Que doit apprendre un analyste Big Data ?

L'analyste Big Data fait référence au processus d'analyse scientifique, d'exploration, d'affichage et d'utilisation du Big Data pour l'aide à la décision basé sur diverses méthodes d'analyse. L'analyste Big Data est le nom des praticiens exerçant cette profession. en Chine Certification de niveau pour les analystes Big Data.

Le rôle des analystes

Les analystes Big Data peuvent permettre aux entreprises de comprendre clairement l'état actuel de l'entreprise, l'environnement concurrentiel , ainsi que l'évaluation des risques et l'aide à la prise de décision, qui peuvent exploiter pleinement la valeur apportée par le big data. Après l'exploration et l'affichage des données, un rapport clair, précis et étayé par des données sera présenté aux décideurs de l'entreprise. Par conséquent, les analystes du Big Data ne sont plus de simples collaborateurs informatiques, mais des personnalités clés qui peuvent participer à la prise de décision et au développement de l’entreprise.

Par rapport aux analystes de données traditionnels, les analystes de Big Data doivent apprendre à briser les silos d'informations et à utiliser diverses sources de données, à trouver des modèles de données dans des données massives et à découvrir des anomalies de données dans des données massives. Responsable de la planification, du développement, de l'exploitation et de l'optimisation de la plateforme d'analyse et d'exploration de données volumineuses ; développer des modèles de données, des algorithmes d'exploration et de traitement de données selon la conception du projet ; effectuer des analyses par l'exploration des données et la sortie des modèles, et fournir les résultats de l'analyse.

Que devraient apprendre les analystes du Big Data ?

1. Connaissances mathématiques

Les connaissances mathématiques sont les connaissances de base des analystes de données. Pour les analystes de données juniors, il suffit de comprendre certains contenus de base liés aux statistiques descriptives et d'avoir une certaine capacité à calculer des formules. Comprendre les algorithmes courants des modèles statistiques est un bonus.

Pour les analystes de données senior, la connaissance des modèles statistiques est indispensable, et il est préférable d'avoir une certaine compréhension de l'algèbre linéaire (principalement des connaissances liées au calcul matriciel).

Pour les ingénieurs en exploration de données, en plus des statistiques, ils doivent également maîtriser l'utilisation de divers algorithmes, et les exigences en mathématiques sont les plus élevées.

Il n'est donc pas nécessaire d'être très bon en mathématiques pour apprendre l'analyse des données. Cela dépend simplement de la direction que vous souhaitez développer. L'analyse des données a aussi un côté "littéraire", surtout les filles, elles peuvent aller. dans le sens de la rédaction du document.

2. Outils d'analyse

Pour les analystes de données juniors, il est nécessaire de pouvoir jouer avec Excel et de maîtriser l'utilisation des tableaux croisés dynamiques et des formules. De plus, vous devez également apprendre un outil d’analyse statistique SPSS est une bonne introduction.

Pour les analystes de données avancés, l'utilisation d'outils d'analyse est une compétence de base. VBA est une nécessité fondamentale. SPSS/SAS/R doit maîtriser l'utilisation d'au moins l'un d'entre eux (tels que Matlab). ) dépendent de la situation.

Pour les ingénieurs en data mining... eh bien, il suffit de pouvoir utiliser Excel. Le travail principal doit être résolu en écrivant du code.

3. Langage de programmation

Pour les analystes de données juniors, ils peuvent écrire des requêtes SQL et, si nécessaire, écrire des requêtes Hadoop et Hive, ce qui est fondamentalement OK.

Pour les analystes de données seniors, en plus de SQL, il est nécessaire d'apprendre Python, qui peut être utilisé pour obtenir et traiter des données avec deux fois plus de résultat avec moitié moins d'effort. Bien entendu, d’autres langages de programmation sont également possibles.

Pour les ingénieurs en data mining, ils doivent être familiers avec Hadoop, au moins un des Python/Java/C++, et être capables d'utiliser Shell... Bref, le langage de programmation est définitivement la compétence clé du data mining ingénieurs.

4. Compréhension métier

Il n'est pas exagéré de dire que la compréhension métier est le fondement de tout le travail d'un analyste de données, du plan d'acquisition de données, de la sélection des indicateurs, et même. la compréhension de la conclusion finale dépend de la compréhension qu’a l’analyste de données de l’entreprise elle-même.

Pour les analystes de données juniors, le travail principal consiste à extraire des données et à créer des graphiques simples, ainsi qu'un petit nombre d'informations et de conclusions. Il suffit d'avoir une compréhension de base de l'entreprise.

Les analystes de données senior doivent avoir une compréhension plus approfondie de l'entreprise et être capables d'extraire des opinions efficaces basées sur des données, ce qui peut être utile à l'entreprise réelle.

Pour les ingénieurs en data mining, il suffit d'avoir une compréhension de base du métier, mais l'accent doit encore être mis sur l'exercice de ses capacités techniques.

Les capacités commerciales sont essentielles pour un bon analyste de données. Si vous êtes déjà très familier avec un certain secteur auparavant, c'est une approche très correcte pour apprendre l'analyse de données. Même si vous venez d’obtenir votre diplôme et n’avez aucune expérience dans l’industrie, vous pouvez vous développer lentement, il n’y a donc pas lieu de s’inquiéter.

5. Pensée logique

Cette capacité a été rarement mentionnée dans mes articles précédents, j'en parlerai donc séparément cette fois.

Pour les analystes de données juniors, la pensée logique se reflète principalement dans le but de chaque étape du processus d'analyse des données, sachant quels moyens vous devez utiliser pour atteindre quels objectifs.

Pour les analystes de données senior, la pensée logique se reflète principalement dans la construction d'un cadre d'analyse complet et efficace, dans la compréhension de la corrélation entre les objets d'analyse et dans la connaissance des causes et des conséquences de chaque changement d'indicateur et de l'impact qu'il aura sur le entreprise.

Pour les ingénieurs en exploration de données, la pensée logique ne se reflète pas seulement dans le travail d'analyse lié aux affaires, mais inclut également la logique algorithmique, la logique de programme, etc., de sorte que les exigences en matière de pensée logique sont également les plus élevées.

6. Visualisation des données

La visualisation des données semble de très haut niveau, mais en fait, elle couvre un large éventail. Mettre des graphiques de données dans un PPT peut également être considéré comme une visualisation de données, donc je pense. c'est une capacité généralement requise.

Pour les analystes de données juniors, s'ils peuvent utiliser Excel et PPT pour créer des graphiques et des rapports de base et afficher clairement les données, ils atteindront leurs objectifs.

Pour les analystes de données senior, ils doivent explorer de meilleures méthodes de visualisation de données, utiliser des outils de visualisation de données plus efficaces et créer un contenu de visualisation de données simple ou complexe selon les besoins réels, mais adapté au public à regarder.

Pour les ingénieurs en data mining, il est nécessaire de comprendre certains outils de visualisation de données et de créer des graphiques visuels complexes en fonction des besoins, mais il n'est généralement pas nécessaire de considérer trop de problèmes d'embellissement.

7. Coordination et communication

Pour les analystes de données juniors, comprendre l'entreprise, trouver des données et expliquer les rapports nécessitent tous de traiter avec des personnes de différents départements, les compétences en communication sont donc très importantes.

Pour les analystes de données senior, ils doivent commencer à diriger des projets de manière indépendante ou à coopérer avec des produits. Par conséquent, en plus des compétences en communication, ils ont également besoin de compétences en coordination de projet.

Pour les ingénieurs d'exploration de données, il y a plus de contenu technique dans la communication avec les gens, relativement moins dans les aspects commerciaux, et les exigences en matière de communication et de coordination sont relativement faibles.

Ce qui précède est le contenu détaillé de. pour plus d'informations, suivez d'autres articles connexes sur le site Web de PHP en chinois!