近两年，随着大数据的热潮，数据分析火了，其实，数据分析是一种通用的能力，指的是我们在做决策的时候，不能光拍脑门，要拿出数据说话，运营、市场、业务负责人等，要依据数据来制定策略。
数据分析师火热的原因主要有以下三点。
1、随着业务数据的不断增加，需要一个单独的人去跟数据打交道，所以越来越多的公司将数据分析师作为一个独立的岗位来招聘。
2、大数据的火热带动了跟数据有关的岗位，比如数据分析师、大数据开发工程师、大数据运维等。
3、人工智能的崛起，也带动了数据分析的发展，传统的数据分析用Excel、SPSS等统计学工具来分析数据，这种分析具有局限性，对于更多的问题，用机器学习来处理会更加的有效。
按照所用的工具来划分，数据分析师可以分为两种。
第一种，偏业务型的数据分析师，主要工具是Excel、SPSS、Tableau等。这类数据分析师的主要工具是Excel，Excel可以搞定绝大多数业务分析问题，当然如果涉及Excel无法实现的统计学方法，可能要借助于SPSS来计算。
第二种，偏技术型的数据分析师，也叫数据挖掘工程师，这是一种比较有技术含量的工种，需要掌握常见的数据挖掘算法，其实就是机器学习算法，例如逻辑回归、支持向量机（SVM）、随机森林、梯度提升回归树等，一般金融公司、电力行业等，都需要数据挖掘工程师。
公司有大有小，每个公司的情况不同，所以在第一种数据分析师中，又有一些细小的分类。
比如，有些数据分析师自嘲“表哥”或者“表姐”，因为平时的主要工作仅限于处理数据及绘制图表，因为公司的数据分析需求就是日报、周报及月报等，这种职位基本都是处理数据，涉及的分析也只是看下业务指标的变化趋势等。
还有一些主要和数据库打交道，俗称“取数工程师”，因为数据存储于数据库中，数据分析前，需要从数据库中提取数据，当然，对于一些公司来说，开发人员会做一个后台，我们可以直接通过后台的功能去导出数据。
岗位描述有待补充。
我们了解数据分析职位后，那如何入门数据分析呢？
对于第一种，偏业务型的数据分析师来说，主要需要掌握Excel、SQL
、Tableau、PowerBI或者FineBI等，统计学及SPSS等。
对于第二种，偏技术的数据分析师来说，主要需要掌握一些常见的数据挖掘算法（机器学习算法），例如逻辑回归、支持向量机、随机森林、梯度提升回归树、关联分析等。
大数据
目前，大数据越来越多地应用在企业中，各种技术层出不穷，Hadoop技术较为典型，当然，Hadoop生态圈涉及很多技术，会有专门的大数据开发工程师来负责。作为数据分析师需要学会跟大数据平台打交道，大数据平台采用HDFS文件系统，为了使不懂大数据技术的人员能够跟大数据平台打交道，大数据生态圈中出现了一个组件，Hive。
Hive是基于Hadoop构建的一套数据仓库分析系统，它提供了丰富的SQL查询方式来分析存储在Hadoop分布式文件系统中的数据：可以将结构化的数据文件映射为一张数据库表，并提供完整的SQL查询功能；可以将SQL语句转换为MapReduce任务运行，通过自己的SQL查询分析需要的内容，这套SQL简称Hive SQL，使不熟悉mapreduce的用户可以很方便地利用SQL语言查询、汇总和分析数据。
罗马不是一天建成的
数据分析师跟其他任何一个行业一样，都需要积累，才能拿到一个不错的薪水。
对于一个数据分析师来说，除了技术之外，还需要有一定的业务积累，因为数据分析是为了服务于业务，只有更好地了解业务，才能用数据分析创造出更大的价值，从而拿到比较好的报酬。
不要做一个投机主义者，如果自己有数据敏感度，或者对于数据分析这个领域比较感兴趣，可以考虑做数据分析师，如果只是为了高薪，那我劝你尽早放弃，因为跟数据打交道其实是枯燥乏味的，不能从中找到乐趣，可能也无法坚持下去。
