從零開(kāi)始學(xué)數(shù)據(jù)分析，什么程度可以找工作？

基本答一下吧，但是不是很準(zhǔn)確，只了解大致情況（杭州），帶有某種行業(yè)自黑。

一、第一階段（一般崗位叫數(shù)據(jù)專員）

基本學(xué)會(huì)excel（VBA最好學(xué)會(huì)；會(huì)做透視表；熟練用篩選、排序、公式），做好PPT。這樣很多傳統(tǒng)公司的數(shù)據(jù)專員已經(jīng)可以做了

二、第二階段（數(shù)據(jù)專員~數(shù)據(jù)分析師）

這一階段要會(huì)SQL，懂業(yè)務(wù)，加上第一階段的那些東西。大多數(shù)傳統(tǒng)公司和互聯(lián)網(wǎng)小運(yùn)營(yíng)、產(chǎn)品團(tuán)隊(duì)夠用了。

三、第三階段（數(shù)據(jù)分析師）

統(tǒng)計(jì)學(xué)熟練（回歸、假設(shè)檢驗(yàn)、時(shí)間序列、簡(jiǎn)單蒙特卡羅），可視化，PPT和excel一定要溜。這些技術(shù)就夠了，能應(yīng)付大多數(shù)傳統(tǒng)公司業(yè)務(wù)和互聯(lián)網(wǎng)業(yè)務(wù)。

四、 第四階段（分裂）

數(shù)據(jù)分析師（數(shù)據(jù)科學(xué)家）、BI等：這部分一般是精進(jìn)統(tǒng)計(jì)學(xué)，熟悉業(yè)務(wù)，機(jī)器學(xué)習(xí)會(huì)使用（調(diào)參+選模型+優(yōu)化），取數(shù)、ETL、可視化啥的都是基本姿態(tài)。

可視化工程師：這部分國(guó)內(nèi)比較少，其實(shí)偏重前端，會(huì)high charts，d3.js, echarts.js。技術(shù)發(fā)展路線可以獨(dú)立，不在這四階段，可能前端轉(zhuǎn)行更好。

ETL工程師：顧名思義，做ETL的。

大數(shù)據(jù)工程師：熟悉大數(shù)據(jù)技術(shù)，hadoop系二代。

數(shù)據(jù)工程師（一部分和數(shù)據(jù)挖掘工程師重合）：機(jī)器學(xué)習(xí)精通級(jí)別（往往是幾種，不用擔(dān)心不是全部，和數(shù)據(jù)分析師側(cè)重點(diǎn)不同，更需要了解組合模型，理論基礎(chǔ)），會(huì)組合模型形成數(shù)據(jù)產(chǎn)品；計(jì)算機(jī)基本知識(shí)（包括linux知識(shí)、軟件工程等）；各類數(shù)據(jù)庫(kù)（RDBMS、NoSQL(4大類)）

數(shù)據(jù)挖掘：和上基本相同。

爬蟲(chóng)工程師：顧名思義，最好http協(xié)議、tcp/ip協(xié)議熟悉。技術(shù)發(fā)展路線可以獨(dú)立，不在這四階段

發(fā)現(xiàn)回答的有點(diǎn)文不對(duì)題額，不過(guò)大致是所有從底層數(shù)據(jù)工作者往上發(fā)展的基本路徑。往數(shù)據(jù)發(fā)展的基本學(xué)習(xí)路徑可以概括為以下內(nèi)容：

1. EXCEL、PPT（必須精通）

數(shù)據(jù)工作者的基本姿態(tài)，話說(shuō)本人技術(shù)并不是很好，但是起碼會(huì)操作；要會(huì)大膽秀自己，和業(yè)務(wù)部門(mén)交流需求，展示分析結(jié)果。技術(shù)上回VBA和數(shù)據(jù)透視就到頂了。

2. 數(shù)據(jù)庫(kù)類（必須學(xué)）

初級(jí)只要會(huì)RDBMS就行了，看公司用哪個(gè)，用哪個(gè)學(xué)哪個(gè)。沒(méi)進(jìn)公司就學(xué)MySQL吧。

NoSQL可以在之后和統(tǒng)計(jì)學(xué)啥的一起學(xué)?；镜腘oSQL血MongoDB和Redis（緩存，嚴(yán)格意義上不算數(shù)據(jù)庫(kù)），然后（選學(xué)）可以了解各類NoSQL，基于圖的數(shù)據(jù)庫(kù)Neo4j，基于Column的數(shù)據(jù)庫(kù)BigTable，基于key-value的數(shù)據(jù)庫(kù)redis/cassendra，基于collection的數(shù)據(jù)庫(kù)MongoDB。

3. 統(tǒng)計(jì)學(xué)（必須學(xué)）

如果要學(xué)統(tǒng)計(jì)學(xué)，重要概念是會(huì)描述性統(tǒng)計(jì)、假設(shè)檢驗(yàn)、貝葉斯、極大似然法、回歸（特別是廣義線性回歸）、主成分分析。這些個(gè)用的比較多。也有學(xué)時(shí)間序列、bootstrap、非參之類的，這個(gè)看自己的意愿。

其他數(shù)學(xué)知識(shí)：線性代數(shù)常用（是很多后面的基礎(chǔ)），微積分不常用，動(dòng)力系統(tǒng)、傅里葉分析看自己想進(jìn)的行業(yè)了。

4. 機(jī)器學(xué)習(xí)（數(shù)據(jù)分析師要求會(huì)選、用、調(diào)）

常用的是幾個(gè)線性分類器、聚類、回歸、隨機(jī)森林、貝葉斯；不常用的也稍微了解一下；深度學(xué)習(xí)視情況學(xué)習(xí)。

5. 大數(shù)據(jù)（選學(xué)，有公司要求的話會(huì)用即可，不要求會(huì)搭環(huán)境）

hadoop基礎(chǔ)，包括hdfs、map-reduce、hive之類；后面接觸spark和storm再說(shuō)了。

6. 文本類（選學(xué)，有公司要求的話會(huì)用即可）

這部分不熟，基本要知道次感化、分詞、情感分析啥的。

7. 工具類

語(yǔ)言：非大數(shù)據(jù)類R、Python最多（比較geek的也有用julia的，不差錢(qián)和某些公司要求的用SAS、Matlab）；大數(shù)據(jù)可能還會(huì)用到scala和java。

可視化（選學(xué)）：tableau、plot.ly、d3.js、echarts.js，R里面的ggplot、ggvis，Python里的bokeh、matplotlib、seaborn都不錯(cuò)

數(shù)據(jù)庫(kù)語(yǔ)言：看你自己用啥學(xué)啥

其他框架、類庫(kù)（選學(xué)）：爬蟲(chóng)(requests、beautifulsoup、scrapy)，日志分析（常見(jiàn)elk）