看数据分析，是后理性方法。不做数据分析很难预测，只能靠想象猜测结果。做数据分析就能知道。做了决定之后，我就要开始考虑自己能不能做到。最后，学习数据分析知识一定要注重行业知识的积累。大数据分析往往与行业场景密切相关，掌握行业知识对数据分析的进程有着非常直接的影响。
为什么要做数据分析？
其实，现在不会再有人再问这样的问题了，因为大数据时代下，每个人都知道数据分析的重要性！数据分析在企业经营或个人生活中都很有用处，关键在于我们如何使用它。数据分析不仅是某一条公式或者一串代码，它真正的魅力在于系统地客观地有逻辑地思考，用这种思考方式去代替零散臆断盲目，这才是它最大的价值。当我们在工作中接到一项任务时，首先主观意识第一反应我想不想做这个事？如果我做了会产生什么影响？决定做了之后，又要开始思考我能不能干这个事？做这个事需要什么条件？到底应该如何做这件事？ 这些心理建设和意愿能动性创造力有关。
再来看数据分析，它是一种后置的理性的方法，很难预知如果不做数据分析，只能靠臆想猜测结果，如果做了数据分析，才能知道现状是怎样的？到底现状好不好？出现这个状况的原因是…？预测一下结果会如何？下一步应该怎么做？这5个问题是环环相扣的，有了清晰的描述才能寻找指标，有了指标才有好坏判断，有好坏判断才能思考为什么好或不好，有了原因才知道如何构建预测模型，如何全面评估。
从一个最简单的例子来说，设想下，你刚就任一个销售公司大区总监，掌管着华北500家客户，忽然收到财务发来的一封邮件说这个月业绩KPI没有达标。那么第一件事，就是要看数据，业绩状况到底是什么情况？差多少达标？什么时候开始不达标的？差距越来越大还是越来越小？所有区域还是单个区域的问题？没有问题的是不是正在变得有问题？所有一切都要用数据说话。
接下来，还需要做以下三项分析工作原因分析通过数据分析找一下不达标的原因预测分析预测一下销售走势，预计业绩有多大缺口评估分析评估一下过往的措施哪个好用，然后安排下一步举措。不过在实际工作中，80%的时间都被耗在清理数据更新报表做描述性统计上，剩下时间可能还在写评估报告，最后就变成，只有数据，没有分析。
如果使用分析云来做数据分析，数据抽取与业务模型是独立的，数据抽取由系统自动完成，且可跨平台集成数据，大大减少了清理数据的工作而业务模型是固定不变的，数据更新，报表内容也会随之更新，如需调整模型，也可由业务人员自行完成操作。通过数据穿透钻取，找到原因通过历史数据，预测今后走势通过对比，全面评估。
做数据分析需要学什么？
数据分析最主要的是要有数学知识，它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。其次是要学习使用分析工具。熟练掌握Excel是必须的，数据透视表和公式使用必须熟练，BA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。
三、初级数据分析师的编程语言，会写SQL查询，必要的话写Hadoop和Hive查询，基本OK。对于高级数据分析师来说，除了SQL，还需要学习Python，在获取和处理数据方面可以事半功倍。当然，其他编程语言也是可能的。对于数据挖掘工程师来说，至少要熟悉Hadoop，Python/Java/C，Shell编程语言绝对是数据挖掘工程师的核心能力。
