大數據要學什么？入門大數據需要哪些技能？

時至今日，無論你是來自互聯網行業、通信行業，還是金融行業、服務業或是零售業，相信都不會對大數據感到陌生。

數據顯示，32.5%的公司正在搭建大數據平臺， 32.5%的公司已經在生產環境實踐大數據，并有成功的用例/產品；24.5%的公司已經做了足夠的了解，開發準備就緒；基本不了解的用戶只占13.5%。

 

傳統觀念下，大數據往往是大型互聯網公司的玩物。然而，通過調查發現在那些對大數據平臺有需求的公司中，研發團隊規模遠沒有我們想象的大，29.11%的研發團隊僅有1-10人，次居第二的10-50人的規模占到了25.77%,兩種規模的研發團隊就超過了一半。可見，當下大數據的需求已不止步于大型公司。

那么，現在的大數據相關的人才是否可以滿足企業日益增加的需求呢？

目前，全國大數據人才主要分布在經濟發達的大城市及大數據行業發展優先的城市，各區域想要吸引更多的大數據人才不僅要制定相關的政策，同時也要大力發展與大數據相關的企業。

大數據人才主要分布在移動互聯網行業。其次是金融互聯網、O2O、企業服務、游戲、教育、社交等領域。

從上圖的薪資漲幅對比可以看出，大數據人才的不管是平均內部漲幅還是平均跳槽薪資漲幅都高于傳統行業人才的薪資漲幅。

那么，“大數據”專業學什么？又要怎么學呢？

一、大數據分析的五個基本方面

1．可視化分析

大數據分析的使用者有大數據分析專家，同時還有普通用戶，但是他們二者對于大數據分析最基本的要求就是可視化分析，因為可視化分析能夠直觀的呈現大數據特點，同時能夠非常容易被讀者所接受，就如同看圖說話一樣簡單明了。

 

2．數據挖掘算法

大數據分析的理論核心就是數據挖掘算法，各種數據挖掘的算法基于不同的數據類型和格式才能更加科學的呈現出數據本身具備的特點，也正是因為這些被全世界統計學家所公認的各種統計方法（可以稱之為真理）才能深入數據內部，挖掘出公認的價值。另外一個方面也是因為有這些數據挖掘的算法才能更快速的處理大數據，如果一個算法得花上好幾年才能得出結論，那大數據的價值也就無從說起了。

 

3．預測性分析能力

大數據分析最終要的應用領域之一就是預測性分析，從大數據中挖掘出特點，通過科學的建立模型，之后便可以通過模型帶入新的數據，從而預測未來的數據。

 

4．語義引擎

大數據分析廣泛應用于網絡數據挖掘，可從用戶的搜索關鍵詞、標簽關鍵詞、或其他輸入語義，分析，判斷用戶需求，從而實現更好的用戶體驗和廣告匹配。

 

5．數據質量和數據管理

大數據分析離不開數據質量和數據管理，高質量的數據和有效的數據管理，無論是在學術研究還是在商業應用領域，都能夠保證分析結果的真實和有價值。 大數據分析的基礎就是以上五個方面，當然更加深入大數據分析的話，還有很多很多更加有特點的、更加深入的、更加專業的大數據分析方法。

 

二、如何選擇適合的數據分析工具

 

要明白分析什么數據，大數據要分析的數據類型主要有四大類：

 

1．交易數據（TRANSACTION DATA）

大數據平臺能夠獲取時間跨度更大、更海量的結構化交易數據，這樣就可以對更廣泛的交易數據類型進行分析，不僅僅包括POS或電子商務購物數據，還包括行為交易數據，例如Web服務器記錄的互聯網點擊流數據日志。

 

2．人為數據（HUMAN-GENERATED DATA）

非結構數據廣泛存在于電子郵件、文檔、圖片、音頻、視頻，以及通過博客、維基，尤其是社交媒體產生的數據流。這些數據為使用文本分析功能進行分析提供了豐富的數據源泉。

 

3．移動數據（MOBILE DATA）

能夠上網的智能手機和平板越來越普遍。這些移動設備上的App都能夠追蹤和溝通無數事件，從App內的交易數據（如搜索產品的記錄事件）到個人信息資料或狀態報告事件（如地點變更即報告一個新的地理編碼）。

 

4．機器和傳感器數據（MACHINE AND SENSOR DATA）

這包括功能設備創建或生成的數據，例如智能電表、智能溫度控制器、工廠機器和連接互聯網的家用電器。這些設備可以配置為與互聯網絡中的其他節點通信，還可以自動向中央服務器傳輸數據，這樣就可以對數據進行分析。機器和傳感器數據是來自新興的物聯網（IoT）所產生的主要例子。來自物聯網的數據可以用于構建分析模型，連續監測預測性行為（如當傳感器值表示有問題時進行識別），提供規定的指令（如警示技術人員在真正出問題之前檢查設備）。

 

三、如何區分三個大數據熱門職業——數據科學家、數據工程師、數據分析師

 

隨著大數據的愈演愈熱，相關大數據的職業也成為熱門，給人才發展帶來帶來了很多機會。數據科學家、數據工程師、數據分析師已經成為大數據行業最熱門的職位。它們是如何定義的？具體是做什么工作的？需要哪些技能？讓我們一起來看看吧。

 

這3個職業具體有什么職責

 

數據科學家的工作職責：數據科學家傾向于用探索數據的方式來看待周圍的世界。把大量散亂的數據變成結構化的可供分析的數據，還要找出豐富的數據源，整合其他可能不完整的數據源，并清理成結果數據集。新的競爭環境中，挑戰不斷地變化，新數據不斷地流入，數據科學家需要幫助決策者穿梭于各種分析，從臨時數據分析到持續的數據交互分析。當他們有所發現，便交流他們的發現，建議新的業務方向。他們很有創造力的展示視覺化的信息，也讓找到的模式清晰而有說服力。把蘊含在數據中的規律建議給Boss，從而影響產品，流程和決策。

 

數據工程師的工作職責：分析歷史、預測未來、優化選擇，這是大數據工程師在“玩數據”時最重要的三大任務。通過這三個工作方向，他們幫助企業做出更好的商業決策。

 

大數據工程師一個很重要的工作，就是通過分析數據來找出過去事件的特征。通過引入關鍵因素，大數據工程師可以預測未來的消費趨勢。在阿里媽媽的營銷平臺上，工程師正試圖通過引入氣象數據來幫助淘寶賣家做生意。比如今年夏天不熱，很可能某些產品就沒有去年暢銷，除了空調、電扇，背心、游泳衣等都可能會受其影響。那么我們就會建立氣象數據和銷售數據之間的關系，找到與之相關的品類，提前警示賣家周轉庫存。

 

根據不同企業的業務性質，大數據工程師可以通過數據分析來達到不同的目的。

 

與傳統的數據分析師相比，互聯網時代的數據分析師面臨的不是數據匱乏，而是數據過剩。因此，互聯網時代的數據分析師必須學會借助技術手段進行高效的數據處理。更為重要的是，互聯網時代的數據分析師要不斷在數據研究的方法論方面進行創新和突破。

 

就行業而言，數據分析師的價值與此類似。就新聞出版行業而言，無論在任何時代，媒體運營者能否準確、詳細和及時地了解受眾狀況和變化趨勢，都是媒體成敗的關鍵。

 

此外，對于新聞出版等內容產業來說，更為關鍵的是，數據分析師可以發揮內容消費者數據分析的職能，這是支撐新聞出版機構改善客戶服務的關鍵職能。

 

大數據分析師需要掌握的技能

1．懂業務。從事數據分析工作的前提就會需要懂業務，即熟悉行業知識、公司業務及流程，最好有自己獨到的見解，若脫離行業認知和公司業務背景，分析的結果只會是脫了線的風箏，沒有太大的使用價值。

 

2．懂管理。一方面是搭建數據分析框架的要求，比如確定分析思路就需要用到營銷、管理等理論知識來指導，如果不熟悉管理理論，就很難搭建數據分析的框架，后續的數據分析也很難進行。另一方面的作用是針對數據分析結論提出有指導意義的分析建議。

 

3．懂分析。指掌握數據分析基本原理與一些有效的數據分析方法，并能靈活運用到實踐工作中，以便有效的開展數據分析?；镜姆治龇椒ㄓ校簩Ρ确治龇?、分組分析法、交叉分析法、結構分析法、漏斗圖分析法、綜合評價分析法、因素分析法、矩陣關聯分析法等。高級的分析方法有：相關分析法、回歸分析法、聚類分析法、判別分析法、主成分分析法、因子分析法、對應分析法、時間序列等。

 

4．懂工具。指掌握數據分析相關的常用工具。數據分析方法是理論，而數據分析工具就是實現數據分析方法理論的工具，面對越來越龐大的數據，我們不能依靠計算器進行分析，必須依靠強大的數據分析工具幫我們完成數據分析工作。

 

5．懂設計。懂設計是指運用圖表有效表達數據分析師的分析觀點，使分析結果一目了然。圖表的設計是門大學問，如圖形的選擇、版式的設計、顏色的搭配等等，都需要掌握一定的設計原則。

 

四、從菜鳥成為數據科學家的 9步養成方案

 

首先，各個公司對數據科學家的定義各不相同，當前還沒有統一的定義。但在一般情況下，一個數據科學家結合了軟件工程師與統計學家的技能，并且在他或者她希望工作的領域投入了大量行業知識。

 

大約90%的數據科學家至少有大學教育經歷，甚至到博士以及獲得博士學位，當然，他們獲得的學位的領域非常廣泛。一些招聘者甚至發現人文專業的人們有所需的創造力，他們能教別人一些關鍵技能。

 

因此，排除一個數據科學的學位計劃(世界各地的著名大學雨后春筍般的出現著)，你需要采取什么措施，成為一個數據科學家?

 

復習你的數學和統計技能。一個好的數據科學家必須能夠理解數據告訴你的內容，做到這一點，你必須有扎實的基本線性代數，對算法和統計技能的理解。在某些特定場合可能需要高等數學，但這是一個好的開始場合。

 

了解機器學習的概念。機器學習是下一個新興詞，卻和大數據有著千絲萬縷的聯系。機器學習使用人工智能算法將數據轉化為價值，并且無需顯式編程。

 

學習代碼。數據科學家必須知道如何調整代碼，以便告訴計算機如何分析數據。從一個開放源碼的語言如python那里開始吧。

 

了解數據庫、數據池及分布式存儲。數據存儲在數據庫、數據池或整個分布式網絡中。以及如何建設這些數據的存儲庫取決于你如何訪問、使用、并分析這些數據。如果當你建設你的數據存儲時沒有整體架構或者超前規劃，那后續對你的影響將十分深遠。

 

學習數據修改和數據清洗技術。數據修改是將原始數據到另一種更容易訪問和分析的格式。數據清理有助于消除重復和“壞”數據。兩者都是數據科學家工具箱中的必備工具。

 

了解良好的數據可視化和報告的基本知識。你不必成為一個平面設計師，但你確實需要深諳如何創建數據報告，便于外行的人比如你的經理或CEO可以理解。

 

添加更多的工具到您的工具箱。一旦你掌握了以上技巧，是時候擴大你的數據科學工具箱了，包括Hadoop、R語言和Spark。這些工具的使用經驗和知識將讓你處于大量數據科學求職者之上。

 

練習。在你在新的領域有一個工作之前，你如何練習成為數據科學家?使用開源代碼開發一個你喜歡的項目、參加比賽、成為網絡工作數據科學家、參加訓練營、志愿者或實習生。最好的數據科學家在數據領域將擁有經驗和直覺，能夠展示自己的作品，以成為應聘者。

成為社區的一員。跟著同行業中的思想領袖，閱讀行業博客和網站，參與，提出問題，并隨時了解時事新聞和理論。