我小時候的理想是將來做一名數(shù)學(xué)家，可惜長大了發(fā)現(xiàn)自己天賦不夠，理想漸行漸遠(yuǎn)，于是開始考慮現(xiàn)實，開始做一些人生規(guī)劃，我一直在思考將來從事何種職業(yè)，專注什么樣的領(lǐng)域，重新定義著自己的職業(yè)理想。我現(xiàn)在的職業(yè)理想，比較簡單，就是做一名數(shù)據(jù)分析師。

為什么要做數(shù)據(jù)分析師：

在通信、互聯(lián)網(wǎng)、金融等這些行業(yè)每天產(chǎn)生巨大的數(shù)據(jù)量(長期更是積累了大量豐富的數(shù)據(jù)，比如客戶交易數(shù)據(jù)等等)，據(jù)說到2020年，全球每年產(chǎn)生的數(shù)據(jù)量達(dá)到3500萬億GB;海量的歷史數(shù)據(jù)是否有價值，是否可以利用為領(lǐng)導(dǎo)決策提供參考依據(jù)?隨著軟件工具、數(shù)據(jù)庫技術(shù)、各種硬件設(shè)備的飛快發(fā)展，使得我們分析海量數(shù)據(jù)成為可能。

而數(shù)據(jù)分析也越來越受到領(lǐng)導(dǎo)層的重視，借助報表告訴用戶什么已經(jīng)發(fā)生了，借助OLAP和可視化工具等分析工具告訴用戶為什么發(fā)生了，通過dashboard監(jiān)控告訴用戶現(xiàn)在在發(fā)生什么，通過預(yù)報告訴用戶什么可能會發(fā)生。數(shù)據(jù)分析會從海量數(shù)據(jù)中提取、挖掘?qū)I(yè)務(wù)發(fā)展有價值的、潛在的知識，找出趨勢，為決策層的提供有力依據(jù)，為產(chǎn)品或服務(wù)發(fā)展方向起到積極作用，有力推動企業(yè)內(nèi)部的科學(xué)化、信息化管理。

我們舉兩個通過數(shù)據(jù)分析獲得成功的例子：

(1) Facebook廣告與微博、SNS等網(wǎng)絡(luò)社區(qū)的用戶相聯(lián)系，通過先進(jìn)的數(shù)據(jù)挖掘與分析技術(shù)，為廣告商提供更為精準(zhǔn)定位的服務(wù)，該精準(zhǔn)廣告模式收到廣大廣告商的熱捧，根據(jù)市場調(diào)研機(jī)構(gòu)eMarketer的數(shù)據(jù)，F(xiàn)acebook年營收額超過20億美元，成為美國最大的在線顯示廣告提供商。

(2) Hitwise發(fā)布會上，亞太區(qū)負(fù)責(zé)人John舉例說明: 亞馬遜30%的銷售是來自其系統(tǒng)自動的產(chǎn)品推薦，通過客戶分類，測試統(tǒng)計，行為建模，投放優(yōu)化四步，運(yùn)營客戶的行為數(shù)據(jù)帶來競爭優(yōu)勢。

此外，還有好多好多，數(shù)據(jù)分析，在營銷、金融、互聯(lián)網(wǎng)等方面應(yīng)用是非常廣泛的：比如在營銷領(lǐng)域，有數(shù)據(jù)庫營銷，精準(zhǔn)營銷，RFM分析，客戶分群，銷量預(yù)測等等;在金融上預(yù)測股價及其波動，套利模型等等;在互聯(lián)網(wǎng)電子商務(wù)上面，百度的精準(zhǔn)廣告，淘寶的數(shù)據(jù)魔方等等。類似成功的案例會越來越多，以至于數(shù)據(jù)分析師也越來越受到重視。

然而，現(xiàn)實卻是另一種情況。我們來看一個來自微博上的信息：在美國目前面臨14萬~19萬具有數(shù)據(jù)分析和管理能力的專業(yè)人員，以及150萬具有理解和決策能力(基于對海量數(shù)據(jù)的研究)的管理人員和分析人員的人才短缺。而在中國，受過專業(yè)訓(xùn)練并有經(jīng)驗的數(shù)據(jù)分析人才，未來三年，分析能力人才供需缺口將逐漸放大，高級分析人才難尋。

也就是說，數(shù)據(jù)分析的需求在不斷增長，然而合格的為企業(yè)做分析決策的數(shù)據(jù)分析師卻寥寥無幾。好多人想做數(shù)據(jù)分析卻不知道如何入手，要么不懂得如何清洗數(shù)據(jù)，直接把數(shù)據(jù)拿來就用;要么亂套模型，分析的頭頭是道，其實完全不是那么回事。按俗話說就是：見過豬跑，沒吃過豬肉。

我的職業(yè)規(guī)劃：

對于數(shù)據(jù)分析，有一句話說的非常好：spss/sql之類的軟件、決策樹、時間序列之類的方法，這些僅僅就都是個工具而已，最重要的是對業(yè)務(wù)的把握。沒有正確的業(yè)務(wù)理解，再牛的理論，再牛的工具，都是白搭。

做一名合格的數(shù)據(jù)分析師，除了對數(shù)據(jù)需要有良好的敏感性之外，對相關(guān)業(yè)務(wù)的背景的深入了解，對客戶或業(yè)務(wù)部門的需求的清晰認(rèn)識。根據(jù)實際的業(yè)務(wù)發(fā)展情況識別哪些數(shù)據(jù)可用，哪些不適用，而不是孤立地在“真空環(huán)境”下進(jìn)行分析。

為此，我對自己的規(guī)劃如下：

第一步：掌握基本的數(shù)據(jù)分析知識(比如統(tǒng)計，概率，數(shù)據(jù)挖掘基礎(chǔ)理論，運(yùn)籌學(xué)等)，掌握基本的數(shù)據(jù)分析軟件(比如，VBA，Matlab，Spss，Sql等等)，掌握基本的商業(yè)經(jīng)濟(jì)常識(比如宏微觀經(jīng)濟(jì)學(xué)，營銷理論，投資基礎(chǔ)知識，戰(zhàn)略與風(fēng)險管理等等)。這些基礎(chǔ)知識，在學(xué)校里盡量的學(xué)習(xí)，而且我來到了和君商學(xué)院，這樣我可以在商業(yè)分析、經(jīng)濟(jì)分析上面領(lǐng)悟到一些東西，增強(qiáng)我的數(shù)據(jù)分析能力。

第二步：參與各種實習(xí)。研一開始我當(dāng)時雖然有課，不過很幸運(yùn)的找到一份一周只需去一兩天的兼職，內(nèi)容是為三星做競爭對手分析，當(dāng)然分析框架是leader給定了，我只是做整合資料和往ppt里填充的內(nèi)容的工作，不過通過兼職，我接觸到了咨詢行業(yè)，也向正式員工學(xué)習(xí)了很多商業(yè)分析、思考邏輯之類的東西。

之后去西門子，做和VBA的事情，雖然做的事情與數(shù)據(jù)分析無關(guān)，不過在公司經(jīng)常用VBA做一些自動化處理工作，為自己的數(shù)據(jù)分析工具打好了基礎(chǔ)。再之后去了易車，在那里兼職了一個多月，參與了大眾汽車銷量數(shù)據(jù)短期預(yù)測的項目，一個小項目下來，數(shù)據(jù)分析的方法流程掌握了不少，也了解了企業(yè)是如何用一些時間序列模型去參與預(yù)測的，如何選取某個擬合曲線作為預(yù)測值。

現(xiàn)在，我來到新的地方實習(xí)，也非常幸運(yùn)的參加了一個央企的碼頭堆場優(yōu)化系統(tǒng)設(shè)計，其實也算數(shù)據(jù)分析的一種吧，通過碼頭的數(shù)據(jù)實施調(diào)度，通過碼頭的數(shù)據(jù)進(jìn)行決策，最后寫成一個可操作的自動化系統(tǒng)。而這個項目，最重要的就是業(yè)務(wù)流程的把握，我也參與項目最初的需求調(diào)研，和制定工作任務(wù)說明書SOW，體會頗多。

第三步：第一份工作，預(yù)計3-5年。我估計會選擇咨詢公司或者IT公司吧，主要是做數(shù)據(jù)分析這塊比較強(qiáng)的公司，比如Fico，埃森哲，高沃，瑞尼爾，IBM，AC等等。通過第一份工作去把自己的知識打得扎實些，學(xué)會在實際中應(yīng)用所學(xué)，學(xué)會數(shù)據(jù)分析的流程方*，讓自己成長起來。

第四步：去自己喜歡的一個行業(yè)，深入了解這個行業(yè)，并講數(shù)據(jù)分析應(yīng)用到這個行業(yè)里。比如我可以去電子商務(wù)做數(shù)據(jù)分析師。我覺得我選擇電子商務(wù)，是因為未來必將是互聯(lián)網(wǎng)的時代，電子商務(wù)必將取代傳統(tǒng)商務(wù)，最顯著的現(xiàn)象就是傳統(tǒng)零售商老大沃爾瑪正在受到亞馬遜的挑戰(zhàn)。此外，電子商務(wù)比傳統(tǒng)的零售商具有更好的數(shù)據(jù)收集和管理能力，可以更好的跟蹤用戶、挖掘潛在用戶、挖掘潛在商品。

第五步：未知。我暫時沒有想法，不過我希望我是在一直的進(jìn)步。

有一位數(shù)據(jù)分析牛人曾經(jīng)總結(jié)過數(shù)據(jù)分析師的能力和目標(biāo)：

能力：一定要懂點戰(zhàn)略、才能結(jié)合商業(yè);一定要漂亮的presentation、才能buying;一定要有g(shù)lobal view、才能打單;一定要懂業(yè)務(wù)、才能結(jié)合市場;一定要專幾種工具、才能干活;一定要學(xué)好、才能有效率;一定要有強(qiáng)悍理論基礎(chǔ)、才能入門;一定要努力、才能賺錢;最重要的：一定要務(wù)實、才有reputation;不懂的話以后慢慢就明白了。

目標(biāo)：1-做過多少個項目?2-業(yè)務(wù)背景有哪些，是否跨行業(yè)?3-做過多少種類型的模型?做了多少個模型?4-基于模型做過多少次完整的marketing閉環(huán)?以上四個問題，足以秒殺95%以上的忽悠和菜鳥!