大数据分析是一门实践科学。所谓“学以致用”，学好，是为了用好。

很多人说，大数据分析要学习各种数据分析方法和数据挖掘模型。虽然说得没错，但其实大数据分析最核心的价值，还是对业务的深入洞察和理解，进而为业务提供问题解决方案。

所以，如果你要从事数据分析，不仅需要有深入的数学和统计学背景，更需要有对业务的深刻理解，在学习时，需要偏重很多与业务分析相关领域的知识，如经济学、心理学、营销学，甚至财务和企业管理方面的学科。

优秀的数据分析师，往往来自于对业务观察、思考和理解，也来自于对产品的认知、看法和判断，这些都是无法量化的东西。这也是我们常说的，“从业务中来，到业务中去”。

在互联网公司中，经常能看到这样的“懂技术也懂业务”的大数据分析人才。主要是因为目前互联网企业的数据量很大，不依靠编程，甚至分布式编程，无法高效地处理数据。

比如最近看到的一家互联网大厂的大数据部招聘JD：

社会网络挖掘工程师-基于海量用户行为数据，深度挖掘网络用户的行为模式

-负责大数据应用算法的设计、研发与产品化，包括但不限于复杂网络分析、个性化推荐、群体标签建设等方向-计算机专业复杂网络分析、自然语言处理方向优先

-熟悉大规模图挖掘、机器学习、自然语言处理、分布式计算等相关技术，并具备工程实践经验

-熟练运用各种常用算法和数据结构，有独立的实现能力

-熟悉hadoop/spark等一个或多个分布式计算框架/算法平台

国内 IT 、通讯行业招聘中，有 10% 都与大数据相关，且比例还在上升。图源：百度经验，《大数据工程师的薪资和职业发展路径是什么样的？》

大数据分析具体要学什么 ，还可以从“什么是大数据分析？”这个问题出发，来拆解一下它所包含的技能点。

直白地说，把“大数据分析”这个词拆开来看，就是所需要学习的两大方面的技能点——

“大数据”和“分析”。

这两个词意味着大数据分析的两大必备能力：

一方面，它包括收集、整理和加工数据；另一方面 ，从数据中提取有价值的信息，从而形成对业务有帮助的结论和发现。

看，这么一拆开，关于大数据分析要学什么，就很清楚了。

如果你想要快速又全面地了解数据分析师的基本能力要求，希望入门数据分析实践，推荐看看知乎知学堂的这个“3天实战训练营”：

首先，大数据基础理论和技术要懂。这是做好大数据分析的前提条件。

比如统计学、R语言、数据挖掘等（所以也有人认为统计学、数学不好的人是搞不了这个的） 。

数据分析通常分为两种：批处理和流处理。

批处理：对一段时间内海量的离线数据进行统一的处理，对应的处理框架Hadoop MapReduce、Spark、Flink 等；

2. 流处理：对运动中的数据进行处理，即在接收数据的同时就对其进行处理，对应的处理框架有 Storm、Spark Streaming、Flink Streaming 等。

上面这些框架都需要通过编程来进行数据分析。

会有人问，我是不是可以不学编程，用一些数据挖掘软件来解决工作需求呢？个人认为，只用软件已经不再适合大数据时代。一方面，现在很多平台处理的数据量，易受软件性能的限制；另一方面，即使你在工作中不需要处理大数据量，但你在分布式编程也要比软件在单机处理速度快很多（虽然很多商业化软件都在逐渐支持分布式部署，但终究不如自己写程序处理要更香，不是吗？）。

简易的大数据处理流程图，这其中需要用到不少大数据处理相关的工具和系统。如，MySQL、Oracle 及传统的Hadoop HDFS 、KFS、GFS等分布式文件系统。图源：;amp;amp;amp;wfr=spider&for=pc其次，掌握典型的业务需求场景的分析技术。

比如，通过大数据分析掌握业务状态、分析业务潜力、评估业务进展等。下面简要分析一下：

1. 掌握业务状态场景：也就是我们通过对业务核心指标的监控，解读和分析，掌握业务经营现状。

比如 ，某款教育类产品的流量出现异常波动，需要数据分析来定位原因：某款暑期线上英语集训营的产品，流量在某一周出现异常幅度的上涨（+13%），是什么原因？怎么作进一步分析？

这个问题，如果要追查流量异常，可使用“OLAP技术”（联机分析处理），通过多个维度拆解数据，逐层追查问题所在。使用的分析思路可以是分组分析（细分样本）和因素分析（细分指标）。定位异常点后，如果不是系统程序的问题，可以进行“异常分析”，基于事先未预料的用户需求，改进产品策略。

2. 分析业务潜力：这个产品当前的主要问题是什么？下一步发展潜力在哪儿？从数据中挖掘问题原因并提出对策，指导产品下一步的改进方向 。比如：某教育网站一款针对小学5-6年级的英语一对一产品，Q1-Q3流失了200个客户（占比总客户量的30%），原因是什么？如何在Q4减少客户的流失（找到对策）？

面对宽泛的业务问题，我们不能只观察数据，而要用“个案分析”摸清楚具体情况，启发分析思路。

比如对于上面这个客户流失分析的案例，可抽样30+位家长用户，逐一打电话询问流失原因。通过反复抽样调研和统计归类，最后得到诸多流失原因及相应占比。

同时，也可用“聚类分析”，选取客户的一些典型特征进行聚类。最后建立一个“回归预测模型”，基于客户的近期情况，预测其流失的可能性。

3. 评估业务进展：新上线的产品策略或新推进的运营活动，带来多少业绩提升？项目的覆盖面和影响面如何？其中存在怎样的问题，如何进一步优化等。比如：针对VIP客户，某教育网站在“618”期间设计了一种全新的优惠促销策略。在当月下发执行后，如何评价促销策略带来的业务提升？是否这批VIP目标客户，同比于去年同期的购买额增长，可否作为促销策略的成果？

购买额的同比增长，难以排除其他因素的干扰，只能用“同质对照组”评估促销策略的收益。分析业务，选择三个最影响客户购买额的特征（行业、地域、企业规模）对样本分层抽样，尽量保证实验组和对照组在购买额变化上的同质性。哪些特征对购买额的影响较大，可以依据业务经验，也可以计算每个特征和购买额的相关性来得到。最后用因素分析的漏斗法进行分析，就能很容易分析出哪个阶段是主要问题。

可见，大数据分析是一个复杂的系统，要学的东西也是多元而丰富的。

数据分析师属于企业中稀缺又特殊的岗位，个人的体会是，优秀的大数据分析师，他最好的状态并不是因为所从事领域的“高级感”，而站在鄙视链的顶端去审视传统的统计技术和理念，反而更能用欣赏和开放的心态去看待和借鉴他人的工作。