数据分析简历？学会哪些才能入行

大家好,今天小编来为大家解答以下的问题，关于数据分析简历，大数据究竟学的什么，学会哪些才能入行这个很多人还不知道，现在让我们一起来看看吧！

本文目录

1. 大数据工程师每月薪资很高吗大概多少钱
2. 在电商行业做数据分析师有前景吗优势如何
3. 大数据分析需要学习什么
4. 零基础如何入门数据分析
5. 问卷数据，该如何着手分析呢
6. 大数据究竟学的什么，学会哪些才能入行

大数据工程师每月薪资很高吗大概多少钱

谢谢邀请，下面图片是今天在51job上面查询的深圳大数据工程师招聘数量与薪资范围，从中可以看出来：

1.大数据工程师招聘数量不多

才1页数据共32个岗位，其实大数据相关岗位绝大部分是数据分析的岗位，大数据工程师的岗位并不是很多。

2.薪资确实还不错

一般2万左右的薪水还是可以拿到的。

3.大数据还是有一定的技术难度

需要掌握Java/Python/Scala等语言，大数据框架Hadoop等就是用Java开发出来的，掌握Java能够让你掌握大数据框架底层如何实现的，出现问题也知道如何去思考？如何去解决问题？很多大数据应用也是使用Java开发的，不过有些大数据应用使用Python或Scala来开发的，不管这么样学大数据Java是绕不开的，不过不像JavaEE企业级开发，需要掌握JavaWeb/Spring/MyBatis/SpringBoot等技术，大数据开发只需要掌握到JavaSE的层次就够了。现在来讲建议先学习Python，这样发展方向选择也比较多，选准了深耕下去就行了，不管怎么样Python是非常值得投资的方向，希望能够坚定你的信心，需要更多相关资源可以关注头条号“语凡提”，里面有大量我上课录制的相关视频，涵盖Python/机器学习入门/深度学习入门/PySpark大数据开发/人脸识别项目实战等等，Java的视频也会陆续放上去。

希望对你有帮助！

在电商行业做数据分析师有前景吗优势如何

在不同行业中，专门从事行业数据搜集、整理、分析，并依据数据做出行业研究、评估和预测的专业人员：

数据分析师是一个随着消费互联网数据沉淀经过大数据化而衍生的一个前瞻性的职业，同时随着产业互联网的践行，数据对于企业的价值意义大于了企业营销及内控管理的本身。

一个优秀的数据分析师所做的前端消费数据分析，后端产业数据分析，行业数据分析、宏观数据分析，都会影响和决定一个企业的基础营销以及扩张战略，可以说是一个前瞻性的职业，这个职业决定了企业在管理与营销方面的营收增长与低成本试错。个人认为数据分析是对企业营销方面有很大的建树性作用，特别是国内中小型企业因缺乏数据分析，缺乏正规的营销管理方法与工具，简单的把营销做销售或者是广告或者是品牌，因此在一定程度上可以辅助并纠正企业营销思维：

作好数据运营个人认为应该具备以下几个能力：

1、懂业务：除了数据分析本身所具备的基本建档、分类、分析、统计及数学功能以外，应该具备懂业务的的能力：熟悉行业知识、公司业务及流程，最好有自己独到的见解，若脱离行业认知和公司业务背景，分析的结果就没有太大的使用价值；

2、懂管理：一方面是搭建数据分析框架的要求，比如确定分析思路就需要用到营销、管理等理论知识来指导；另一方面是针对数据分析结论提出有指导意义的分析建议；

3、懂分析：能够掌握数据分析基本原理与一些有效的数据分析方法，并能灵活运用到实践工作中，对于开展数据分析起着至关重要的作用：

4、懂工具：数据分析方法是理论，而数据分析工具就是实现数据分析方法理论的工具，面对越来越庞大的数据，我们不能依靠计算器进行分析，必须依靠强大的数据分析工具帮我们完成数据分析工作；

5、懂设计：运用图表有效表达数据分析师的分析观点，使分析结果一目了然。图表的设计是门大学问，如图形的选择、版式的设计、颜色的搭配等等，都需要掌握一定的设计原则。

6、懂应用：数据分析只是基础，那么数据能否准确的分析和实践应用企业营销及管理，不仅是数据分析师应该具备的能力，也是应该同营销、调研，销售、管理等企业产业链去看匹配度是否符合正向规律；

作为电商行业数据分析师除了懂和应用具备以上能力外，对电商与本上行业的特性，互联网营销、互联网传播与销售，新一代消费心理学，电商趋势，电商服务行业类型及产品所属的类别应有独到的见地和认知；作为电商数据分析师，核心职责就是通过数据分析要么拉新，要么提升存留、要么加强消费印象，要么拉升消费、要么做产品品类调整，要么做营销布局调整、要么就是电商服务感知条调整，所以要根据数据分析结果去优化调整数据反馈最明显的地方，才是电商数据分析师的价值所在。即利用数据创新增长价值。

大数据分析需要学习什么

大数据分析概念?

大数据分析是指对规模巨大的数据进行分析。大数据可以概括为5个V，?数据量大(Volume)、速度快(Velocity)、类型多(Variety)、价值（Value）、真实性(Veracity)。?

大数据作为时下最火热的IT行业的词汇，随之而来的数据仓库、数据安全、数据分析、数据挖掘等等围绕大数据的商业价值的利用逐渐成为行业人士争相追捧的利润焦点。随着大数据时代的来临，大数据分析也应运而生。

大数据分析工具介绍?

前端展现?

用于展现分析的前端开源工具有JasperSoft，Pentaho,?Spagobi,?Openi,?Birt等等。?用于展现分析商用分析工具有Style?Intelligence、RapidMiner?Radoop、Cognos,?BO,?Microsoft?Power?BI,?Oracle,Microstrategy,QlikVie、?Tableau?。?

国内的有BDP，国云数据（大数据魔镜），思迈特，FineBI等等。?

数据仓库?

有Teradata?AsterData,?EMC?GreenPlum,?HP?Vertica?等等。?

数据集市?

有QlikView、?Tableau?、Style?Intelligence等等。

大数据分析步骤?

大数据分析的六个基本方面?

1.?Analytic?Visualizations（可视化分析）?

??不管是对数据分析专家还是普通用户，数据可视化是数据分析工具最基本的要求。可视化可以直观的展示数据，让数据自己说话，让观众听到结果。

2.?Data?Mining?Algorithms（数据挖掘算法）?

??可视化是给人看的，数据挖掘就是给机器看的。集群、分割、孤立点分析还有其他的算法让我们深入数据内部，挖掘价值。这些算法不仅要处理大数据的量，也要处理大数据的速度。

3.?Predictive?Analytic?Capabilities（预测性分析能力）?

??数据挖掘可以让分析员更好的理解数据，而预测性分析可以让分析员根据可视化分析和数据挖掘的结果做出一些预测性的判断。

4.?Semantic?Engines（语义引擎）?

??我们知道由于非结构化数据的多样性带来了数据分析的新的挑战，我们需要一系列的工具去解析，提取，分析数据。语义引擎需要被设计成能够从“文档”中智能提取信息。

?5.Data?Quality?and?Master?Data?Management（数据质量和数据管理）

数据质量和数据管理是一些管理方面的最佳实践。通过标准化的流程和工具对数据进行处理可以保证一个预先定义好的高质量的分析结果。?

假如大数据真的是下一个重要的技术革新的话，我们最好把精力关注在大数据能给我们带来的好处，而不仅仅是挑战。

6.数据存储，数据仓库?

数据仓库是为了便于多维分析和多角度展示数据按特定模式进行存储所建立起来的关系型数据库。在商业智能系统的设计中，数据仓库的构建是关键，是商业智能系统的基础，承担对业务系统数据整合的任务，为商业智能系统提供数据抽取、转换和加载(ETL)，并按主题对数据进行查询和访问，为联机数据分析和数据挖掘提供数据平台。

零基础如何入门数据分析

零基础入门数据分析，建议先从Excel开始，因为Excel是数据分析最常用的工具，功能强大，入门容易。

从Excel开始

Excel需要学习的有3点，Excel公式、数据透视表和Excel图表。

1、Excel公式

2、数据透视表

3、Excel图表

学习一些SQL基础

接着建议学习MySQL，因为数据分析跟数据打交道，懂点sql知识还是很有必要的。

懂点统计学理论很有必要

统计学是必须的，不懂统计学根本算不上数据分析师，具体内容有：统计学基础、参数估计、假设检验、方差分析、线性回归、时间序列、聚类分析、主成分分析及因子分析等。

SPSS

分析工具除了Excel，推荐SPSS，使用广泛，容易上手。

因为统计学很有些分析方法通过Excel就可以搞定；有些不行，必须通过其他工具才能搞定，例如多元线性回归、聚类分析、主成分分析及因子分析，都需要用到SPSS。

在掌握了统计学的基础上，在学习SPSS是很容易的，因为SPSS只是一个工具而已。

编程学习（可选）

另外，有精力的话，懂点编程也是必须的，因为用Excel做数据分析，少量数据（大约几十万甚至百万）没有问题，但是再大一点的数据通过程序来程序会更高效。

1、Python/R

Python和R都可以，R在数据分析方面更加强大，也更成熟，但是想往机器学习方向发展的话，Python还是主流语言，推荐学习Python。

2、ExcelVBA

虽然Excel为我们提供了很多好用的公式和功能，但是还有很多工作无法用现有的公式和功能批量完成，比如Excel表格的批量拆分、数据批量分类等，而借助于VBA代码，可以很方便地处理这些问题。

回答完毕！

问卷数据，该如何着手分析呢

1.问卷设计：问题条款不要太多，多而繁。与调研目的关联不大的项目可不考虑，如性别、职业、偏好等。问题的选项要完整性，选择不重复、不遗漏、同等级。根据需求要素细分结构。

2.落实调查：设计抽样调查实施方式、实施场所、样本空间等问题，力求保证调查的时空分布随机性、样本空间代表性。

3.数据录入：建议用excel，简单实用，功能足够，不建议用spss，华而不实，操作繁琐，不够灵活。当然具体情况要结合自己的情况来操作。

4.数据处理：初等数学就差不多够用了，求和、求均值、求差求比，简单的侧重于市场份额和市场增长率两方面就能得出很多有用的结论，若精力、技术足够，建议用一些稍微高级一点点地数据模型算法等等，然后制成图表。

5.调研分析：根据数据结果，结合相关的同行业数据，提出自己的观点，引用自己的数据论证。这实际上是一门学问，做好了很难，做简单了很容易，如果会用数理统计，数据前期预处理做点数据标准化、信度效度校验，初步建模后作个误差校验，即便不做误差反馈，估计应付个硕博论文什么的是没什么问题的。

结束语:以上只是一些比较常规的问卷数据分析步骤，如果自己有大量的时间、精力去操作，可以提高自己的实践能力；如果自身时间等方面条件不允许，可以在问卷平台上进行发布，比如微调查，首先平台是免费的，没有门槛限制，题型比较多、多渠道送达客户、在线图标分析等等，完全可以根据你的需求设计一份完好的问卷。而且提供的样本数据都是真实可靠，问卷收集时间短，能节省很多的人力、财力等。

如果你真的有这方面的需求，可以尝试一下微调查这个平台。

大数据究竟学的什么，学会哪些才能入行

你好！我是@程序员学习很高兴回答你的提问，希望对你有所帮助，谢谢！

学习大数据首先我们要学习Java语言和Linux操作系统，这两个是学习大数据的基础，学习的顺序不分前后。

Java

大家都知道Java的方向有JavaSE、JavaEE、JavaME，学习大数据要学习那个方向呢？只需要学习Java的标准版JavaSE就可以了，像Servlet、JSP、Tomcat、Struts、Spring、Hibernate，Mybatis都是JavaEE方向的技术在大数据技术里用到的并不多，只需要了解就可以了，当然Java怎么连接数据库还是要知道的，像JDBC一定要掌握一下。

有同学说Hibernate或Mybites也能连接数据库啊，为什么不学习一下，我这里不是说学这些不好，而是说学这些可能会用你很多时间，到最后工作中也不常用，我还没看到谁做大数据处理用到这两个东西的，当然你的精力很充足的话，可以学学Hibernate或Mybites的原理，不要只学API，这样可以增加你对Java操作数据库的理解，因为这两个技术的核心就是Java的反射加上JDBC的各种使用。

Linux

因为大数据相关软件都是在Linux上运行的，所以Linux要学习的扎实一些，学好Linux对你快速掌握大数据相关技术会有很大的帮助，能让你更好的理解hadoop、hive、hbase、spark等大数据软件的运行环境和网络环境配置，能少踩很多坑，学会shell就能看懂脚本这样能更容易理解和配置大数据集群。还能让你对以后新出的大数据技术学习起来更快。

好说完基础了，再说说还需要学习哪些大数据技术，可以按我写的顺序学下去。

Hadoop

这是现在流行的大数据处理平台几乎已经成为大数据的代名词，所以这个是必学的。Hadoop里面包括几个组件HDFS、MapReduce和YARN，HDFS是存储数据的地方就像我们电脑的硬盘一样文件都存储在这个上面，MapReduce是对数据进行处理计算的，它有个特点就是不管多大的数据只要给它时间它就能把数据跑完，但是时间可能不是很快所以它叫数据的批处理。

YARN是体现Hadoop平台概念的重要组件有了它大数据生态体系的其它软件就能在hadoop上运行了，这样就能更好的利用HDFS大存储的优势和节省更多的资源比如我们就不用再单独建一个spark的集群了，让它直接跑在现有的hadoopyarn上面就可以了。

其实把Hadoop的这些组件学明白你就能做大数据的处理了，只不过你现在还可能对”大数据”到底有多大还没有个太清楚的概念，听我的别纠结这个。等以后你工作了就会有很多场景遇到几十T/几百T大规模的数据，到时候你就不会觉得数据大真好，越大越有你头疼的。当然别怕处理这么大规模的数据，因为这是你的价值所在，让那些个搞Javaee的php的html5的和DBA的羡慕去吧。

记住学到这里可以作为你学大数据的一个节点。

Zookeeper

这是个万金油，安装Hadoop的HA的时候就会用到它，以后的Hbase也会用到它。它一般用来存放一些相互协作的信息，这些信息比较小一般不会超过1M，都是使用它的软件对它有依赖，对于我们个人来讲只需要把它安装正确，让它正常的run起来就可以了。

Mysql

我们学习完大数据的处理了，接下来学习学习小数据的处理工具mysql数据库，因为一会装hive的时候要用到，mysql需要掌握到什么层度那？你能在Linux上把它安装好，运行起来，会配置简单的权限，修改root的密码，创建数据库。这里主要的是学习SQL的语法，因为hive的语法和这个非常相似。

Sqoop

这个是用于把Mysql里的数据导入到Hadoop里的。当然你也可以不用这个，直接把Mysql数据表导出成文件再放到HDFS上也是一样的，当然生产环境中使用要注意Mysql的压力。

Hive

这个东西对于会SQL语法的来说就是神器，它能让你处理大数据变的很简单，不会再费劲的编写MapReduce程序。有的人说Pig那？它和Pig差不多掌握一个就可以了。

Oozie

既然学会Hive了，我相信你一定需要这个东西，它可以帮你管理你的Hive或者MapReduce、Spark脚本，还能检查你的程序是否执行正确，出错了给你发报警并能帮你重试程序，最重要的是还能帮你配置任务的依赖关系。我相信你一定会喜欢上它的，不然你看着那一大堆脚本，和密密麻麻的crond是不是有种想屎的感觉。

Hbase

这是Hadoop生态体系中的NOSQL数据库，他的数据是按照key和value的形式存储的并且key是唯一的，所以它能用来做数据的排重，它与MYSQL相比能存储的数据量大很多。所以他常被用于大数据处理完成之后的存储目的地。

Kafka

这是个比较好用的队列工具，队列是干吗的？排队买票你知道不？数据多了同样也需要排队处理，这样与你协作的其它同学不会叫起来，你干吗给我这么多的数据（比如好几百G的文件）我怎么处理得过来，你别怪他因为他不是搞大数据的，你可以跟他讲我把数据放在队列里你使用的时候一个个拿，这样他就不在抱怨了马上灰流流的去优化他的程序去了。

因为处理不过来就是他的事情。而不是你给的问题。当然我们也可以利用这个工具来做线上实时数据的入库或入HDFS，这时你可以与一个叫Flume的工具配合使用，它是专门用来提供对数据进行简单处理，并写到各种数据接受方（比如Kafka）的。

Spark

它是用来弥补基于MapReduce处理数据速度上的缺点，它的特点是把数据装载到内存中计算而不是去读慢的要死进化还特别慢的硬盘。特别适合做迭代运算，所以算法流们特别稀饭它。它是用scala编写的。Java语言或者Scala都可以操作它，因为它们都是用JVM的。

会这些东西你就成为一个专业的大数据开发工程师了，月薪2W都是小毛毛雨

后续提高：当然还是有很有可以提高的地方，比如学习下python，可以用它来编写网络爬虫。这样我们就可以自己造数据了，网络上的各种数据你高兴都可以下载到你的集群上去处理。

最后再学习下推荐、分类等算法的原理这样你能更好的与算法工程师打交通。这样你的公司就更离不开你了，大家都会对你喜欢的不要不要的。

希望对你有帮助，记得点赞和关注！????

好了，关于数据分析简历和大数据究竟学的什么，学会哪些才能入行的问题到这里结束啦，希望可以解决您的问题哈！