隨著計算機存儲技術的發展，各行各業（包括金融證券保險、游戲、咨詢、醫療、能源、通信、零售、體育等）都可以從其大數據的采集、傳輸、存儲、分析等各個環節產生巨大的經濟價值，如此巨大的數據需要專業的人士去發現以及挖掘出有用的信息，給企業各個層面提供技術支持和決策引導，數據分析師應運而生。目前市場上合格的
大數據分析人才稀缺，所以
大數據分析師的薪資非常高，進入行業越早的
大數據分析師，隨著實踐經驗的增加，身價越來越高。
職業發展與薪資
數據分析師的發展方向概括下來有兩個：一個方向是業務分析師（偏業務分析），另一個方向則是數據挖掘工程師（偏數據挖掘建模）。
業務分析師
業務分析師一般從業務的角度出發，為公司的其他部門（比如：運營、產品等）提供業務方面的數據服務，具體內容如下：
報表開發：其他業務部門（如運營部、產品部等）會提一些需求過來，需要數據分析師幫他們做一下常規的日報、周報、月報等；
數據監控：數據部門經常會根據業務需求，對關鍵性的指標進行監控（如活躍度指標、轉化率指標、留存率等指標），監控不是問題，問題是數據出現波動后的查因及解決方案；
數據化運營：說白了就是讓數據指導運營決策、驅動業務增長。需要將數據分析師與一線運營者的各自優勢進行搭配，實現數據功效的最大化；
輸出分析報告：需要數據分析師根據目標項目，整理出一系列相關的分析報告，包括可視化的數據展現、問題的原因、可執行的行動方案、預期的效果等等。
對于數據分析師而言，以上的工作絕大多數通過Excel和SQL查詢語句就能搞定了。最關鍵的是數據分析思維和業務的理解，每個人所展現出來的能力都會有所區別和高低，關于這方面的培養可以多跟公司的運營部門同事交流、查看運營相關的書籍或者與有經驗的數據分析師進行探討等。
數據挖掘工程師
對于數據挖掘工程師而言，更多的則是根據不同的技術性項目（如何實現動態定價、如何預判某個事件的好壞、如何識別出不同價值的客戶等）來完成挖掘相關工作，甚至有時并不需要對數據業務非常的熟悉。對于數據挖掘來說，具體有以下這些流程步驟：
明確問題：在進行一項數據挖掘項目之前，首先需要明確待解決的問題是什么？這個問題是否可以通過挖掘技術（預測、分類、聚類、關聯、推薦等）解決；
數據抽取：一旦明確了問題需求，就需要查找跟問題相關的數據，即從數據庫中抽取出解決問題的支撐數據、甚至是結合第三方數據（數據共享、爬蟲、合作等）；
數據清洗：由于現實中的數據存在異常、缺失、量綱不一致、口徑不一致等問題，需要提高數據質量，否則算法再優秀，結果也是有問題的；
特征工程：在干凈的數據基礎上還需進一步完成特征的提取，目的是降低模型復雜度的同時下找到影響問題的核心變量（因素）；
建模：根據問題類型（預測型、分類型等）選擇合適的模型（同類問題不同模型的試算對比）進行擬合；
模型驗證：模型建好后，接下來就是要驗證模型在樣本外的表現如何了，一定要避免模型出現過擬合或欠擬合的狀態；
迭代及部署：整個步驟都是一個迭代的過程，因為數據在變動，模型也會跟著變動，通過不斷迭代找到最理想的模型然后實現線上的部署工作；
在這些過程當中，絕大多數時間都會花費在數據抽取、清洗和特征提取上，而后面的建模、驗證和部署則是水到渠成的事了。再一次強調，如果選擇數據挖掘這個方向的話，必須具備強悍的數學功底和編程技術。
技能要求
入行數據分析師還是需要一些基本技能的，例如Excel技能、數據庫操作（MySQL/SQL Server/Oracle/Hive等）、Tableau可視化、R或Python的編程能力等。下圖是一家互聯網企業發布的數據分析師的任職要求，可以看得出數據分析師崗位對于分析軟件有著有多樣性要求，單純熟練某一種軟件在工作選擇時可能會受到限制。
這些都是企業在招聘數據分析師時提到最多的“任職資格”，其實這也都是技能門檻。如果這些你還沒有接觸過，可以在準備入行前花1~6個月去充充電，可以選擇閉關修煉、或觀看學習視頻、或挑選口碑比較好的全日制班、周末培訓班。
