大數(shù)據(jù)是眾多學科與統(tǒng)計學交叉產(chǎn)生的一門新興學科。大數(shù)據(jù)牽扯的數(shù)據(jù)挖掘、云計算一類的，所以是計算機一類的專業(yè)。分布比較廣，應(yīng)用行業(yè)較多。

零售業(yè)：主要集中在客戶營銷分析上，通過大數(shù)據(jù)技術(shù)可以對客戶的消費信息進行分析。獲知客戶的消費習慣、消費方向等，以便商場做好更合理商品、貨架擺放，規(guī)劃市場營銷方案、產(chǎn)品推薦手段等。

金融業(yè)：在金融行業(yè)里頭，數(shù)據(jù)即是生命，其信息系統(tǒng)中積累了大量客戶的交易數(shù)據(jù)。通過大數(shù)據(jù)可以對客戶的行為進行分析、防堵詐騙、金融風險分析等。

醫(yī)療業(yè)：通過大數(shù)據(jù)可以輔助分析疫情信息，對應(yīng)做出相應(yīng)的防控措施。對人體健康的趨勢分析在電子病歷、醫(yī)學研發(fā)和臨床試驗中，可提高診斷準確性和藥物有效性等。

制造業(yè)：該行業(yè)對大數(shù)據(jù)的需求主要體現(xiàn)在產(chǎn)品研發(fā)與設(shè)計、供應(yīng)鏈管理、生產(chǎn)、售后服務(wù)等。通過數(shù)據(jù)分析，在產(chǎn)品研發(fā)過程中免除掉一些不必要的步驟，并且及時改善產(chǎn)品的制造與組裝的流程。

大數(shù)據(jù)前景是很不錯的，像大數(shù)據(jù)這樣的專業(yè)還是一線城市比較好，師資力量跟得上、就業(yè)的薪資也是可觀的，學習大數(shù)據(jù)可以按照路線圖的順序，

學大數(shù)據(jù)關(guān)鍵是找到靠譜的大數(shù)據(jù)培訓機構(gòu)，你可以深度了解機構(gòu)的口碑情況，問問周圍知道這家機構(gòu)的人，除了口碑再了解機構(gòu)的以下幾方面：

1.?師資力量雄厚

要想有1+1>2的實際效果，很關(guān)鍵的一點是師資隊伍，你接下來無論是找個工作還是工作中出任哪些的人物角色，都越來越愛你本身的技術(shù)專業(yè)大數(shù)據(jù)技術(shù)性，也許的技術(shù)專業(yè)大數(shù)據(jù)技術(shù)性則絕大多數(shù)來自你的技術(shù)專業(yè)大數(shù)據(jù)教師，一個好的大數(shù)據(jù)培訓機構(gòu)必須具備雄厚的師資力量。

2. 就業(yè)保障完善

實現(xiàn)1+1>2效果的關(guān)鍵在于能夠為你提供良好的發(fā)展平臺，即能夠為你提供良好的就業(yè)保障，讓學員能夠?qū)W到實在實在的知識，并向大數(shù)據(jù)學員提供一對一的就業(yè)指導，確保學員找到自己的心理工作。

3. 學費性價比高

一個好的大數(shù)據(jù)培訓機構(gòu)肯定能給你帶來1+1>2的效果，如果你在一個由專業(yè)的大數(shù)據(jù)教師領(lǐng)導并由大數(shù)據(jù)培訓機構(gòu)自己提供的平臺上工作，你將獲得比以往更多的投資。

希望你早日學有所成。

1. 第一階段(一般崗位叫數(shù)據(jù)專員)

基本學會excel(VBA最好學會;會做透視表;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

2. 第二階段(數(shù)據(jù)專員~數(shù)據(jù)分析師)

這一階段要會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)小運營、產(chǎn)品團隊夠用了。

3. 第三階段(數(shù)據(jù)分析師)

統(tǒng)計學熟練(回歸、假設(shè)檢驗、時間序列、簡單蒙特卡羅)，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)。

4. 第四階段(分裂)

數(shù)據(jù)分析師(數(shù)據(jù)科學家)、BI等：這部分一般是精進統(tǒng)計學，熟悉業(yè)務(wù)，機器學習會使用(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：這部分國內(nèi)比較少，其實偏重前端，會high charts，, 。技術(shù)發(fā)展路線可以獨立，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)：機器學習精通級別(往往是幾種，不用擔心不是全部，和數(shù)據(jù)分析師側(cè)重點不同，更需要了解組合模型，理論基礎(chǔ))，會組合模型形成數(shù)據(jù)產(chǎn)品;計算機基本知識(包括linux知識、軟件工程等);各類數(shù)據(jù)庫(RDBMS、NoSQL(4大類))

數(shù)據(jù)挖掘：和上基本相同。

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

發(fā)現(xiàn)回答的有點文不對題額，不過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)展的基本學習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)，話說本人技術(shù)并不是很好，但是起碼會操作;要會大膽秀自己，和業(yè)務(wù)部門交流需求，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)庫類(必須學)

初級只要會RDBMS就行了，看公司用哪個，用哪個學哪個。沒進公司就學MySQL吧。

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

3. 統(tǒng)計學(必須學)

如果要學統(tǒng)計學，重要概念是會描述性統(tǒng)計、假設(shè)檢驗、貝葉斯、極大似然法、回歸(特別是廣義線性回歸)、主成分分析。這些個用的比較多。也有學時間序列、bootstrap、非參之類的，這個看自己的意愿。

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

4. 機器學習(數(shù)據(jù)分析師要求會選、用、調(diào))

常用的是幾個線性分類器、聚類、回歸、隨機森林、貝葉斯;不常用的也稍微了解一下;深度學習視情況學習。

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

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

6. 文本類(選學，有公司要求的話會用即可)

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

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

首先，必須明白數(shù)值分析的用途。通常所學的其他數(shù)學類學科都是由公式定理開始，從研究他們的定義，性質(zhì)再到證明與應(yīng)用。但實際上，尤其是工程，物理，化學等其它具體的學科。往往你拿到手的只是通過實驗得到的數(shù)據(jù)。如果是驗證性試驗，需要代回到公式進行分析，驗證。但往往更多面對的是研究性或試探性試驗，無具體公式定理可代。那就必須通過插值，擬合等計算方法進行數(shù)據(jù)處理以得到一個相對可用的一般公式。還有許多計算公式理論上非常復雜，在工程中不實用，所以必須根據(jù)實際情況把它轉(zhuǎn)化成多項式近似表示。這都是數(shù)值分析的任務(wù)。學習數(shù)值分析，不應(yīng)盲目記公式，因為公事通常很長且很乏味。我個人認為，應(yīng)從公式所面臨的問題以及用途出發(fā)。比如插值方法，就是就是把實驗所得的數(shù)據(jù)看成是公式的解（好比函數(shù)圖像上的各個點），由這些解反推出一個近似公式，可以具有局部一般性。再比如說擬合，在插值的基礎(chǔ)上考慮實驗誤差，通過擬合能將誤差盡可能縮小，之后目的也是得到一個具有一定條件下的一般性的公式。好好學吧，數(shù)值分析挺實用，與數(shù)學建模一起構(gòu)成數(shù)學學科中最實用的兩門學科，在工程，經(jīng)濟等許多鄰域都有廣泛的用途。

數(shù)據(jù)分析工程師+培訓?結(jié)構(gòu)介紹如下：

了解數(shù)據(jù)采集的意義在于真正了解數(shù)據(jù)的原始面貌，包括數(shù)據(jù)產(chǎn)生的時間、條件、格式、內(nèi)容、長度、限制條件等。這會幫助數(shù)據(jù)分析師更有針對性的控制數(shù)據(jù)生產(chǎn)和采集過程，避免由于違反數(shù)據(jù)采集規(guī)則導致的數(shù)據(jù)問題；同時，對數(shù)據(jù)采集邏輯的認識增加了數(shù)據(jù)分析師對數(shù)據(jù)的理解程度，尤其是數(shù)據(jù)中的異常變化。

Omniture中的Prop變量長度只有100個字符，在數(shù)據(jù)采集部署過程中就不能把含有大量中文描述的文字賦值給Prop變量（超過的字符會被截斷）。

在Webtrekk323之前的Pixel版本，單條信息默認最多只能發(fā)送不超過2K的數(shù)據(jù)。當頁面含有過多變量或變量長度有超出限定的情況下，在保持數(shù)據(jù)收集的需求下，通常的解決方案是采用多個sendinfo方法分條發(fā)送；而在325之后的Pixel版本，單條信息默認最多可以發(fā)送7K數(shù)據(jù)量，非常方便的解決了代碼部署中單條信息過載的問題。

當用戶在離線狀態(tài)下使用APP時，數(shù)據(jù)由于無法聯(lián)網(wǎng)而發(fā)出，導致正常時間內(nèi)的數(shù)據(jù)統(tǒng)計分析延遲。直到該設(shè)備下次聯(lián)網(wǎng)時，數(shù)據(jù)才能被發(fā)出并歸入當時的時間。這就產(chǎn)生了不同時間看相同歷史時間的數(shù)據(jù)時會發(fā)生數(shù)據(jù)有出入。

在數(shù)據(jù)采集階段，數(shù)據(jù)分析師需要更多的了解數(shù)據(jù)生產(chǎn)和采集過程中的異常情況，如此才能更好的追本溯源。另外，這也能很大程度上避免“垃圾數(shù)據(jù)進導致垃圾數(shù)據(jù)出”的問題。

. 第一階段（一般崗位叫數(shù)據(jù)專員）基本學會excel（VBA最好學會；會做透視表；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2. 第二階段（數(shù)據(jù)專員~數(shù)據(jù)分析師）這一階段要會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)小運營、產(chǎn)品團隊夠用了。