在过去的几个月中，我有很多朋友，同事和熟人给我发送电子邮件，询问我如何获得数据分析工作或如何学习数据分析技能。 这篇文章是我的回复的总结，对于您想从事分析工作还是只是想扩展自己的技能范围都将有所帮助。
是什么让您对数据分析感兴趣？您是如何找到第一份工作的？
我放学后的第一份工作是数字媒体购买-我们有分析师支持我们，我们还使用了由算法和分析提供支持的工具。 我一直喜欢这份工作的一部分（分析和利用数据工具），而不是真正的媒体购买纪律。 那是我最初引起我兴趣的地方。 我能够利用自己的一些数字媒体经验，以及在（无关的）硕士课程期间进行的有限学习（以及一些良好的面试），进入一家完全专注于大数据分析（清晰）咨询公司的领导力发展计划见解）。
如果我想进入分析领域，应该在学校学习什么？
业内对此有很强的见解，但我的观点是，获得何种学位并不重要，而是在学校期间获得的技能和知识。 我本人毕业于拉丁美洲研究，并拥有国际关系硕士学位-与数据分析完全无关。 但是，当我获得研究生学位时，我可以与学校的业务分析计划进行交叉学习，在那里我学习了有关SQL，数据库设计和预测建模的基础课程。 我的国际学习课程也有相当强大的统计要求，这也非常有帮助。
如果您强烈希望选择特定的学位课程，那么信息系统或统计专业的学位都可以帮助您获得分析工作或学习数据分析技能（意味着减少学习时间）你自己）。 现在，许多学校也在提供实际的数据科学/分析程序（但是，请帮自己一个忙，并仔细阅读课程要求-这些程序有些“蓬松”，这意味着它们在任何一个主题上都不够深入，以至于不能是有用的（或者某些设计具有更多计算机科学的角度），在某些分析角色中这可能是非常重要的，但对所有人而言却不是必需的或非常合适的，这可能会令人沮丧。
- 请注意，尽管我个人认为您不需要技术学位就可以成为优秀甚至出色的数据科学家/分析专家，但许多公司，人事部门和专业人员甚至都不会在没有技术学位的情况下看您。 我个人认为这是招聘的一种短视方式，但确实存在这种态度。
您在分析工作中使用的或数据分析师应了解的基本技能是什么？
一开始要学习的最好的东西与ETL和数据清理有关，这可能非常无聊，耗时且单调，但是（以我的经验）却占了企业所面临问题的80％。 这是我的基本知识清单，以及去哪里学习它们：
数据建模和SQL-尽可能多的SQL。 如果没有可使用的实际数据集和您要回答的特定问题，这可能会很困难。 这可能是通过Coursera，Datacamp或其他（我推荐Datacamp）的免费在线课程最好的方法。 了解数据库的工作方式非常重要：连接，数据规范化以及考虑如何最佳查询数据库并根据您使用的特定业务或数据集进行工作的能力。
ETL —清理，转换数据并将数据从一个来源加载到另一个来源：在Clarity，我们通过拖放工具了解了这一点—但是使用Python之类的工具将使您走得更远。 我的建议是学习如何从API获取数据并将其放入CSV或Google表格的表格中（从那里您可以学习如何将其放入数据库等）。 您可以找到有关如何执行此操作的大量资源（只需在Google上搜索它-我知道那是个警察，但这是事实）。 这是一项非常有用的技能，对简历印象深刻。 作为Python的替代方法，您还可以学习如何使用Xplenty或Funnel.io之类的工具-这些是拖放工具，可将数据从许多API移至所需的任何数据源。
基本统计分析 -尽管您可以使用更高级的机器学习来做很多事情，但大多数时候您都可以使用基本统计分析来获得见解：平均值，中位数，百分比差异，百分比变化，基本概率等。呈现和起草见解时，您通常会向想要简单易懂的事物的业务或市场营销人员进行呈现-这意味着使用他们可以理解的实用概念。 DataCamp是您自己学习基本统计技能的好地方。
Excel —数据透视表和基本功能（乘积，vlookup，hlookup，索引匹配）是您的朋友。 我使用Python，R，SQL，Hadoop和其他几个工具，但到目前为止，我仍在Excel中进行大部分基本的探索性分析。 在excel中学习快速而肮脏的数据透视表分析和制图仍然是从数据中获得见解或快速学习的最快方法。 学习excel /数据透视表的最佳方法是询问某人（或YouTube），一旦掌握了基本知识，便可以通过谷歌搜索来学习其余内容。
Linux / Unix服务器环境/文件结构 。 学习使用linux读取数据，加载数据，保存和移动文件，运行cronjobs，bash脚本等。
具备以上技能，即使是半基础级别的技能，您也将很适合入门级分析角色，并且对于许多初级角色来说，它可能领先于游戏。 如果您可以将上述技能与您所担任的任何非技术角色结合起来，那么您也将成为非分析类名副其实的“数据天才”。
您是否找到最有用或流行的特定编程语言？
一开始使用任何您喜欢的东西。 使用Anaconda发行版的Python之类的东西（Google’Python Anaconda’）可以很好地开始进行机器学习，建模，数据分析等工作，但是如果您喜欢R或发现它更直观，那也很好。 关键区别在于：Python在操作环境中将变得更加有用-如果要将模型加载到生产代码中（用于产品，服务或api），则最终可能会使用python来“在某个时候对模型进行操作。 然而，R正是为此而构建的，因此R更好地用于快速，直接的统计分析和建模，而python是一种健壮的编程语言。
如果您对选择“一个”感到压力，然后将精力集中在Python上，那么一般来讲，最好还是选择Python。
如果您对担任分析职位不感兴趣，只是想在数据分析方面做得更好，请坚持使用R或在Excel方面真正做好。
您是否见过人们用来获取数据分析工作的任何在线课程？
虽然说它们肯定会帮助您获得获得所需工作的技能，但没什么可说的“找到工作”。 我听说，如果您没有找到工作，Udacity的纳米学位将偿还您的费用，但我不知道有人使用过这套课程。 总体而言，我建议Data Camp作为一站式商店，以学习与Python，R，SQL相关的所有内容。 在我看来，这有点贵，但是他们的平台是我遇到的最好的平台之一，并且他们在示例和案例研究方面确实有不错的经验，您可以使用它，并且还具有出色的交互界面。
如果您想深入了解机器学习（从头开始用Python编写算法），我建议使用Coursera的机器学习：案例研究方法（华盛顿大学），这是一门非常好的课程，非常实用，可以帮助您理解基本机器学习模型。
如果您有时间，输入并实际提交Kaggle竞赛的结果是建立数据科学和分析技能的绝佳方法。 Kaggle上许多表现最好的数据科学家都公开发布了R和Python脚本，因此您可以通过复制和分析他们的工作来学习。 学习了几门基础课程（Kaggle可以使用一些基本数据集）之后，您就可以着手解决Kaggle的问题-这是一种快速学习的好方法。
获得专注于数据的在线大师是否有意义？
如果您希望将职业生涯从其他方面转移到Google Analytics（分析），或者没有大量经验可以专门从事Analytics（分析）以担任分析职位或被称为“分析专家”，那么可以。 全国各地涌现出许多“数据科学硕士”计划。 从名牌大学获得“数据科学”硕士学位可以极大地帮助您找到工作或获得证书以附上您的职位。 也就是说，只能通过一个知名的大学来做到这一点，即伯克利，西北大学，斯坦福大学，康奈尔大学等。
如果您不希望自己修读硕士课程，并且对自己可以掌握的技能充满信心，则可以选择参加Kaggle竞赛（如上所述）。 如果您可以在多个Kaggle竞赛中获得头把交椅，那么这足以让您在分析中真正出色地完成工作，这证明您确实了解机器学习。 也就是说，并非所有的分析工作都专注于机器学习，因此这取决于您要走的方向。
关于数据分析和数据科学，我还应该了解什么？
·与普遍的看法相反，机器学习不是万灵宝–它不能解决每个问题，也不是解决每个问题的正确方法（请参阅《哈佛商业评论》上的这一精彩文章，以从Facebook负责人那里获得一些想法。 AI：https://hbr.org/2017/07/inside-facebooks-ai-workshop）
·分析全部与业务成果有关—如果企业遇到问题并且无法以逻辑方式解决问题，则向其抛出机器学习算法或统计信息不会神奇地揭示出新的解决方案（并且确实，该解决方案很可能是错误的）。
·最好非常快速地提供80％的解决方案，然后提供100％的解决方案，而最终的20％则需要90％的时间。 专注于快速，准确的结果和快速的决策制定-与使算法提高几个百分点相比，快速完成提供结果的分析项目的能力更为重要。
关于以上我遇到的任何问题，我可以分享的更多信息–如果您想聊天更多，只需给我发个笔记便可以到cameron@thestokegroup.com
