甜橘子，专注成都网站制作网站设计与营销型网站建设与优化
QQ :532337155
电话：028-86922220
编程技能– C ++，Python，R，Java，Ruby和SQL需要基本的编码/编程技能。由于处理非结构化数据已成为日常任务，因此必须配备多种编码语言。
成都创新互联公司2013年至今，先为冷水江等服务建站，冷水江等地企业，进行企业商务咨询服务。为冷水江企业网站制作PC+手机+微官网三网同步一站式服务解决您的所有建站问题。
计算框架–熟悉Apache Storm，Apache Spark，MapReduce，Hadoop和Apache Flink等框架是有抱负的大数据分析师的必备条件。这些框架中的知识将在数据处理过程中为个人提供帮助。
数据仓库技能–从事此类职业的专业人员必须对关系和非关系数据库系统(MongoDB，HDFS，Cassandra，CouchDB，Oracle，MySQL和NoSQL)都具有良好的理解和工作知识。
统计–统计是大数据分析领域的基础。任何寻求成为大数据分析专业人士的个人都需要具有广泛的统计知识和线性代数知识。个人应了解诸如概率分布，假设检验框架，统计数据和随机变量之类的概念。
业务敏锐度–由于数据分析人员会验证，收集，排序和评估数据，因此他们需要在工作领域中拥有丰富的知识。它们在业务和统计方面都非常出色，但在编程方面却不是。
大数据工具 –处理大数据时，你需要意识到你将根据项目和任务的类型使用不同类型的工具。现在，要实现此目标，你需要在Impala，Pig，Hive，Hadoop，HBase，YARN，Flume和HDFS等大数据工具中拥有实践知识。
关于数据分析师必备职业技能有哪些，青藤小编就和您分享到这里了。如果您对大数据工程有浓厚的兴趣，希望这篇文章可以为您提供帮助。如果您还想了解更多关于数据分析师、大数据工程师的技巧及素材等内容，可以点击本站的其他文章进行学习。
随着大数据时代的到来，涌现了各种新职业和岗位包括数据分析师。那么数据分析是具体是做什么的呢？
方法/步骤
1.1. 制作报表
1、处理数据分析工作常常根据业务需求，用各种图表来展示各种指标数据，简单明了地展示各种指标的变化趋势，方便更好的得出结论，做出相关决策。其中：折线图传递变化趋势的信息、饼状图传递组成成分的信息、柱状图传递数值大小的信息、散点图传递数据集中度的信息、面积图传递数值累积的信息。
2、常用报表开发工具有BO、FineReprot、JasperReports、润乾、congos、biee等，最简单的就是从execl报表开始做数据分析。
1.2. 异常数据分析
1、所有不符合随机波动的数据概括为异常数据。
2、异常数据判断依据：此项指标的历史波动范围，来源于你的数据敏感度。
3、处理流程：发现异常--分析原因--给出方案--推动执行--监控效果--反思总结。
1.3. SQL查询语言
数据存储基本是存放在各种数据库包括mysql、oracle、nosql、sysbase等等，因此要学会、掌握sql查询语句、存储过程、函数等，以此更好开展数据分析工作。
1.4. 数据需求
1、处理数据需求对于数据分析师而言，最关键的是要足够了解业务。
2、数据需求流程
1.5. 项目性分析
充分不必要条件。 当然如果你认为SQL查询也算敲代码的话，那就需要。
实际上数据分析师的业务分类有很多，比如企业里做经营业务分析的熟一点Excel+业务知识就好；偏商业的数据分析师，可能会点ppt和商业逻辑经济思维就可以满足基本要求；偏工程方面的数据分析师可能对于代码的要求会高一些，要会个Python,R甚至会nosql,hadoop之类的。
所以问需不需要敲代码其实不太恰当，应该问数据分析师什么时候需要敲代码？
就我的理解可能有以下几种情况：
1.提需求给IT导数据成为工作瓶颈
通常你作为运营或者数据分析者，可能因为权限的问题，你需要把需求给到IT帮你导你需要的数据。可是频发如此的时候，尤其是如果你担心IT方给你的数据其实不是你想要的数据时（当然清楚字段含义，数据来源也是非常关键的，数据流转的业务逻辑清楚之后，也要明白对应到管理员后台（前端显示）数据的数理逻辑等），你们之间的沟通成本可能就会非常高，这个时候最好的办法就是你自己会。
2.处理大量数据时
另外，由于传统工具性能上的限制，在处理大规模数据时，必可避免的出现速度很慢。比如你用excel处理百万行数据时（Excel最大也只能支持100万多一点行），这个时候代码就可以大幅度提高处理效率，甚至还可以在下次处理时复用。（文/艾萌atanqing，一个略懂数据分析的心理咨询师）
数据分析是一门专业且跨越多个领域的学科，我整理了数据分析师看的书，希望对你有所帮助：
数据分析师的必读书单：Excel
《谁说菜鸟不会数据分析》
知名度比较高的一套书，适合新手，优点是它和数据分析结合，而不是单纯地学习函数。学会函数适用的场景和过程比它本身更重要。
是否需要学习VBA是仁者见仁的答案。我个人不建议。Excel VBA的最大优势是适用性广，哪怕去其他行业其他职位，都离不开Excel，这时候它就是一个工作加分的亮点。但是在互联网行业，对数据分析师，VBA的性价比就不高了。
这里只推荐一本，因为我就翻过上面这本，还没全看…
数据分析师的必读书单：数据可视化
数据可视化的书不多。市面上多以编程为主，面向新手和设计的教程寥寥无几。 如果只是了解图表，看Excel的书籍也管用。
内容很丰富，涉及可视化的方方面面，也囊括更类编程语言和设计软件：Python+JS+R+Excel。作者还有另外一本书《数据之美》。
可视化是一门侧重灵感的学科，有一种入门技巧是从他人设计中学习，从模仿开始，了解他人是如何设计的，这个网络上有大量的信息图可以参考。当然数据分析师更需要的是如何发现，别只学习展示。
英文足够好，可以看Edward Tufte的著作：《The Visual Display of Quantitative Information》、《Envisioning Information》、《Beautiful Evidence》。他是数据可视化的领军人物，他的理念是反对为艺术效果而混淆或者简化数据。暂时没有中文版。
数据分析师的必读书单：分析思维
《金字塔原理》
分析思维首推《金字塔原理》，金字塔原理有些人说它晦涩难懂，我认为是芭芭拉这个老太有骗稿费之嫌，本书包含了报告、写文、演讲等诸多内容。可以细看可以快看。另外还有一本同名案例集，有兴趣可以买。
另外麦肯锡相关的书籍还有《麦肯锡意识》《麦肯锡工具》《麦肯锡方法》等。
《深入浅出数据分析》
深入浅出系列是对新手非常友好的丛书，用生动但啰嗦的语言讲解案例。厚厚的一本书翻起来很快。本书涉及的基础概念比较广，包含一点统计学知识，学下来对数据分析思维会有一个大概了解。
《精益数据分析》
国外的精益系列一直以互联网创业作内容导向，本书也属于此类。如果是互联网行业相关，可以看看。它介绍了不同领域的指标，以及产品不同时期的侧重点。案例都是欧美，这部分做参考用。
接下来的几本，是兴趣向读物。《黑天鹅》能拓展思维，讲叙了不确定性。《思考的技术》，大前研一的著作，也是咨询类经典。如果对咨询向的分析感兴趣，还可以看BCG系列，或者刷CaseBook。《批判性思维》，则是教你如何形成理性思维。
数据分析师的必读书单：SQL
数据库有很多种，常见有Oracle，MySQL，SQL Server等。我推荐学习MySQL，这是互联网公司的主流数据库。以后学习Hadoop生态时，MySQL也是最接近Hive语法的语言。
MySQL不需要专门看书学习，因为数据分析师以查询为主，不需要考虑数据性能、数据安全和架构的问题。使用搜索引擎能解决90%的问题，我就是w3cschool学的。
《MySQL必知必会》
如果真想买书看，可以看这本，适合新手向的学习，看基础概念和查询相关的章节即可。网络上大部分MySQL都是偏DBA的'。
如果想深入，可以看《高性能MySQL》，对分析师没啥用。至于另外一个方向NoSQL，对入门者还是小众了些。
如果有余力，就学习正则表达式吧，清洗数据的工作就靠它了。
数据分析师的必读书单：统计学
统计学是比较大的范围，分析师往后还需要学线性代数和矩阵、关系代数等。初学者不需要掌握所有公式定理的数学推导，懂得如何应用就行用。
《深入浅出统计学》
大概是最啰嗦的深入浅出系列，从卖橡皮鸭到赌博机的案例，囊括了常用的统计分析如假设检验、概率分布、描述统计、贝叶斯等。书本注重应用和趣味性，数学推理一般。
《商务与经济统计》
国外的经典教材，已经出到第十二版了。国外教材都有丰富有趣的案例，所以读起来会比国内的轻松不少。如果你还在读书，不妨买这本看一看。
名字既然有商务与经济，所以书中辅以了大量的相关案例。书内容很多，看起来不会快，适合细读。
《The Elements of Statistical Learning》
稍微有一些难度的英文书籍，属于进阶版统计学，国外很推崇。如果要往机器学习发展，这本书可以打下很好的基础。
以上书籍的难度是逐步递增的。统计学是机器学习的基础，是概率、矩阵等实际应用。现在已经有很多统计工具，Excel的分析工具库、传统行业的SPSS、SAS以及R、Python等，使用过程都不用计算推导，大学考试才会考，现在都是计算机解决，轻松不少。
数据分析师的必读书单：业务知识
不同领域的业务知识都不一样，这里以互联网举例。
《增长黑客》
增长黑客的概念就是随着这本书的畅销传播开来。增长黑客在国内即是数据分析+运营/产品的复合型人才。这本书好的地方在于拓展思路，告诉我们数据能够做什么，尤其是连AB测试都不清楚的新人。
实际涉及的业务知识不多，我推荐，是希望新人能够了解数据驱动的概念，这本算是我走上数据化运营的启蒙读物了。
《从零开始做运营》
知乎亮哥的书籍，互联网所有的数据都是和运营相关的，如果是新手，就以此学习业务知识。如果已经工作很多，就略过吧。
大数据时代的数据分析师该了解哪些事情
近几年来，大数据养精蓄锐，从刚开始的无人谈及，到现在的盛行谈论，就这样走进了公众的视野。什么是大数据呢?对于数据分析师，它有意味着什么?处在人人高谈的大数据时代，数据分析师该了解哪些内容，本文将为您解答。
用Google搜索了一下“BigData”，得到了19,600,000个结果……而使用同样的词语，在两年前你几乎搜索不到什么内容，而现在大数据的内容被大肆宣传，内容多得让人眼花缭乱。而这些内容主要是来自IBM、麦肯锡和O’Reilly ，大多数文章都是基于营销目的的夸夸其谈，对真实的情况并不了解，有些观点甚至是完全错误的。我问自己…… 大数据之于数据分析师，它意味着什么呢?如下图所示，谷歌趋势显示，与“网站分析”(web analytics)和”商业智能”(business intelligence)较为平稳的搜索曲线相比，“大数据”(big data)的搜索量迎来了火箭式的大幅度增长。
被神话的大数据
Gartner把“大数据”的发展阶段定位在“社交电视”和“移动机器人”之间，正向着中部期望的高峰点迈进，而现在是达到较为成熟的阶段前的二至五年。这种定位有着其合理性。各种奏唱着“大数据”颂歌的产品数量正在迅速增长，大众媒体也进入了“大数据”主题的论辩中，比如纽约时报的“大数据的时代“，以及一系列在福布斯上发布的题为” 大数据技术评估检查表“的文章。
进步的一面体现在
，大数据的概念正在促使内部组织的文化发生转变，对过时的“商务智能”形成挑战，并促进了“分析”意识的提升。
基于大数据的创新技术可以很容易地被应用到类似数据分析的各种环境中。值得一提的是，企业组织通过应用先进的业务分析，业务将变得更广泛、更复杂，价值也更高，而传统的网站分析受到的关注将会有所减弱。
大数据的定义
什么是“大数据”，目前并没有统一的定义。维基百科提供的定义有些拙劣，也不完整：“ 大数据，指的是所涉及的数据量规模巨大到无法通过主流的工具，在合理的时间内撷取、管理、处理、并整理成为人们所能解读的信息 “。
IBM 提供了一个充分的简单易懂的概述：
大数据有以下三个特点：大批量(Volume)、高速度(Velocity)和多样化(Variety) 。 大批量 – 大数据体积庞大。企业里到处充斥着数据，信息动不动就达到了TB级，甚至是PB级。 高速度 – 大数据通常对时间敏感。为了最大限度地发挥其业务价值，大数据必须及时使用起来。 多样化 – 大数据超越了结构化数据，它包括所有种类的非结构化数据，如文本、音频、视频、点击流、日志文件等等都可以是大数据的组成部分。 MSDN的布莱恩·史密斯在IBM的基础上增加了第四点： 变异性 – 数据可以使用不同的定义方式来进行解释。不同的问题需要不同的阐释。
从技术角度看大数据
大数据包括了以下几个方面：数据采集、存储、搜索、共享、分析和可视化，而这些步骤在商务智能中也可以找到。在皮特·沃登的“ 大数据词汇表 “中，囊括了60种创新技术，并提供了相关的大数据技术概念的简要概述。
获取 ：数据的获取包括了各种数据源、内部或外部的、结构化或非结构化的数据。“大多数公共数据源的结构都不清晰，充满了噪音，而且还很难获得。” 技术： Google Refine、Needlebase、ScraperWiki、BloomReach 。
序列化：“你在努力把你的数据变成有用的东西，而这些数据会在不同的系统间传递，并可能存储在不同节点的文件中。这些操作都需要某种序列化，因为数据处理的不同阶段可能需要不同的语言和API。当你在处理非常大量的记录时，该如何表示和存储数据，你所做的选择对你的存储要求和性能将产生巨大影响。 技术： JSON、BSON、Thrift、Avro、Google Protocol Buffers 。
存储 ：“大规模的数据处理操作使用了全新的方式来访问数据，而传统的文件系统并不适用。它要求数据能即时大批量的读取和写入。效率优先，而那些有助于组织信息的易于用户使用的目录功能可能就显得没那么重要。因为数据的规模巨大，这也意味着它需要被存储在多台分布式计算机上。“ 技术： Amazon S3、Hadoop分布式文件系统 。
服务器 ：“云”是一个非常模糊的术语，我们可能对它所表示的内容并不很了解，但目前在计算资源的可用性方面已有了真正突破性的发展。以前我们都习惯于购买或长期租赁实体机器，而现在更常见的情况是直接租用正运行着虚拟实例的计算机来作为服务器。这样供应商可以以较为经济的价格为用户提供一些短期的灵活的机器租赁服务，这对于很多数据处理应用程序来说这是再理想不过的事情。因为有了能够快速启动的大型集群，这样使用非常小的预算处理非常大的数据问题就可能成为现实。“ 技术： Amazon EC2、Google App Engine、Amazon Elastic Beanstalk、Heroku 。
NoSQL：在IT行为中，NoSQL(实际上意味着“不只是SQL”)是一类广泛的数据库管理系统，它与关系型数据库管理系统(RDBMS)的传统模型有着一些显著不同，而最重要的是，它们并不使用SQL作为其主要的查询语言。这些数据存储可能并不需要固定的表格模式，通常不支持连接操作，也可能无法提供完整的ACID(原子性—Atomicity、一致性—Consistency、隔离性—Isolation、持久性—Durability)的保证，而且通常从水平方向扩展(即通过添加新的服务器以分摊工作量，而不是升级现有的服务器)。 技术： Apache Hadoop、Apache Casandra、MongoDB、Apache CouchDB、Redis、BigTable、HBase、Hypertable、Voldemort 。
处理 ：“从数据的海洋中获取你想要的简洁而有价值的信息是一件挑战性的事情，不过现在的数据系统已经有了长足的进步，这可以帮助你把数据集到转变成为清晰而有意义的内容。在数据处理的过程中你会遇上很多不同的障碍，你需要使用到的工具包括了快速统计分析系统以及一些支持性的助手程序。“ 技术： R、Yahoo! Pipes、Mechanical Turk、Solr/ Lucene、ElasticSearch、Datameer、Bigsheets、Tinkerpop 。 初创公司： Continuuity、Wibidata、Platfora 。
MapReduce ：“在传统的关系数据库的世界里，在信息被加载到存储器后，所有的数据处理工作才能开始，使用的是一门专用的基于高度结构化和优化过的数据结构的查询语言。这种方法由Google首创，并已被许多网络公司所采用，创建一个读取和写入任意文件格式的管道，中间的结果横跨多台计算机进行计算，以文件的形式在不同的阶段之间传送。“ 技术： Hadoop和Hive、Pig、Cascading、Cascalog、mrjob、Caffeine、S4、MapR、Acunu、Flume、Kafka、Azkaban、Oozie、Greenplum 。
自然语言处理 ：“自然语言处理(NLP)……重点是利用好凌乱的、由人类创造的文本并提取有意义的信息。” 技术： 自然语言工具包Natural Language Toolkit、Apache OpenNLP、Boilerpipe、OpenCalais。
机器学习：“机器学习系统根据数据作出自动化决策。系统利用训练的信息来处理后续的数据点，自动生成类似于推荐或分组的输出结果。当你想把一次性的数据分析转化成生产服务的行为，而且这些行为在没有监督的情况下也能根据新的数据执行类似的动作，这些系统就显得特别有用。亚马逊的产品推荐功能就是这其中最著名的一项技术应用。“ 技术： WEKA、Mahout、scikits.learn、SkyTree 。
可视化 ：“要把数据的含义表达出来，一个最好的方法是从数据中提取出重要的组成部分，然后以图形的方式呈现出来。这样就可以让大家快速探索其中的规律而不是仅仅笼统的展示原始数值，并以此简洁地向最终用户展示易于理解的结果。随着Web技术的发展，静态图像甚至交互式对象都可以用于数据可视化的工作中，展示和探索之间的界限已经模糊。“ 技术： GraphViz、Processing、Protovis、Google Fusion Tables、Tableau 。
大数据的挑战
最近举行的世界经济论坛也在讨论大数据，会议确定了一些大数据应用的机会，但在数据共用的道路上仍有两个主要的问题和障碍。
1.隐私和安全
正如Craig Ludloff在“隐私和大数据“的专题中所提到的，一个难以避免的危机正在形成，大数据将瓦解并冲击着我们生活的很多方面，这些方面包括私隐权、政府或国际法规、隐私权的安全性和商业化、市场营销和广告……试想一下欧盟的cookie法规，或是这样的一个简单情景，一个公司可以轻易地在社交网络上收集各种信息并建立完整的资料档案，这其中包括了人们详细的电子邮箱地址、姓名、地理位置、兴趣等等。这真是一件吓人的事情!
2.人力资本
麦肯锡全球研究所的报告显示 ，美国的数据人才的缺口非常大，还将需要140,000到190,000个有着“深度分析”专业技能的工作人员和1.500个精通数据的经理。寻找熟练的“网站分析”人力资源是一个挑战，另外，要培养自己的真正拥有分析技能的人员，需要学习的内容很多，这无疑是另一个大挑战。
大数据的价值创造
很多大数据的内容都提及了价值创造、竞争优势和生产率的提高。要利用大数据创造价值，主要有以下六种方式。
透明度 ：让利益相关人员都可以及时快速访问数据。实验 ：启用实验以发现需求，展示不同的变体并提升效果。随着越来越多的交易数据以数字形式存储，企业可以收集更准确、更详细的绩效数据。决策支持 ：使用自动化算法替换/支持人类决策，这可以改善决策，减少风险，并发掘被隐藏的但有价值的见解。创新 ：大数据有助于企业创造出新的产品和服务，或提升现有的产品和服务，发明新的商业模式或完善原来的商业模式。细分 ：更精细的种群细分，可以带来不同的自定义行为。
工业领域的增长 ：有了足够的和经过适当培训的人力资源，那些重要的成果才会成为现实并产生价值。
数据分析的机会领域
当“网站分析”发展到“数据智能“，毫无疑问，数据分析人员也工作也应该发生一些转变，过去的工作主要是以网站为中心并制定渠道的具体战术，而在将来则需要负责更具战略性的、面向业务和(大)数据专业知识的工作。
数据分析师的主要关注点不应该是较低层的基础设施和工具开发。以下几点是数据分析的机会领域：
处理：掌握正确的工具以便可以在不同条件下(不同的数据集、不同的业务环境等)进行高效的分析。目前网站分析专家们最常用的工具无疑是各类网站分析工具，大多数人并不熟悉商业智能和统计分析工具如Tableau、SAS、Cognos等的使用。拥有这些工具的专业技能将对数据分析人员的发展大有好处。
NLP：学习非结构化数据分析的专业技能，比如社交媒体、呼叫中心日志和邮件的数据多为非结构化数据。从数据处理的角度来看，在这个行业中我们的目标应该是确定和掌握一些最合适的分析方法和工具，无论是社会化媒体情感分析还是一些更复杂的平台。
可视化 ：掌握仪表板的展示技能，或者宽泛点来说，掌握数据可视化的技术是摆在数据分析师面前一个明显的机会(注：不要把数据可视化与现在网络营销中常用的“信息图”infographics相混淆)。
行动计划
在大数时代，其中一个最大的挑战将是满足需求和技术资源的供给。当前的“网站分析”的基础普遍并不足够成熟以支持真正的大数据的使用，填补技能差距，越来越多的“网站分析师”将成长为“数据分析师”。
1、数学知识
数学知识是数据分析师的基础知识。对于初级数据分析师，了解一些描述统计相关的基础内容，有一定的公式计算能力即可，了解常用统计模型算法则是加分。
对于高级数据分析师，统计模型相关知识是必备能力，线性代数（主要是矩阵计算相关知识）最好也有一定的了解。
而对于数据挖掘工程师，除了统计学以外，各类算法也需要熟练使用，对数学的要求是最高的。
所以数据分析并非一定要数学能力非常好才能学习，只要看你想往哪个方向发展，数据分析也有偏“文”的一面，特别是女孩子，可以往文档写作这一方向发展。
2、分析工具
对于初级数据分析师，玩转Excel是必须的，数据透视表和公式使用必须熟练，VBA是加分。另外，还要学会一个统计分析工具，SPSS作为入门是比较好的。
对于高级数据分析师，使用分析工具是核心能力，VBA基本必备，SPSS/SAS/R至少要熟练使用其中之一，其他分析工具（如Matlab）视情况而定。
对于数据挖掘工程师……嗯，会用用Excel就行了，主要工作要靠写代码来解决呢。
3、编程语言
对于初级数据分析师，会写SQL查询，有需要的话写写Hadoop和Hive查询，基本就OK了。
对于高级数据分析师，除了SQL以外，学习Python是很有必要的，用来获取和处理数据都是事半功倍。当然其他编程语言也是可以的。
对于数据挖掘工程师，Hadoop得熟悉，Python/Java/C++至少得熟悉一门，Shell得会用……总之编程语言绝对是数据挖掘工程师的最核心能力了。
4、业务理解
业务理解说是数据分析师所有工作的基础也不为过，数据的获取方案、指标的选取、乃至最终结论的洞察，都依赖于数据分析师对业务本身的理解。
对于初级数据分析师，主要工作是提取数据和做一些简单图表，以及少量的洞察结论，拥有对业务的基本了解就可以。
对于高级数据分析师，需要对业务有较为深入的了解，能够基于数据，提炼出有效观点，对实际业务能有所帮助。
对于数据挖掘工程师，对业务有基本了解就可以，重点还是需要放在发挥自己的技术能力上。
业务能力是优秀数据分析师必备的，如果你之前对某一行业已经非常熟悉，再学习数据分析，是非常正确的做法。刚毕业没有行业经验也可以慢慢培养，无需担心。
4、逻辑思维
这项能力在我之前的文章中提的比较少，这次单独拿出来说一下。
对于初级数据分析师，逻辑思维主要体现在数据分析过程中每一步都有目的性，知道自己需要用什么样的手段，达到什么样的目标。
对于高级数据分析师，逻辑思维主要体现在搭建完整有效的分析框架，了解分析对象之间的关联关系，清楚每一个指标变化的前因后果，会给业务带来的影响。
对于数据挖掘工程师，逻辑思维除了体现在和业务相关的分析工作上，还包括算法逻辑，程序逻辑等，所以对逻辑思维的要求也是最高的。
5、数据可视化
数据可视化说起来很高大上，其实包括的范围很广，做个PPT里边放上数据图表也可以算是数据可视化，所以我认为这是一项普遍需要的能力。
对于初级数据分析师，能用Excel和PPT做出基本的图表和报告，能清楚的展示数据，就达到目标了。
对于高级数据分析师，需要探寻更好的数据可视化方法，使用更有效的数据可视化工具，根据实际需求做出或简单或复杂，但适合受众观看的数据可视化内容。
对于数据挖掘工程师，了解一些数据可视化工具是有必要的，也要根据需求做一些复杂的可视化图表，但通常不需要考虑太多美化的问题。
6、协调沟通
对于初级数据分析师，了解业务、寻找数据、讲解报告，都需要和不同部门的人打交道，因此沟通能力很重要。
对于高级数据分析师，需要开始独立带项目，或者和产品做一些合作，因此除了沟通能力以外，还需要一些项目协调能力。
对于数据挖掘工程师，和人沟通技术方面内容偏多，业务方面相对少一些，对沟通协调的要求也相对低一些。
7、快速学习
无论做数据分析的哪个方向，初级还是高级，都需要有快速学习的能力，学业务逻辑、学行业知识、学技术工具、学分析框架……数据分析领域中有学不完的内容，需要大家有一颗时刻不忘学习的心。
快速学习非常重要，只有快速进入这一行业，才能抢占先机，获得更多的经验和机会。如果你完全零基础想要尽快进入数据分析行业，选择一家专业的大数据培训机构是个不错的选择。缩短学习周期，提高学习效率，时间即金钱！