起點課堂會員權益
職業體系課特權
線下行業大會特權
個人IP打造特權
30+門專項技能課
1300+專題課程
12場職場軟技能直播
12場求職輔導直播
12場專業技能直播
會員專屬社群
榮耀標識大數據人才，到底應具備哪些技能？
想成為大數據人才，究竟應該具備哪些技能？這篇文章里，作者從數據分析流程、職業技能等維度做了相應的分享，不妨一起來看看吧。
我是西索，最近這段時間，和幾個大廠的TL 做分析「價值」方面的探討，在大數據時代要怎么才能發揮更高的數據價值，剛好涉及到這部分的討論，把討論結果做個分享，供同行參考。
這幾年聽到最多的一個聲音，我們要開始“卷”價值了。那么“你的價值體現是什么？”、“當前還有多少價值可以做”、“接下來我們要創造什么價值”…
一、認識數據分析流程
對于剛入行的同學來說，需要了解大數據分析過程中涉及到的流程和環節，再結合大數據的要素進行能力拆解。
二、認識大數據，不得不了解的4V特性
數據分析和大數據分析，原始數據量大小不同，導致處理方式的不同。
大數據分析，主要是利用各種類型的全量數據（不是抽樣數據），設計統計方案，得到兼具細致和置信的統計結論。在做大規模數據處理的時候，天然存在很多技術壁壘，必須要用專業的軟件才能解決，還需要兼顧運算時效、計算性能、運行成本、數據加工技巧等等。
1. 認識大數據架構能力
以下是一個比較典型的大數據架構：
了解大數據平臺的底層構成，增加對工具的認知，了解不同產品之間的共性和差異性，在真實建設場景中才能做好針對性的方案設計。
大數據平臺、關系型數據庫vs非結構式數據庫、實時數據vs離線數據、數據調度工具。
2. 認識大數據指標體系
因為大數據的體量很大，為了快速拿到想要的數據結果，就不得不提「數據指標體系」。指標體系的搭建分為兩大步驟：設計指標體系和落地指標體系。
3. 認識大數據指標體系
關于大數據工具的介紹，可以參考這篇文章：大數據常用工具集合。
三、做好大數據需要儲備的職業技能
我們把職業技能劃分為顯性和隱性兩個方面，從大數據各種崗位的job model中可以抽象成為集中能力，見下圖：
1. 必知的管理方法論
在職場中我們會接觸到很多「管理」內容，向上管理、向下管理、項目管理、團隊管理、需求管理等，提升自己的管理軟實力，加強管理方法的意識塑造，是拉開職場核心競爭力的關鍵所在。
2. 常用的統計學知識
分析過程可能是做一些探索性數據分析、統計分析、機器學習建模，甚至是做AB測試實驗，最終交付分析報告。數據分析離不開統計學、運籌學，以下羅列了日常過程中經常用到的統計方法。
3. 重要的商分類知識
“無場景不分析”、“脫離業務場景的分析都是耍流氓”等資深數據分析師的建議無不說明業務場景的重要性，數據分析在不同場景下，也有不同的“分析”招式來滿足不同的業務需求，熟悉下面的商業分析模型有助于建立業務信賴。
4. 掌握的算法類模型
有監督模型，對于企業銷售的預測、還是對用戶行為的預測，都能幫助提升業務效率。比如常見的預測用戶流失分析，及時得到高概率流失的人群名單，運營通過提前營銷干預，提高用戶留存率。
無監督模型，可以應對未知模式的分析。譬如，不知道應該把現有人群分成多少個組來進行營銷最合適，就可以對人群基于核心特征做無監督的聚類分析，得出有效分組的界限。
5. 機器學習和深度學習算法
幾個基礎概念：
- 數據集合：訓練集、測試集、驗證集；
- 數據檢查：描述性統計（最大、最小、中位數、眾數、四分位）、缺省值填充、卡方分布；
- 數據校驗：共軛線性、相關系數（Pearson Correlation Coefficient）；
- 特征工程：什么是特征工程、特征工程構建、特征工程權重查看、特征選擇（filter/Wrapper/Embedded）
- 歸一化：虛擬變量，labelEncoder/OneHotEncoder/get_dummies；此外可以參考核函數構建方法，通過log、ln、e的方式構建，縮小極大值之間的數據離散度；
- 數據標準化：z-score、max-min scaling；
- 算法校驗：卡方校驗、5-fold、
機器學習：
知識重點：距離、信息熵、梯度、L1/L2、魯棒性（穩定性）。
L1-曼哈頓（絕對值相加，不唯一解）、L2-歐氏距離（歐幾里得距離之和，平方和，唯一解）。
無監督學習：
聚類（cluster）：k-means、cart（核心是距離-歐式/馬氏/曼哈頓/切比雪夫，高斯密度/正態分布）。
半監督學習：
監督學習：
回歸（logistic）：線性回歸、LR（ridge/lasso，L1/L2）、預測（Arima、prephet）；
分類（classification）：KNN、Decsion Tree、XGBoost、Random Forest、GBDT、SVM、Bayes。
深度學習
知識重點：損失函數、核函數。
用途：文字識別、圖片識別、語音識別、視頻處理。
文本挖掘：
NLP：tf-idf、LDA、CBOW、word bag
目標檢測：
神經網絡：BP（CNN）、RNN、LSTM。
6. 數據可視化的能力
圖表是數據可視化的常用表現形式，是對數據的二次加工，可以幫助我們理解數據、洞悉數據背后的真相，讓我們更好地適應這個數據驅動的世界。
四、擅長的·愛好的·世界需要的
在布賴恩·費瑟斯通豪《遠見：如何規劃職業生涯3大階段》一書中提到，你要不斷問自己這三個問題：我擅長什么？我愛好什么？這個世界需要什么？三者交集的部分，找到自己的目標，當前應該做哪些方面的刻意練習，強化優勢，用長板補短板。
工作規劃，是結合公司整體方向而開展的規劃過程；個人規劃，是結合個人職業發展而開展的規劃過程；彼此之間的交集在于，如何通過規劃把兩個方面進行融合！
而個人職業成長旅程中有三個定位：崗位定位，管理定位，行業定位。
- 28歲前，用崗位專業定位自己，你干啥最專業？
- 32歲之前，用管理角色定位自己，你做項目、帶團隊、搞運營的能力怎么樣？
- 38歲之前，用行業品類定位自己，你在哪一個行業領域做到了頂尖？
本文由 @鄭小柒是西索啊 原創發布于人人都是產品經理。未經許可，禁止轉載。
題圖來自Unsplash，基于CC0協議。
該文觀點僅代表作者本人，人人都是產品經理平臺僅提供信息存儲空間服務。
- 目前還沒評論，等你發揮！
