數據分析讓我通過數據，以“上帝視角”看世界，這是我選擇數據分析行業的主要原因。
本文從以下幾點為你梳理轉行數據分析的思路，
- 人人都可以轉行數據分析么？
- 數據分析行業升級路線
- 轉行數據分析的學習路線以及資源
花了一周時間打磨這篇文章，為的是盡可能客觀真實地給你一個轉行數據分析的思路，如果你覺得本文有幫到你，那就點贊支持一下吧，俗話說，光收藏不點贊都是耍流氓噠
01 人人都可以轉行數據分析么？
我學的專業是電路與系統，就是設計電路的，一直學到碩士（只要喜歡，轉行永遠不遲）。
畢業后我去了一家世界500強企業從事搭建手機通信芯片里面一個小電路的工作，干了一年半，在轉行的念頭中掙扎了半年，然后裸辭回家，思考人生。
待業家中7個月，期間干了很多事兒，也想清楚了很多事兒，便一頭扎進大數據行業，用了一年從excel都用不太溜的小白成長為數據分析主管(偏數據挖掘)。
轉行窮三年，一點都沒錯，如果用薪資概括我的轉行歷程，就是這樣的
轉行前月入五位數 --> 轉行初期五位數的第一位直接抹掉 --> 現在把轉行初期*400%
這就是我的轉行經歷，說來三言兩語，但其中坎坷只有自己知道，所以我開通了這個專欄，分享我的技術學習路線以及相關知識點解讀，希望能夠幫助你避開大坑，少走彎路。
另外，有很多朋友問我：現在轉行是不是太遲了？轉行大數據行業是不是太難了？
這些朋友中有前同事，有一起寫作的戰友，也有剛畢業的大學生，我想，讀到這篇文章的你或多或少也會有這樣的疑問和擔憂。
所以，我特別想分享兩個我的觀點：
只要喜歡，轉行永遠不遲：生命那么長，怎么會因為做了幾年某個方向的工作，就把自己的標簽貼牢了呢？就我個人經歷而言，我花了7年學習電路專業知識，花了1.5年從事電路設計工作，到頭來還是扎進了另一個毫不相干的行業。
別被高大上的名詞唬住，大數據的逼格沒有你想象的那么高：即使是偏技術的數據挖掘端，我們平時大多數時間也是在清洗數據，而不是你想象的在鼓搗AI。就我個人經歷而言，轉行之前我的知識全在硬件方面，軟件一竅不通(excel都用不咋溜)，但只要你愿意在別人打游戲追劇逛街的時候，默默學習相關知識，你也可以攻下“大數據”。
02 數據分析行業升級路線
進入數據分析行業兩年，平時會面試一些同學，我發現一個共性：
大部分應屆生，或者轉行的同學，對于數據分析行業的理解有較大偏誤（或者干脆沒想過……）
所以我單獨提一章出來，從一個從業者的角度說說對數據分析行業的理解，希望能讓“數據分析行業”在你腦海中有一個清晰的地圖，也希望能夠幫助陷入轉行掙扎的你看清方向。
數據分析行業是大數據行業的兒子，他的兄弟姐妹包括：數據采集、數據工程、數據產品等，簡單來說，他們之間是這樣協作的：
- 數據采集端主要負責采集相關數據，這些數據既可以來自埋點，也可以來自爬蟲，采集量的話，比如我所在公司主攻電商大數據，就京東平臺而言，月產品抽樣采集量一般在三千萬左右。
- 數據工程端簡單來說主要負責結構化存儲海量數據，使得采集到的數據以及歷史數據以最優化的方式被存儲以及調用，涉及到的知識點在于數據庫方面，從最基礎的SQL到Hadoop集群、分布式存儲、NoSQL等。
- 數據分析端主要負責將待挖掘的數據清晰、挖掘、分析，給出數據背后的洞察和建議，此方向又可細分為偏業務的數據分析和偏技術的數據挖掘，后面我們細講。
- 數據產品端也可以理解為懂數據分析的產品經理，此方面我涉獵不多，就不多做評價啦。
下面重點講一講數據分析端
數據分析較為新興，因此其崗位職責劃分也是各家有各家的說法，不過總體可以概括為以下兩個方向：
- 偏業務的數據分析方向
- 偏技術的數據挖掘方向
我們分別說一說
偏業務方向
數據分析師（偏分析），此方向更看重邏輯思維，比如你思考框架的完整性、思維的靈活性。相比于比較傳統的商業分析師、行業分析師，除了對業務的深入理解之外，你需要有對數據有更敏銳的嗅覺。
此方向是大多數人轉行大數據行業的起點，你需要熟練office軟件、excel等，薪資在大數據行業中處于中下水平。數據分析師（偏數據），此方向更看重數據處理基礎，比如從數據庫中按需求取數、按需求統計數據等，相比偏分析的數據分析師，你需要更加熟練excel、sql等，當然，對業務的理解也非常重要，因為有時候你從數據出發的建議對分析端會有巨大幫助。
此方向是從數據分析師向數據挖掘等技術崗升級的路線之一，你需要熟練sql、excel等，薪資相對偏分析的數據分析師有一定提升，但天花板不夠高。
偏技術方向
數據挖掘工程師，此方向更看重數據技術，比如統計學基礎、數據庫操作(SQL等)編程基礎(python等)、機器學習基礎(分類模型等)，同時你還需要對業務有一定程度的理解（要不怎么挖掘數據呢？）。數據挖掘工程師的主要工作是利用已有的算法模型，對業務數據進行清洗、建模、分析（用輪子）
此方向薪資遠大于數據分析師，天花板也較高，不過升級有一定難度。算法工程師，此方向更看重理論基礎，比如機器學習算法原理、相關數學原理等。算法工程師的主要工作一般是研究算法、為公司的相關業務需求優化算法(造輪子、修輪子、優化輪子)。
此方向薪資非常高，天花板也高，不過一是升級難度大，二是市場需求沒有數據挖掘等方向大，一般是大型大數據公司才會需要這個崗位，比如BAT（中小公司由于成本問題，一般用輪子就好，最多稍稍優化一下已有的輪子）
這就是目前數據分析行業的升級地圖，希望能夠幫助迷茫的你看清數據分析行業的樣子，更快找到適合自己的發展方向，少走彎路。
p.s. 以上技能要求我給的是最低要求，實際你應該掌握包括但不限于我給出的技能要求
03 學習路線、方法和資料
相信我，只要你愿意在別人打游戲追劇逛街的時候，默默學習，你也可以攻下“大數據”，我的這條路是普適的，你也可以。
0基礎轉行數據分析，雖然買了很多課程、看了很多回答，我還是走了很多彎路，回想起來，如果有人能在那時給我一條清晰的升級路線和學習方向，我至少可以節省6個月的學習時間，所以當我有能力為后來者點明方向時，我會盡我所能為后來者理清學習方向。
下面是我的學習路線，為避免你看糊涂，我把我走的彎路去掉了，只留下從0到1這條直直的學習路線，如果你想轉行數據分析，多看幾遍，以后你會來感謝我的！
基礎篇(適用于初級數據分析師)
1. excel
- 關鍵知識點：excel基本函數(sumif,countif,left,rand等)、lookup(vlookup/hlookup)，數據透視表
- 學習時長：一周（一天4小時算）
- 學習資源：個人不建議一來就搞一本厚厚的大部頭，根據我說的關鍵知識點，自行搜索用法+練習即可
2. sql
- 關鍵知識點：增刪改查，特別是條件查詢(where, group by, order by等)
- 學習時長：一周半(一天4小時算)
- 學習資源：
- 免費的學習網站codeacademy，跟著sql基礎課程敲了一遍即可，現在這個網站需要科學上網才可以注冊和訪問
- 《sql必知必會》不用全讀，根據關鍵知識點學習即可
- 自行搜索用法+練習
3. python
-
關鍵知識點：numpy，pandas，matplotib，seaborn包的熟練使用
- 注意，python可以干的事兒太多了，從web開發到算法模型，瞄準你的目標-數據分析，專注學我說的這幾個包就可以了
- 學習時長：6周（一天4小時算）
- 學習資源：
- 《利用python進行數據分析》，主講numpy和pandas用法，瀏覽一遍，用作工具書
- 按照我給的關鍵知識點，自行搜索相關包的官方說明，非常詳盡（初級英語閱讀能力）
4. 統計學
- 關鍵知識點：概率論、假設檢驗、分布(泊松、二項、正態等)、統計抽樣等
- 學習時長：3周（一天4小時）
- 學習資源：《深入淺出統計學》比較適合小白入門，書很厚，別怕，都是圖
進階篇（適用于中級數據分析師、數據挖掘工程師）
5. 數學知識
-
關鍵知識點：
- 線性代數：線性代數：矩陣運算，矩陣特征(秩、跡、特征值特征矩陣、相似矩陣、正定矩陣、逆矩陣、非奇異、行列式)、線性相關，向量空間，向量范數，矩陣范數，最小二乘法，最大似然估計
- 微分：極限，導數，偏導數，泰勒展開，梯度下降法，牛頓法
- 凸優化：凸優化：基本概念(凸集合，凸函數，上境圖，凸組合，凸包)，凸優化(拉格朗日對偶性，對偶問題，KKT條件，拉格朗日乘數法)
學習時長：4周（一天4小時算，最好學過高等數學）
學習資源：根據我給出的關鍵知識點，對著教材學習或自行搜索知識點關鍵詞學習
6. 數據挖掘算法
- 關鍵知識點：分類、回歸、聚類、關聯規則挖掘、降維等
- 學習時長：4周先把分類回歸理論和代碼搞定，剩下4周搞定后面的，理論理解更重要
- 學習資源：
- 《統計學習方法》經典，主講分類算法，偏理論推導
- 《機器學習實戰》過癮，對著《統計學習方法》來一套，保證你對理論明明白白
- 《機器學習》周志華老師的，也是經典
- 以上所有算法的代碼實操+理論解讀也可以參考我的GitHub
7. 神經網絡
- 暫略
最后說幾個學習過程中的大坑：
- 想把所有板塊的知識學完再學下一個：錯！舉個例子，python可以做的事情太多了，你要把python學完再進行下一步么？怎么辦？學我說的關鍵知識點就夠了。
-
先學技術，在搞分析：錯！分析比技術門檻低得多，如果你想轉行數據分析，建議從偏分析的數據分析師入手，比如自己寫個分析報告作為敲門磚，技術可以在工作后利用下班時間學習。
剩下的坑待補充
相信我，只要你愿意在別人打游戲追劇逛街的時候，默默學習，你也可以攻下“大數據”。
04 專欄更新計劃
開通這個專欄，目的在于把我這兩年的學習精華送給你，跟著我的專欄一步步學習，你也可以從數據分析小白變成獨當一面的能手。
文章結構
1. 基于學習時間線的技術學習文章
- excel關鍵函數解讀與練習：待更新
- sql增刪改查語法解讀與練習：待更新
- python關鍵函數解讀與練習：numpy, pandas、可視化已更新，leetcode練手已更新
- 數據挖掘算法：所有算法的代碼實操+理論解讀已更新
- 神經網絡：待更新
2. 趣味數據分析
- 爬取拉勾數據并分析：想成為大數據人才？你得擁有這些能力！
- 共享單車需求分析
- 餐廳小費分析
- 待更新
3. 經驗建議類
- 本文
- 待更新
以上便是專欄文章結構以及更新計劃，動動手關注專欄，讓我們一起探索大數據的樂趣吧！
