大数据时代，不懂点数据分析都不好意思告诉别人你混互联网、混大都市的，在大数据的环境下，我把市场上的分析师分为几类。
一、数据变现者
这类人一直在公司从事这业务分析的角色，他们一直在尝试用数据去改变业务决策的流程变更和机遇，驱动这企业的北极星指标，更多做的事情是对业务驱动的输出而不是简单的输入，他们要考虑目前的现状、改变的机会、未来的方法，所以数据只是让他们的思维更加严谨，更有穿透力，简单的就是ABtest、用户增长的驱动模型、用户生命周期管理方案、营销分析模型等，一直在实战中去挑战自己对数据分析的看法和认识，也未必完全依赖数据，工作的环境很容易让数据+行动变成闭环，从而不断是积累洞察力
更多的思考集中在:
1、市场推广费用如何能在有限的资源做到最大化的ROI
2、用户的发展趋势和质量存在什么问题?结构如何?如何增活跃，防流失
3、提高转化的方式是什么?口碑的形成主要驱动因素是什么?
4、现阶段我们的组织结构和业务的融合度该如何调整?
5、整体市场环境如何?我们的地位稳健吗?还有没有新的发展机会
等等，记住他们的输出不是一份报告那么简单，而是整个商业问题的输入
工具对他们来讲已不是核心，常用的就两种Excel+PPT，地位不高，自己学点SQL
二、提数机器人
他们一直都被别人牵着走，可能是高级数据分析师、也可能是业务部门，也可能是甲方，别人要什么，我做什么，当然经常出现的问题就是要非所答，甚至是被推倒，重来，所以他们不得已要去学习数据库知识，知道了土壤很肥沃才能明白要种什么植物，收成是什么?许多时候他们什么都要去学习，身怀各种绝技，没办法，你不去掌握，每天的需求是无限增长，你不熟练、不找对应的高效工具，非搞死自己不可，市场上80%的数据分析师都是这类人，凡是市场上见到的技术、算法基本都学了一篇
三、技术研究者
在人工智能、机器学习还没火的时候，有一个岗位一直做技术类的研究，那就是数据挖掘，整天每日每夜的折腾各种数据分析模型，甚至把模型开始的变量无限的去增加，以前20个变量做出来的模型可能效果是最好的，最后在自己手上把变量增加到成千上万，做的自己都找不到东南西北了，没办法，从数据科学的角度来讲，变量越多，考虑的越全面，数据量越大做出来的模型越精确，然而仍然会出现你在某电商网站买个铁锅，他会在下面再推荐你买个纲锅.....
有些事情不是纯算法能够解决的，人与人的不同造成了场景和流程也是截然不同的
现在人工智能火了，许多人一头扑向AI领域，为啥?人家都是年薪100万的，至少都50w起，谁不心动?可是仔细想想，这条路到底适不适合自己，毕竟每个行业都有一些"异常值"，而且是少数，且不要断章取义、局部去看这个行业的发展，那样其实你无形中让自己的竞争力再削弱，一波浪过去，总有很多裸泳的，自信的游泳健将
四、各类神仙
到处站在讲台上忽悠大数据的价值和未来，他们甚至连一个很小很小的项目经历都没有，没办法，他们能洞察市场、洞察客户的痛点，用别人的知识、自己的认识包装自己，他们更多数据的是数据价值未来的畅想、完美的数据平台建构。从来不考虑数据获取和标准的问题，毕竟这些在他们看来太LOW
在这样的环境和分类下，我们该如何高效去学习?
那么不管你未来或者现在是那类分析师，都要保持一个常态心去学习，在这个行业走的越深，你才会发现数据分析师最后已经不是简单数据的加工者、PPT的汇报者、成果的宣讲者，而是一个多知识领域的布道者，你在在不断去尝试将管理学、经济学、社会学、行为学等与数据分析相融合去看待一个商业的sense，从而慢慢形成做事、决策时候的逻辑和结构化思维，比如如何在整个业务流程设计关键的启明星指标或者北极星指标
要走的更远，首先，要先建立自己的思维能力，对数据分析的认识，而不是上来就学习数据分析的各类工具
比如我们的报告中会有很多的指标，许多人在写发现什么的时候总是，说用户数增加了多少，增长几个点，市场费用多少，ROI环比下降几个点，与竞争对手相比，我们的优势指标体现在?不足之处等，其实站在高层的角度你是将图表反馈的信息"念"出来了，聪明的分析师会这么干?
从规模效应来看，我们用户量、GMV、排名如何?
从盈利来讲，GMV表现如何，市场费用支出、ROI达到的成效是什么样子
从资源优化来说.....
这些让老板看着你还有点自己的知识体系，能够将发现的问题懂得去归类，去思考什么是规模指标、什么是盈利指标、什么是资源优化关注
其实还不够，还是没有告诉领导数据发现了那些洞察
举个栗子:用户量增加，活跃用户下降，GMV增加、市场费用也增加，那这些指标之间到底出现什么问题，应该用什么方案能解决这个问题?谁来解决?黑锅总要有人去背?
分析完以后一定要梳理出好与坏，好与好之间的关系，再从几个方面去描述，你会发现你的思路和出发点是不一样的，老板就喜欢色香味俱全的菜品
其次，在上面的深度思考和分析下，才是什么样的工具解决什么样的数据难题，比如公司有数据库，每次都要去提交申请才有可能拿到数据，等数据来了，其实你当时的许多思考已消失了一部分，那能不能有一天你走到你们老大面前，说我也会数据库，也会SQL语法，可以自己慢慢去提取想要的数据，你对底层越了解，采集和存储的体系越清晰，你在部门的竞争力才越强，因为你能独当一面，所以后面的升职加薪水到渠成
学习一门技术之前，你应该知道，你想要达成的目标是什么样的，也就是说，你想通过这门技术来解决哪些问题，应用在哪些行业，哪些业务场景下。只有这一点想通了，你的数据分析之路的学习才是高效的、有目的的、有意义的。
再比如有一天程序员给你发来一个20G文件的时候，你一脸懵逼(因为你平时可能处理的只有excel+access的几千万行)，而面对20g文件的时候袖手无策，还怕影响项目进度，本月考核出现在黑名单，在职场有时候是自私的，自己动手丰衣足食，你经历的越多，你以后的坑会越少，所以他们逼着你去学python+hadoop+spark这些，当有一天领导让你做述职报告时，你一直做的是人机交互，连一个像样的PPT都梳理不出来，如何给领导惊喜?
我从工具的层面去梳理要学习那些工具?这些工具足够解决掉你商业或者工作上99%的问题
所以学工具有时候是逼出来的，毕竟工欲善其事必先利其器
当然我们也要根据自己的处境去选择，过早的学习，到真正用的时候你依旧会忘记，到临时需要时你却一脸懵逼，一定要找一个自己适合的工具死磕到底，别的工具只需要掌握，天下套路那么多，你总要有自己的套路，也有很多稳固的方式
1、找一些竞赛的数据，自己没事折腾一下
2、多去看看相关的论坛，有事没事回答一下，溜溜自己的知识
3、找一些圈友写一些自己操作的实录或者自己的网站等，让知识沉淀
最后，所有的学习都是态度问题，不能着急，我们只有在好的体系、好的课程质量体系下，自己才能在有效的时间成长的更快，有时候也是当局者迷，要尝试和身边的人或者同行去分享一些自己的认识，往往武侠小说里面，速练成的武功往往对自己以后伤害更大，反而拥有一本武林秘籍，能让自己成就大梦，大家都知道一个道理:
一份数据给不同的人做出来的肯定是不一样的，因为没有分析的目标
一个明确的需求给做出来的肯定有一个是最好的，因为他思你所思，想你非想
几点建议:
1、多看看知乎上的深度交流，为你所用
2、多关注行业的变动，没事去各大招聘网站看看需求的变化
3、少看点新闻，它不能让你加薪升职，哈哈~~~
4、圈友们彼此之间多多交流，你的观点只有和别人发生博弈时，你才有深思
5、多看一些跨学科的书籍，跨行业的报告，让知识体系丰富起来，那样你才有体系化思考的资本
6、坚持每天写点什么，日积月累你才有出众的根基，所以文科生学数据分析成长要比理科生高很多，他们善于表达撰写
7、选择那些有一线实战经验讲师的课程，他们才能让你少走弯路，少采坑
目前爱数圈的定义是大家学习的地方，未来半年后的定义就是深度交流的社区
