同样是零基础转行的数据分析师，通过学习Python/SQL，已经成功入职一家零售行业上市公司的数据分析师。现就职于其集团总部用户数据中心，负责通过数据分析赋能各子品牌业务公司，确保分析结论产生商业价值。 　　

　　基于我零基础转行的成功经验，帮你总结了转行数据分析中你必须知道的要点： 　　

　　以终为始 ―― 目标在哪 　　

　　要讨论从什么开始学起，就要先看我们的目标终点在哪，“以终为始”才能使出发时的路径最优。 　　

　　我常年在数据分析圈的经历，数据分析更多的是职业道路的初级阶段。如果你想打怪物升级，想获得更好的待遇和前景，中期就得跳到更广阔的平台。 　　

　　作为数据分析师，积累经验后，主要有以下几条发展路径： 　　

　　数据分析师 业务增长 　　

　　加入数据分析工作后，随着分析能力的提高和业务经验的积累，逐渐由单一的数据分析，转变为能够帮助业务成长，可以通过分析找到业务增长方向并实现价值落地的「 业务专家 」。 　　

　　同时，这也是大多数人会选择的方向。毕竟，了解业务是数据分析师的必经之路。逐渐熟悉业务后，这样的改变自然会到来。此外，业务方向使分析工作更容易产生价值。从财务角度来说，是从“成本”到“利润中心”，收益自然有保障。 　　

　　除了掌握数据分析工具和业务分析及模型能力（如杜邦分析、留存分析、RFM模型、AARRR漏斗模型等）,两者 　　

如图是我在业务中，利用RFM模型制作的落地策略供参考：

数据分析师 × 数据产品

以我为例，入职时，公司就已经在建设CDP、BI等B端数据产品，而我也负责数据分析指标体系、用户标签体系、运营监控报表设计等工作。因为对数据敏感度及分析方法的掌握比产品经理有更深层次的理解与运用，所以在这过程中，随着产品相关知识的补充（如流程图、原型、埋点文档等），可以转变为更具竞争力的「 数据产品经理 」。

除了需要掌握产品经理的基础能力，数据产品经理在数据分析应用、建模能力方面也需要具备一定知识，才能进阶搭建可供业务使用的分析框架。

如图是我负责的CDP(用户数据中台)建设设计的框架草图供参考：

数据分析师 × 模型算法

在大数据时代，商家之间比拼的是精细化运营能力。面对分析需求日益“刁钻”的业务，尤其是在电商、互联网等数据决策意识较强的行业，分析师入职后会接触到如如复购预测、商品推荐、销售预测等需求，此时，可以从简单的逻辑回归算法开始，积累知识与实践经验，进而转变为人工智能时代的「 算法工程师」

实际上算法工程师的门槛很高，除了需要掌握统计学知识、线性代数、概率论等高数内容外，还需侧重锻造「工程」能力，就是从业务调研、建模到服务器搭建、模型部署落地等系统工程能力。当然很多人即使是没掌握高数，通过「调参」也能很好地调用模型输出结果，但根据业务场景构建模型并部署落地的能力是绕不过去的。

如图是我在业务中帮助门店开发的选址算法模型及工具供参考。

数据分析师 × BI开发

图表能降低受众的阅读门槛，提高决策效率，所以可视化的BI(Business Intelligence) 越来越受欢迎。

BI可以自行搭建如Python的Superset，这样的好处是数据保密可控，缺点就是开发门槛较高最终效果也未必很好(例如卡顿)，也可以用第三方提供的工具如PowerBI, Tableau等，优点除了门槛低外，还能搭建分析模型，而缺点就是管理层会对数据不放心。

当下，我认为BI岗位有以下两个特点：

第一，BI工具是个见效快、升职快的岗位，因为与专职的数据分析师需要负责对分析结论落地以体现价值不同，BI体现价值的地方就在于报表或图表能满足业务分析即可。(当然每个岗位都有难处，在这我只是想说明两者之间价值体现不同。)

第二，决策前置趋势，即BI工具从展示型往决策型工具演变的趋势越来越明显，以往它可能只是展示经营数据让业务自行判断分析，而现在开始它还得能通过复杂的建模输出决策建议，例如通过关联性分析，就能直观给出商品组合建议; 再如搭建RFM模型，输出价值顾客及策略建议等。

如图是我帮助业务做的产品关联分析，直观给出商品组合建议供参考。

还可以再通过PowerBI的智能文本框给出丰富的策略建议。

数据分析师 × 大数据分析师/开发

经常有新人混淆数据分析师和大数据开发之间的关系，其实从名字上就可以看出些区别：

「大数据」就是要处理那些一台电脑难以计算的数据量，例如TB甚至是PB级别的数据。此时解决方案是通过多台电脑组成分布式网络把算力加和起来。所以该岗位更多是技术活，需要掌握hadoop家族产品，搭建大数据框架。面对的更多是行为日志等数据流。

而数据分析师则侧重在分析能力，一张几百KB的表格可以分析，一个GB级的数据库也能分析。此时的解决方案就很多样: Excel, SQL, Python等。所以该岗位更多的是业务分析能力，除了掌握必备工具外，还需要掌握分析模型的应用能力如RFM模型、AARRR模型等。

当然，有时候它们的界限并没有那么明显。数据分析师接触大数据任务多了，在掌握如Spark, Hive等工具及相应分析能力后，也能转为大数据分析师，乃至大数据开发。

大数据开发这块我有用过SPARK但是没有业务应用场景，所以就不给案例了。

随着人工智能时代的发展，数据分析能力已悄然成为各行各业甚至各岗位的通用能力。正如互联网+、人工智能+正在颠覆传统行业，「数据分析+」 的价值也在于赋传统的思考逻辑以精细化数据化的思考能力。