数据分析的研究方向

研究都离不开数据吧，看你是什么方面的数据，目的是什么，一般可以做数据挖掘，如关联分析，聚类、分类、异常值检测；其次是统计方面的，如计量经济，回归分析，预测。分析方法也根据数据种类不同而不同，有很多跨学科的方法，如神经网络、遗传分析、膨胀学、数理统。至于前景应该看你是哪一个行业，这个行业急需解决什么问题？

• 统计学基础研究方向包括各种经典的统计模型和各种概率论理论的学习，比如样本设计、数据挖掘、随机过程、建立统计模型、模型的选择、时间序列、非参数统计方法、蒙特卡罗法、生存分析、空间统计、贝叶斯推论、等等。　　• 统计专业学习的三大块基础内容是概率分布，用以表述随机变量取值的概率规律；统计推断，根据带随机性的观测数据（样本）以及问题的条件和假定（模型），而对未知事物作出的，以概率形式表述的推断；回归分析：是确定两种或两种以上变量间相互依赖的定量关系的一种统计分析方法• 统计根据其应用的领域可以分为生物统计，应用统计，金融统计、数理统计，这四个是比较常见和热门的申请分支，后面还有环境统计，经济统计，遗传统计，农业统计等等，这些分支比较适合本科是经济，环境，农业等专业的学生申请，申请难度相对较小，竞争不是很激烈。

首先来说数据开发，数据开发的工作主要是和数据库打交道，从数据入库、数据清洗到数据整合，最终到产出业务所需求的数据形式，进行展示，这方面的岗位一般称为数据开发工程师或者是BI数据工程师。其次是数据挖掘，数据挖掘更偏向于算法，其主要职能是挖掘数据之间的内在联系，从现有的数据来预测未来的数据，一般称为数据挖掘工程师或者算法工程师，这个方向对算法基本功尤其是数学相关的知识要求较高，企业招聘时门槛也相对较高;最后一种是商业分析师，商业分析是更侧重的是商业分析能力，更关注的其实是业务层面，通过数据结合业务为企业找到的盈利可能，对技术要求不算太高，但需要对业务和营销有很深刻的理解。如果让我推荐一个发展方向，我会推荐商业分析，商业分析看起来是这三条路中最坦荡的一条路，其实不然，相对与技术来说，业务需要经过大量的实践积累，才能形成自己的一套数据分析体系，其次，互联网上的资料一般都不能直接对本公司业务直接使用，所以业务分析师「越老越值钱」就是这个道理。其次，随着数据分析行业的发展，很多高校都开设了相关课程，未来几年内数据分析师的体量将会呈现指数型增长，2019年上半年以来，很多创业型互联网公司倒闭，数据分析师是伴随着移动互联网成长起来的职业，不久的将来将会出现「狼多肉少」的局面，商业数据分析师能够为你的职业发展提供一个良好的壁垒，后来的数据分析师想要取代你很不容易;最后，从职业发展空间来说，商业数据分析师的成长空间无疑是更大的，说直接点，我所接触的圈子当中，基本没有技术数据分析出身的高管，反而业务型数据分析师更能顺其自然的走上管理岗位。关于初级数据分析师的发展方向是什么，环球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。

　　统计学的比较新的研究方向有:抽样调查，应用统计，满意度测评，市场调查 、应用数理统计、风险管理、精算学与保险学、应用数理统计，多元统计分析，六西格玛管理、生存分析、保险与精算 。　　统计学是通过搜索、整理、分析、描述数据等手段，以达到推断所测对象的本质，甚至预测对象未来的一门综合性科学。其中用到了大量的数学及其它学科的专业知识，它的使用范围几乎覆盖了社会科学和自然科学的各个领域。

数据分析师的在企业中的主要作用是支持与指导业务发展。基本合格的数据分析师支持业务发展，优秀的数据分析师指导业务发展。随着大数据技术在各行各业应用的越来越广，数据驱动智能产品和精细化运营已经成为企业经营的制胜法宝，相应地，数据分析师这个岗位也越来越受到关注，越来越多的小伙伴也转行做数据分析，因为大家不仅看到的是未来数据分析的发展前景，而且数据分析师的薪资待遇也很不错！岗位缺口大，就业薪资高，而且这个岗位对学历的要求不是特别高，对经验的要求也不算严格，从而数据分析师，在大数据时代，迎来了黄金就业期。数据分析师，这是数据分析职业的起点。有些企业则会根据自身所处行业特点，赋予数据分析师一些更具体的岗位名称，例如业务分析师、运营分析师、数据库分析师和财务数据分析师等。除了所处的行业不同、业务不同，对于技术来说万变不离其宗，所有数据分析师的最主要职能都是针对业务或运营问题或需求，去获取、清洗、分析数据，并呈现数据分析结果，辅助企业做出判断或决策。通过搜索BOSS直聘和领英，发现其上面有上有10万+个数据分析师职位空缺，其中绝大部分是互联网行业的需求。值得注意的是，虽然国内现有很多数据分析师员工，但其数量占比依旧很少，职位空缺却占到了市场的50%之多。大多数热门岗位都会在招聘JD中，给出“具备数据分析能力”这样的招聘条件。2019年全国大数据人才需求是2015年的12倍，从数据可以看出，2020年乃至未来，数据分析师将是职业发展的一个重要方向。从销售、市场，到运营、产品经理、用户研究等，都试图从各种繁杂数据中看出点门道，获得对市场、产品、消费者等方面的洞见。

数据分析通常有两种出路：对算法做深入的研究然后去做数据挖掘、对业务有比较深刻的理解然后转去做业务。除此之外，无其他出路。而说实话，我不看好数据分析本身这个岗位。为什么不看好?首先我们对数据分析的工作做个拆解。大部分的数据分析有50%的时间在取数，还有40%的时间在跟产品经理沟通：做AB实验以及做做效果回归，最后还有10%的时间在做探索性分析。现在在担任数据分析岗的，可以跳出来说一说是不是。可是上面这些工作其实大多是可以替代的，机械性的工作。看写SQL取数这个活就是个脏活、累活，会的人都能取，雇一个干了五年的数据分析跟一个刚毕业的数据分析写SQL基本没啥区别。无非就是开始可能没法做到100%准确性。做AB实验以及效果回归这件事情，现在自助式的平台越来越多了，等以后的这种自助式的AB平台越来越成熟的时候，根本不需要数据分析师来干这件事情。产品经理想做实验，傻瓜式的操作操作，实验之后，想看数据，仍然是傻瓜式的操作。期间不需要任何分析师参与。探索性分析这个活本来才应该是数据分析干得活，但是我知道在目前大部分的企业数据分析却没在干这个活。探索性的分析一般都要求过硬的技术能力，或者非常熟悉业务，两者有其一才能发挥出探索性项目的价值。最后，技术过硬的后来基本是去做算法的数据挖掘去了，因为他们发现在数据分析这个岗位因为不断的取数需求磨灭人的意志。而且这些人过的会不错，因为以前单纯做数据挖掘的人，他们大多脱离业务。但是数据分析转过去的对业务就更敏感。业务过硬的就去做业务的产品经理了，因为本来业务能力就很强，数据意识也很强，却需要跟着业务不强、数据不强的人后面听他瞎指挥，谁能受得了。而且本身数据和业务的结合才能带来更大的价值。所以数据分析转过来的业务人一般也比正常的产品经理好一些。

大数据技术是一种新一代技术和构架，大数据技术不断涌现和发展，让我们处理海量数据更加容易、更加便宜和迅速，成为利用数据的好助手，大数据技术已经运用到各个领域，大数据技术的发展可以分为六大方向：1.在大数据采集与预处理方向。这方向最常见的问题是数据的多源和多样性，导致数据的质量存在差异，严重影响到数据的可用性。针对这些问题，目前很多公司已经推出了多种数据清洗和质量控制工具(如IBM的Data Stage)。2.在大数据存储与管理方向。这方向最常见的挑战是存储规模大，存储管理复杂，需要兼顾结构化、非结构化和半结构化的数据。分布式文件系统和分布式数据库相关技术的发展正在有效的解决这些方面的问题。在大数据存储和管理方向，尤其值得我们关注的是大数据索引和查询技术、实时及流式大数据存储与处理的发展。3.大数据计算模式方向。由于大数据处理多样性的需求，目前出现了多种典型的计算模式，包括大数据查询分析计算(如Hive)、批处理计算(如Hadoop MapRece)、流式计算(如Storm)、迭代计算(如HaLoop)、图计算(如Pregel)和内存计算(如Hana)，而这些计算模式的混合计算模式将成为满足多样性大数据处理和应用需求的有效手段。4.大数据分析与挖掘方向。在数据量迅速膨胀的同时，还要进行深度的数据深度分析和挖掘，并且对自动化分析要求越来越高，越来越多的大数据数据分析工具和产品应运而生，如用于大数据挖掘的R Hadoop版、基于MapRece开发的数据挖掘算法等等。5.大数据可视化分析方向。通过可视化方式来帮助人们探索和解释复杂的数据，有利于决策者挖掘数据的商业价值，进而有助于大数据的发展。很多公司也在开展相应的研究，试图把可视化引入其不同的数据分析和展示的产品中，各种可能相关的商品也将会不断出现。可视化工具Tabealu 的成功上市反映了大数据可视化的需求。6.大数据安全方向。当我们在用大数据分析和数据挖掘获取商业价值的时候，黑客很可能在向我们攻击，收集有用的信息。因此，大数据的安全一直是企业和学术界非常关注的研究方向。通过文件访问控制来限制呈现对数据的操作、基础设备加密、匿名化保护技术和加密保护等技术正在最大程度的保护数据安全。

1、懂业务。从事数据分析工作的前提就会需要懂业务，即熟悉行业知识、公司业务及流程，很好有自己独到的见解，若脱离行业认知和公司业务背景，分析的结果只会是脱了线的风筝，没有太大的使用价值。

主要工作是分析过去与未来的数据前景是非常好的，因为现在是大数据时代想要做好数据分析，先要多读点书数据分析方面个人推荐书目：　　1、《统计与真理——怎样运用偶然性》　　2、Google Analytic经典分析　　3、统计学：从数据到结论（吴喜之）第二版　　4、统计数据标准化方法　　补充几本书：　　1、统计学的世界　　2、民生数据的真相　　3、统计陷阱