一、大數據分析的五個基本方面

　　1，可視化分析

大數據分析的使用者有大數據分析專家，同時還有普通用戶，但是他們二者對于大數據分析最基本的要求就是可視化分析，因為可視化分析能夠直觀的呈現大數據特點，同時能夠非常容易被讀者所接受，就如同看圖說話一樣簡單明了。

2，數據挖掘算法

大數據分析的理論核心就是數據挖掘算法，各種數據挖掘的算法基于不同的數據類型和格式才能更加科學的呈現出數據本身具備的特點，也正是因為這些被全世界統計學家所公認的各種統計方法(可以稱之為真理)才能深入數據內部，挖掘出公認的價值。另外一個方面也是因為有這些數據挖掘的算法才能更快速的處理大數據，如果一個算法得花上好幾年才能得出結論，那大數據的價值也就無從說起了。

3，預測性分析能力

大數據分析最終要的應用領域之一就是預測性分析，從大數據中挖掘出特點，通過科學的建立模型，之后便可以通過模型帶入新的數據，從而預測未來的數據。

4，語義引擎

大數據分析廣泛應用于網絡數據挖掘，可從用戶的搜索關鍵詞、標簽關鍵詞、或其他輸入語義，分析，判斷用戶需求，從而實現更好的用戶體驗和廣告匹配。

5，數據質量和數據管理

大數據分析離不開數據質量和數據管理，高質量的數據和有效的數據管理，無論是在學術研究還是在商業應用領域，都能夠保證分析結果的真實和有價值。 大數據分析的基礎就是以上五個方面，當然更加深入大數據分析的話，還有很多很多更加有特點的、更加深入的、更加專業的大數據分析方法。

二、如何選擇適合的數據分析工具

要明白分析什么數據，大數據要分析的數據類型主要有四大類：

交易數據(TRANSACTION DATA)

大數據平臺能夠獲取時間跨度更大、更海量的結構化交易數據，這樣就可以對更廣泛的交易數據類型進行分析，不僅僅包括POS或電子商務購物數據，還包括行為交易數據，例如Web服務器記錄的互聯網點擊流數據日志。

人為數據(HUMAN-GENERATED DATA)

非結構數據廣泛存在于電子郵件、文檔、圖片、音頻、視頻，以及通過博客、維基，尤其是社交媒體產生的數據流。這些數據為使用文本分析功能進行分析提供了豐富的數據源泉。

移動數據(MOBILE DATA)

能夠上網的智能手機和平板越來越普遍。這些移動設備上的App都能夠追蹤和溝通無數事件，從App內的交易數據(如搜索產品的記錄事件)到個人信息資料或狀態報告事件(如地點變更即報告一個新的地理編碼)。

機器和傳感器數據(MACHINE AND SENSOR DATA)

這包括功能設備創建或生成的數據，例如智能電表、智能溫度控制器、工廠機器和連接互聯網的家用電器。這些設備可以配置為與互聯網絡中的其他節點通信，還可以自動向中央服務器傳輸數據，這樣就可以對數據進行分析。機器和傳感器數據是來自新興的物聯網(IoT)所產生的主要例子。來自物聯網的數據可以用于構建分析模型，連續監測預測性行為(如當傳感器值表示有問題時進行識別)，提供規定的指令(如警示技術人員在真正出問題之前檢查設備)。

數據分析工具達到哪些要求和目的?

能應用高級的分析算法和模型提供分析

以大數據平臺為引擎，比如Hadoop或其他高性能分析系統

能夠適用于多種數據源的結構化和非結構化數據

隨著用于分析模型的數據的增加，能夠實現擴展

分析模型可以，或者已經集成到數據可視化工具

能夠和其他技術集成

另外，工具必須包含必備的一些功能，包括集成算法和支持數據挖掘技術，包括(但不限于)：

集群和細分：

把一個大的實體分割擁有共同特征的小團體。比如分析收集來的客戶，確定更細分的目標市場。

分類：

把數據組織進預定類別。比如根據細分模型決定客戶改如何進行分類。

恢復：

用于恢復從屬變量和一個及一個以上獨立變量之間的關系，幫助決定從屬變量如何根據獨立變量的變化而變化。比如使用地理數據、凈收入、夏日平均溫度和占地面積預測財產的未來走向。

聯合和項目集挖掘：

在大數據集中尋找變量之間的相關關系。比如它可以幫助呼叫中心代表提供基于呼叫者客戶細分、關系和投訴類型的更精準的信息。

相似性和聯系：

用于非直接的集群算法。相似性積分算法可用于決定備用集群中實體的相似性。

神經網絡：

用于機器學習的非直接分析。

人們通過數據分析工具了解什么

數據科學家們，他們想使用更復雜的數據類型實現更復雜的分析，熟知如何設計，如何應用基礎模型來評估內在傾向性或偏差。

業務分析師，他們更像是隨性的用戶，想要用數據來實現主動數據發現，或者實現現有信息和部分預測分析的可視化。

企業經理，他們想要了解模型和結論。

IT開發人員，他們為以上所有類用戶提供支持。

如何選擇最適合的大數據分析軟件

分析師的專業知識和技能。有些工具的目標受眾是新手用戶，有的是專業數據分析師，有的則是針對這兩種受眾設計的。

分析多樣性。

根據不同的用戶案例和應用，企業用戶可能需要支持不同類型的分析功能，使用特定類型的建模(例如回歸、聚類、分割、行為建模和決策樹)。這些功能已經能夠廣泛支持高水平、不同形式的分析建模，但是還是有一些廠商投入數十年的精力，調整不同版本的算法，增加更加高級的功能。理解哪些模型與企業面臨的問題最相關，根據產品如何最好地滿足用戶的業務需求進行產品評估，這些都非常重要。

數據范圍分析。

要分析的數據范圍涉及很多方面，如結構化和非結構化信息，傳統的本地數據庫和數據倉庫、基于云端的數據源，大數據平臺(如Hadoop)上的數據管理等。但是，不同產品對非傳統數據湖(在Hadoop內或其他用于提供橫向擴展的NoSQL數據管理系統內)上的數據管理提供的支持程度不一。如何選擇產品，企業必須考慮獲取和處理數據量及數據種類的特定需求。

協作。

企業規模越大，越有可能需要跨部門、在諸多分析師之間分享分析、模型和應用。企業如果有很多分析師分布在各部門，對結果如何進行解釋和分析，可能會需要增加更多的共享模型和協作的方法。

許可證書和維護預算。

幾乎所有廠商的產品都分不同的版本，購買費用和整個運營成本各不相同。許可證書費用與特性、功能、對分析數據的量或者產品可使用的節點數的限制成正比。

易用性。沒有統計背景的商業分析師是否也能夠輕松地開發分析和應用呢?確定產品是否提供了方便開發和分析的可視化方法。

非結構化數據使用率。

確認產品能夠使用不同類型的非結構化數據(文檔、電子郵件、圖像、視頻、演示文稿、社交媒體渠道信息等)，并且能夠解析和利用收到的信息。

可擴展性和可伸縮性。

隨著數據量的不斷增長和數據管理平臺的不斷擴展，要評估不同的分析產品如何跟隨處理與存儲容量的增長而增長。

三、如何區分三個大數據熱門職業——數據科學家、數據工程師、數據分析師

隨著大數據的愈演愈熱，相關大數據的職業也成為熱門，給人才發展帶來帶來了很多機會。數據科學家、數據工程師、數據分析師已經成為大數據行業最熱門的職位。它們是如何定義的?具體是做什么工作的?需要哪些技能?讓我們一起來看看吧。

這3個職業是如何定位的?

數據科學家是個什么樣的存在

數據科學家是指能采用科學方法、運用數據挖掘工具對復雜多量的數字、符號、文字、網址、音頻或視頻等信息進行數字化重現與認識，并能尋找新的數據洞察的工程師或專家(不同于統計學家或分析師)。

數據工程師是如何定義的

數據工程師一般被定義成“深刻理解統計學科的明星軟件工程師”。如果你正為一個商業問題煩惱，那么你需要一個數據工程師。他們的核心價值在于他們借由清晰數據創建數據管道的能力。充分了解文件系統，分布式計算與數據庫是成為一位優秀數據工程師的必要技能。數據工程師對演算法有相當好的理解。因此，數據工程師理應能運行基本數據模型。商業需求的高端化催生了演算高度復雜化的需求。很多時候，這些需求超過了數據工程師掌握知識范圍，這個時候你就需要打電話尋求數據科學家的幫助。

數據分析師該如何理解

數據分析師指的是不同行業中，專門從事行業數據搜集、整理、分析，并依據數據做出行業研究、評估和預測的專業人員。他們知道如何提出正確的問題，非常善于數據分析，數據可視化和數據呈現。

這3個職業具體有什么職責

數據科學家的工作職責

數據科學家傾向于用探索數據的方式來看待周圍的世界。把大量散亂的數據變成結構化的可供分析的數據，還要找出豐富的數據源，整合其他可能不完整的數據源，并清理成結果數據集。新的競爭環境中，挑戰不斷地變化，新數據不斷地流入，數據科學家需要幫助決策者穿梭于各種分析，從臨時數據分析到持續的數據交互分析。當他們有所發現，便交流他們的發現，建議新的業務方向。他們很有創造力的展示視覺化的信息，也讓找到的模式清晰而有說服力。把蘊含在數據中的規律建議給Boss，從而影響產品，流程和決策。

數據工程師的工作職責

分析歷史、預測未來、優化選擇，這是大數據工程師在“玩數據”時最重要的三大任務。通過這三個工作方向，他們幫助企業做出更好的商業決策。

大數據工程師一個很重要的工作，就是通過分析數據來找出過去事件的特征。比如，騰訊的數據團隊正在搭建一個數據倉庫，把公司所有網絡平臺上數量龐大、不規整的數據信息進行梳理，總結出可供查詢的特征，來支持公司各類業務對數據的需求，包括廣告投放、游戲開發、社交網絡等。

找出過去事件的特征，最大的作用是可以幫助企業更好地認識消費者。通過分析用戶以往的行為軌跡，就能夠了解這個人，并預測他的行為。

通過引入關鍵因素，大數據工程師可以預測未來的消費趨勢。在阿里媽媽的營銷平臺上，工程師正試圖通過引入氣象數據來幫助淘寶賣家做生意。比如今年夏天不熱，很可能某些產品就沒有去年暢銷，除了空調、電扇，背心、游泳衣等都可能會受其影響。那么我們就會建立氣象數據和銷售數據之間的關系，找到與之相關的品類，提前警示賣家周轉庫存。

根據不同企業的業務性質，大數據工程師可以通過數據分析來達到不同的目的。以騰訊來說，能反映大數據工程師工作的最簡單直接的例子就是選項測試(AB Test)，即幫助產品經理在A、B兩個備選方案中做出選擇。在過去，決策者只能依據經驗進行判斷，但如今大數據工程師可以通過大范圍地實時測試—比如，在社交網絡產品的例子中，讓一半用戶看到A界面，另一半使用B界面，觀察統計一段時間內的點擊率和轉化率，以此幫助市場部做出最終選擇。

數據分析師的工作職責

互聯網本身具有數字化和互動性的特征，這種屬性特征給數據搜集、整理、研究帶來了革命性的突破。以往“原子世界”中數據分析師要花較高的成本(資金、資源和時間)獲取支撐研究、分析的數據，數據的豐富性、全面性、連續性和及時性都比互聯網時代差很多。

與傳統的數據分析師相比，互聯網時代的數據分析師面臨的不是數據匱乏，而是數據過剩。因此，互聯網時代的數據分析師必須學會借助技術手段進行高效的數據處理。更為重要的是，互聯網時代的數據分析師要不斷在數據研究的方法論方面進行創新和突破。

就行業而言，數據分析師的價值與此類似。就新聞出版行業而言，無論在任何時代，媒體運營者能否準確、詳細和及時地了解受眾狀況和變化趨勢，都是媒體成敗的關鍵。

此外，對于新聞出版等內容產業來說，更為關鍵的是，數據分析師可以發揮內容消費者數據分析的職能，這是支撐新聞出版機構改善客戶服務的關鍵職能。

想要從事這3個職業需要掌握什么技能?

A. 數據科學家需要掌握的技能

1，計算機科學

一般來說，數據科學家大多要求具備編程、計算機科學相關的專業背景。簡單來說，就是對處理大數據所必需的hadoop、Mahout等大規模并行處理技術與機器學習相關的技能。

2，數學、統計、數據挖掘等

除了數學、統計方面的素養之外，還需要具備使用SPSS、SAS等主流統計分析軟件的技能。其中，面向統計分析的開源編程語言及其運行環境“R”最近備受矚目。R的強項不僅在于其包含了豐富的統計分析庫，而且具備將結果進行可視化的高品質圖表生成功能，并可以通過簡單的命令來運行。此外，它還具備稱為CRAN(The Comprehensive R Archive Network)的包擴展機制，通過導入擴展包就可以使用標準狀態下所不支持的函數和數據集。

3，數據可視化(Visualization)

信息的質量很大程度上依賴于其表達方式。對數字羅列所組成的數據中所包含的意義進行分析，開發Web原型，使用外部API將圖表、地圖、Dashboard等其他服務統一起來，從而使分析結果可視化，這是對于數據科學家來說十分重要的技能之一。

B. 數據工程師需要掌握的技能

1，數學及統計學相關的背景

對于大數據工程師的要求都是希望是統計學和數學背景的碩士或博士學歷。缺乏理論背景的數據工作者，更容易進入一個技能上的危險區域(Danger Zone)—一堆數字，按照不同的數據模型和算法總能捯飭出一些結果來，但如果你不知道那代表什么，就并不是真正有意義的結果，并且那樣的結果還容易誤導你。只有具備一定的理論知識，才能理解模型、復用模型甚至創新模型，來解決實際問題。

2，計算機編碼能力

實際開發能力和大規模的數據處理能力是作為大數據工程師的一些必備要素。因為許多數據的價值來自于挖掘的過程，你必須親自動手才能發現金子的價值。舉例來說，現在人們在社交網絡上所產生的許多記錄都是非結構化的數據，如何從這些毫無頭緒的文字、語音、圖像甚至視頻中攫取有意義的信息就需要大數據工程師親自挖掘。即使在某些團隊中，大數據工程師的職責以商業分析為主，但也要熟悉計算機處理大數據的方式。

3，對特定應用領域或行業的知識

大數據工程師這個角色很重要的一點是，不能脫離市場，因為大數據只有和特定領域的應用結合起來才能產生價值。所以，在某個或多個垂直行業的經歷能為應聘者積累對行業的認知，對于之后成為大數據工程師有很大幫助，因此這也是應聘這個崗位時較有說服力的加分項。

C. 數據分析師需要掌握的技能

1、懂業務。從事數據分析工作的前提就會需要懂業務，即熟悉行業知識、公司業務及流程，最好有自己獨到的見解，若脫離行業認知和公司業務背景，分析的結果只會是脫了線的風箏，沒有太大的使用價值。

2、懂管理。一方面是搭建數據分析框架的要求，比如確定分析思路就需要用到營銷、管理等理論知識來指導，如果不熟悉管理理論，就很難搭建數據分析的框架，后續的數據分析也很難進行。另一方面的作用是針對數據分析結論提出有指導意義的分析建議。

3、懂分析。指掌握數據分析基本原理與一些有效的數據分析方法，并能靈活運用到實踐工作中，以便有效的開展數據分析。基本的分析方法有：對比分析法、分組分析法、交叉分析法、結構分析法、漏斗圖分析法、綜合評價分析法、因素分析法、矩陣關聯分析法等。高級的分析方法有：相關分析法、回歸分析法、聚類分析法、判別分析法、主成分分析法、因子分析法、對應分析法、時間序列等。

4、懂工具。指掌握數據分析相關的常用工具。數據分析方法是理論，而數據分析工具就是實現數據分析方法理論的工具，面對越來越龐大的數據，我們不能依靠計算器進行分析，必須依靠強大的數據分析工具幫我們完成數據分析工作。

5、懂設計。懂設計是指運用圖表有效表達數據分析師的分析觀點，使分析結果一目了然。圖表的設計是門大學問，如圖形的選擇、版式的設計、顏色的搭配等等，都需要掌握一定的設計原則。

四、從菜鳥成為數據科學家的 9步養成方案

首先，各個公司對數據科學家的定義各不相同，當前還沒有統一的定義。但在一般情況下，一個數據科學家結合了軟件工程師與統計學家的技能，并且在他或者她希望工作的領域投入了大量行業知識。

大約90%的數據科學家至少有大學教育經歷，甚至到博士以及獲得博士學位，當然，他們獲得的學位的領域非常廣泛。一些招聘者甚至發現人文專業的人們有所需的創造力，他們能教別人一些關鍵技能。

因此，排除一個數據科學的學位計劃(世界各地的著名大學雨后春筍般的出現著)，你需要采取什么措施，成為一個數據科學家?

復習你的數學和統計技能。

一個好的數據科學家必須能夠理解數據告訴你的內容，做到這一點，你必須有扎實的基本線性代數，對算法和統計技能的理解。在某些特定場合可能需要高等數學，但這是一個好的開始場合。

了解機器學習的概念。

機器學習是下一個新興詞，卻和大數據有著千絲萬縷的聯系。機器學習使用人工智能算法將數據轉化為價值，并且無需顯式編程。

學習代碼。

數據科學家必須知道如何調整代碼，以便告訴計算機如何分析數據。從一個開放源碼的語言如Python那里開始吧。

了解數據庫、數據池及分布式存儲。

數據存儲在數據庫、數據池或整個分布式網絡中。以及如何建設這些數據的存儲庫取決于你如何訪問、使用、并分析這些數據。如果當你建設你的數據存儲時沒有整體架構或者超前規劃，那后續對你的影響將十分深遠。

學習數據修改和數據清洗技術。

數據修改是將原始數據到另一種更容易訪問和分析的格式。數據清理有助于消除重復和“壞”數據。兩者都是數據科學家工具箱中的必備工具。

了解良好的數據可視化和報告的基本知識。

你不必成為一個平面設計師，但你確實需要深諳如何創建數據報告，便于外行的人比如你的經理或CEO可以理解。

添加更多的工具到您的工具箱。

一旦你掌握了以上技巧，是時候擴大你的數據科學工具箱了，包括Hadoop、R語言和Spark。這些工具的使用經驗和知識將讓你處于大量數據科學求職者之上。

練習。

在你在新的領域有一個工作之前，你如何練習成為數據科學家?使用開源代碼開發一個你喜歡的項目、參加比賽、成為網絡工作數據科學家、參加訓練營、志愿者或實習生。最好的數據科學家在數據領域將擁有經驗和直覺，能夠展示自己的作品，以成為應聘者。

成為社區的一員。

跟著同行業中的思想領袖，閱讀行業博客和網站，參與，提出問題，并隨時了解時事新聞和理論。