí)際上很多技術(shù)俠連正式的計(jì)算機(jī)課程都沒(méi)修過(guò)。

業(yè)務(wù)知識(shí)是指和具體領(lǐng)域、公司或部門(mén)相關(guān)的背景知識(shí)。比如分析醫(yī)療設(shè)備數(shù)據(jù)時(shí)，如果了解哪些耗材配套哪些設(shè)備？ 哪些醫(yī)院科室常做哪些檢測(cè)？就可以更明智地使用數(shù)據(jù)。

沒(méi)人能對(duì)所有這些都熟悉。好在信息時(shí)代讓學(xué)習(xí)變得更加簡(jiǎn)單。最快的途徑是邊做邊學(xué)，比如自己做些小項(xiàng)目，并跟著有經(jīng)驗(yàn)的數(shù)據(jù)科學(xué)家學(xué)習(xí)。不同的公司所看重的技術(shù)、工具、業(yè)務(wù)知識(shí)也不同。 很多公司非?？粗亟y(tǒng)計(jì)學(xué)基礎(chǔ)，比如提供網(wǎng)絡(luò)游戲和社區(qū)的Twitch的數(shù)據(jù)科學(xué)家Brad Schumitsch談到：

“在Twitch, 我們的數(shù)據(jù)科學(xué)團(tuán)隊(duì)由三部分組成：統(tǒng)計(jì)、編程和產(chǎn)品知識(shí)。 我們從來(lái)不招統(tǒng)計(jì)學(xué)不強(qiáng)的人。你可以是個(gè)很強(qiáng)的程序員，但如果不懂貝葉斯定理， 我只能建議你去我們工程部。”

所以，不同企業(yè)或不同階段，對(duì)技術(shù)、能力和業(yè)務(wù)知識(shí)這三方面的側(cè)重不同。 Google的數(shù)據(jù)科學(xué)家可能有博士學(xué)位，對(duì)計(jì)算機(jī)和數(shù)學(xué)很有研究。電商領(lǐng)域的同樣崗位可能對(duì)電商非常熟悉，卻不一定經(jīng)過(guò)正式的數(shù)學(xué)或計(jì)算機(jī)培訓(xùn)。

4. 溝通能力

能不能把復(fù)雜的概念闡述得言簡(jiǎn)意賅，而不用專(zhuān)業(yè)術(shù)語(yǔ)？ 能不能幾秒鐘之內(nèi)就做一個(gè)簡(jiǎn)明扼要的圖？ 能不能忍住不把所有前提、場(chǎng)景、局限性都一股腦倒出來(lái)，來(lái)保證結(jié)論的絕對(duì)正確？是不是覺(jué)得可視化和簡(jiǎn)潔的結(jié)論只是給不懂技術(shù)的人，或者不如你聰明的人看的？

我的大數(shù)據(jù)導(dǎo)師老丁曾是惠普全球運(yùn)營(yíng)報(bào)表部門(mén)的老大，當(dāng)時(shí)我負(fù)責(zé)此平臺(tái)開(kāi)源后的市場(chǎng)工作。宣傳資料做了兩版之后，老丁扔過(guò)來(lái)一句話“太技術(shù)”，等到第三版，老丁急了，扔過(guò)來(lái)一本乳品生產(chǎn)企業(yè)的宣傳冊(cè)，說(shuō)“按這辦”。“乳品”vs“數(shù)據(jù)庫(kù)”，我有點(diǎn)懵......老丁是80年代放棄成為第二批計(jì)算機(jī)學(xué)科院士的機(jī)會(huì)，毅然投入美帝數(shù)據(jù)庫(kù)一線工作幾十年的老IT了，那全局觀，那思路，不可能錯(cuò)啊。

N個(gè)月之后，我明白了。 宣傳也好，數(shù)據(jù)科學(xué)家也好，有一點(diǎn)是相同的：我們的結(jié)論不應(yīng)只追求正確，更重要的是簡(jiǎn)潔。讓別人徹底明白，才有可能及時(shí)促成行動(dòng)。

這個(gè)過(guò)程責(zé)任重大，所涉及到的前提、場(chǎng)景和局限性都很重要，但應(yīng)先等一等，不能一股腦拋給你的聽(tīng)眾。它們終究會(huì)被簡(jiǎn)化掉，由數(shù)據(jù)科學(xué)家主動(dòng)去簡(jiǎn)化，不比被以后的人隨意簡(jiǎn)化強(qiáng)嗎？

如何成為數(shù)據(jù)科學(xué)家？

數(shù)據(jù)科學(xué)家的收入和職業(yè)前景不錯(cuò)，那么如何才能找到一份數(shù)據(jù)科學(xué)家的工作？ 另一個(gè)相近的版本是，很多企業(yè)建立內(nèi)部數(shù)據(jù)科學(xué)部門(mén)的時(shí)機(jī)也逐漸成熟，如何培養(yǎng)內(nèi)部人員成為數(shù)據(jù)科學(xué)家？

網(wǎng)上能找到不少關(guān)于數(shù)據(jù)科學(xué)家方方面面技能的教程、課程或視頻，包括分析方法、開(kāi)源工具、編程語(yǔ)言等。如果英文較好，還能從InfoQ、Quora、StackOverflow等獲得不少?lài)?guó)外大牛的指點(diǎn)。不過(guò)許多攻略都是這樣：1）你需要A、B、C、D這些技能；2）這里是鏈接。Python的鏈接在這，R的鏈接在那，機(jī)器學(xué)習(xí)的視頻在最下面，再去安個(gè)Hadoop和Spark。 這是最常見(jiàn)的學(xué)習(xí)方式，但很費(fèi)時(shí)費(fèi)力，效果沒(méi)那么好。 很多培訓(xùn)用的是處理過(guò)的規(guī)范數(shù)據(jù)，演示效果很好，但現(xiàn)實(shí)卻不太一樣。

實(shí)際上，大家更認(rèn)可“邊干邊學(xué)”的效果，可是在找到數(shù)據(jù)科學(xué)家的工作之前，怎么才能得到“干”的機(jī)會(huì)？ Monica Rogati的《How Can I become a data scientist》和Tomi Mester的《How to get your first job in Data Science》都提出了很好的方法。

第一步 四種工具

如果你想從最基礎(chǔ)開(kāi)始，有四種工具比較常用。這些工具都是免費(fèi)的，Tomi Mester提供了一個(gè)英文的攻略：

Bash和命令行；

Python

SQL

R

有時(shí)需要Java

一般來(lái)說(shuō)，不同的公司會(huì)選用其中兩到三種。好消息是，一旦學(xué)會(huì)一種，學(xué)其他的也很快。 總共花一兩周，選其中兩三種掌握基本使用，就可以進(jìn)入下一步。

Tomi的攻略需要安裝和連接到云上的虛機(jī)。這些服務(wù)國(guó)內(nèi)眾多的云服務(wù)商都能提供，可以直接選國(guó)內(nèi)的即可。 具體的安裝，如果自己不熟悉，也可以請(qǐng)朋友幫忙，不一定要花太多時(shí)間。

第二步 先定個(gè)小目標(biāo)，比如動(dòng)手做幾個(gè)小項(xiàng)目

親手做些項(xiàng)目，不僅是最快最有效地的學(xué)習(xí)辦法，而且能讓你的簡(jiǎn)歷更引人注目，在面試時(shí)加分不少。

選個(gè)感興趣的題目

結(jié)合可以找到的數(shù)據(jù)，選選自己感興趣的題目，比如空氣質(zhì)量、氣候變化、民航運(yùn)輸、旅游、醫(yī)療支出等等。網(wǎng)上有不少數(shù)據(jù)可以免費(fèi)或者很便宜地下載。除了國(guó)內(nèi)數(shù)據(jù)，一些美國(guó)網(wǎng)站上也有很多世界范圍的公眾數(shù)據(jù)，比如天氣、各國(guó)經(jīng)濟(jì)、疾病、自然災(zāi)害等等。 常用的網(wǎng)站有國(guó)家統(tǒng)計(jì)局（“國(guó)家數(shù)據(jù)”）、美國(guó)政府公開(kāi)數(shù)據(jù)Data.gov、Kaggle比賽的數(shù)據(jù)集、世界數(shù)據(jù)圖冊(cè)、CEIC、證監(jiān)會(huì)、新浪財(cái)經(jīng)、AWS公用數(shù)據(jù)集、數(shù)糧、機(jī)器學(xué)習(xí)的UCI數(shù)據(jù)集等等。 如果是公司支持的項(xiàng)目，還可以從公司IT部門(mén)拿到數(shù)據(jù)。 重要的是，應(yīng)該從容易上手的項(xiàng)目做起，找到數(shù)據(jù)，爭(zhēng)取一周之內(nèi)得出結(jié)果。

發(fā)個(gè)微博或微信，看看反映

在動(dòng)手分析之前，先大概看看數(shù)據(jù)，把你想做的項(xiàng)目和初步印象用一兩句話，在微博和微信上看看大家的反應(yīng)。既要現(xiàn)實(shí)一點(diǎn)（能在一個(gè)星期內(nèi)做出結(jié)果），又要保持樂(lè)觀（相信自己能做出來(lái)，能找到些有趣的結(jié)論）。猜想一個(gè)可能的結(jié)果，不一定很準(zhǔn)確（甚至可以編編），并邀請(qǐng)大家反饋，比如Monica Rogati曾經(jīng)這么發(fā)微博：

“我用LinkedIn數(shù)據(jù)研究創(chuàng)業(yè)者，發(fā)現(xiàn)他們比想象的老，學(xué)物理的比學(xué)護(hù)理或神學(xué)的多。也許是因?yàn)轱L(fēng)投們很難投一個(gè)新的宗教吧？”

“我用Jawbone的數(shù)據(jù)研究天氣對(duì)運(yùn)動(dòng)的影響--紐約人沒(méi)有加州人那么容易受天氣變化的影響，你們覺(jué)得是因?yàn)榧~約人更強(qiáng)，還是他們主要在室內(nèi)運(yùn)動(dòng)？”

“我結(jié)合BBC的訃告和維基，來(lái)看看2016這一年對(duì)名人來(lái)講，是不是真的很衰?！?

如果你想學(xué)習(xí)某種技術(shù)的話，還可以這么寫(xiě)，比如：Shelby Sturgis：“我為老師和管理者做了個(gè)Web應(yīng)用，通過(guò)分析學(xué)校排名、考試分?jǐn)?shù)的變化和不同科目的成績(jī)，來(lái)幫助他們提高教育質(zhì)量。我用了MySQL、Python、Javascript、Highcharts.js和D3.js,來(lái)存儲(chǔ)、分析和展示加州STAR考試數(shù)據(jù)?！?

“我用了TensorFlow來(lái)自動(dòng)對(duì)黑白照片上色和還原，幫奶奶做了這個(gè)拼貼圖--最棒的圣誕！”

想象自己在交流會(huì)和面試?yán)锓磸?fù)介紹，刊登在《今日美國(guó)》或《華爾街日?qǐng)?bào)》上。你會(huì)覺(jué)得無(wú)聊，難以講清還是覺(jué)得自己聰明，并感到自豪？如果答案是否定的，就重新再找，或者回到上一步，直到找到2-3個(gè)信服的想法。 問(wèn)問(wèn)其他人--這個(gè)有意思嗎？ 你愿意面試做這個(gè)的人，來(lái)做數(shù)據(jù)分析的工作嗎？

除了找數(shù)據(jù)和粗略地了解相關(guān)的技術(shù)和工具，此時(shí)你還沒(méi)有寫(xiě)任何代碼，或者做任何具體分析。你可以很方便地多次重復(fù)這個(gè)階段，而不要太著急地一頭扎進(jìn)某些教程或者課程，花幾個(gè)月時(shí)間毫無(wú)所獲。

開(kāi)始干

分析數(shù)據(jù)。清洗。繪制圖表。重復(fù)?？纯疵總€(gè)字段常見(jiàn)的前十個(gè)值。研究一下異常值?？纯捶植记闆r。如果數(shù)據(jù)不是很零散，可以把類(lèi)似的值分組。分析相關(guān)度，處理缺失的數(shù)據(jù)。嘗試不同的聚類(lèi)和分類(lèi)算法。調(diào)試。找找為什么有的效果好，有的不好？ 如果數(shù)據(jù)多的話，搭建AWS Data Pipeline。對(duì)非結(jié)構(gòu)化數(shù)據(jù)嘗試用不同的NLP庫(kù)?？赡軙?huì)用到Spark，numpy, panda, nltk, 矩陣分解和TensorFlow。這些技術(shù)不是為了學(xué)而學(xué)，而是因?yàn)榻鉀Q問(wèn)題必須用到。

找個(gè)懂統(tǒng)計(jì)學(xué)、軟件工具或業(yè)務(wù)分析的朋友，會(huì)有很大幫助。每周花一個(gè)小時(shí)或每?jī)芍芫垡淮?，都?huì)很快幫你理順?biāo)悸?，或者解決實(shí)際問(wèn)題。

做個(gè)偵探，提出新的問(wèn)題和新的方向。數(shù)據(jù)的收集方式是否合理？ 引入另外的數(shù)據(jù)集會(huì)怎么樣？這應(yīng)該是個(gè)有趣的過(guò)程，偶爾遇到障礙時(shí)，可以向網(wǎng)上、論壇、老師或做相同工作的朋友求助。 如果感覺(jué)不好玩，就重新找個(gè)題目。如果感覺(jué)很差，就重新思考要不要當(dāng)數(shù)據(jù)科學(xué)家。如果這部分不能讓你充滿(mǎn)干勁，你很難堅(jiān)持和干好真實(shí)數(shù)據(jù)工作中占80%的乏味的苦活。

表達(dá)

用簡(jiǎn)單的語(yǔ)言和干凈、說(shuō)服力強(qiáng)的圖表來(lái)一目了然地表達(dá)。 學(xué)會(huì)用可視化工具非常重要。 如果你建了個(gè)原型，可以做一個(gè)簡(jiǎn)潔、有趣的演示或視頻。把技術(shù)細(xì)節(jié)和代碼放在鏈接里。發(fā)出去，并收集反饋。公開(kāi)展示能讓你提高標(biāo)準(zhǔn)，得到高質(zhì)量的代碼、表達(dá)和圖形結(jié)果。重復(fù)這一過(guò)程，逐漸就能形成自己的項(xiàng)目集，給招聘人員看，直到加入夢(mèng)寐以求的團(tuán)隊(duì)。

有沒(méi)有捷徑？

很多朋友從事市場(chǎng)、財(cái)務(wù)等工作，不具備統(tǒng)計(jì)學(xué)背景，更沒(méi)有編程經(jīng)驗(yàn)，如何轉(zhuǎn)向數(shù)據(jù)科學(xué)？

2016年底，一個(gè)朋友帶給我一個(gè)很典型的場(chǎng)景：她在一家醫(yī)療儀器公司，負(fù)責(zé)市場(chǎng)工作，積累了不少的數(shù)據(jù)，包括客戶(hù)、銷(xiāo)售、產(chǎn)品等方面，分別來(lái)自于CRM、財(cái)務(wù)和產(chǎn)品管理系統(tǒng)。最大的表100多G，維度也比較全面。公司希望能培養(yǎng)自己的數(shù)據(jù)科學(xué)家，她也很感興趣，問(wèn)題是，如何開(kāi)始？

一般來(lái)說(shuō)，如果對(duì)Excel的統(tǒng)計(jì)函數(shù)（如sum, sumif, count,時(shí)間轉(zhuǎn)換等），vlookup和數(shù)據(jù)透視表比較熟悉，可以從可視化工具入手。如果公司有預(yù)算，可以考慮Tableau，Power BI等；也可以選用國(guó)內(nèi)帆軟、魔鏡等。 Tableau的教學(xué)視頻比較系統(tǒng)，很容易從0基礎(chǔ)開(kāi)始。

同時(shí)可以快速翻閱幾本經(jīng)典書(shū)，包括《深入淺出數(shù)據(jù)分析》、《統(tǒng)計(jì)學(xué)》、《R語(yǔ)言實(shí)戰(zhàn)》、《深入淺出Python》等。對(duì)數(shù)據(jù)分析本身的使命、基本概念、常見(jiàn)方法等獲得總體了解，能讓你更快地找到自己的目標(biāo)，為自己的項(xiàng)目整理思路。

同樣重要的，要以自己的項(xiàng)目為主線，限定期限，避免為技術(shù)細(xì)節(jié)，扎到浩瀚的資料里。遇到問(wèn)題再去Quora、知乎、Stackoverlow、微信群和相關(guān)工具的論壇問(wèn)問(wèn)題，項(xiàng)目進(jìn)展會(huì)快得多，有時(shí)候幾分鐘就會(huì)有人給你答案。 做完第一個(gè)項(xiàng)目之后，再逐漸用更復(fù)雜的指標(biāo)、算法或工具，再用一兩周時(shí)間做出下一個(gè)項(xiàng)目，以此類(lèi)推。

即使完全沒(méi)基礎(chǔ)，也不用擔(dān)心?；c(diǎn)時(shí)間看看上面提到的書(shū)或可視化工具的教學(xué)視頻，大概了解數(shù)據(jù)分析的基本概念和方法，你就可以開(kāi)始選自己的題目，開(kāi)始探索數(shù)據(jù)科學(xué)家的星辰大海，迎接嶄新的未來(lái)。