1樓：
從業資料相關的領域已逾5年，主要從事技術方面的工作，但也想從自身的角度來回應一下這個問題，也許身處邊緣地帶更能客觀理性地看待其中的「難處」。
首先，技能和工具。作為資料分析師，必然要熟悉各種工具的使用：SQL，分布式資料處理，資料視覺化等等。要跨過技能難關，無捷徑，要在實際工作中不斷積累經驗。
第二，業務。技能和工具可能都是通用的，但是不同的行業有不同的業務模型，乙個pure的資料分析師在進入乙個新的行業的時候，可能要認識各種新的概念和指標，這就需要有強大的溝通能力和內心。
第三，價值觀。作為資料分析師們，很多時候都是專業出身，專業知識豐富，不可否認這很重要。但是，在乙個公司裡，資料分析的最終目的可能更需要乙個大家都能看得懂的乙個結論。
許多資料分析師會在工作中，將複雜理論推理過程作為工作結果，但是這樣卻增加了受眾的心智負擔，畢竟不是所有的人都是專業人士；再次就是，作為資料分析師很容易唯資料論，這樣的出的結論就可能有失偏頗。
只要有足夠的努力和耐心，前兩項並不難越過，但是第三點可能就需要資料分析師充分認清工作的目的重點，並要樹立盡可能客觀的心態。
不論做資料分析工作還是開發資料分析產品，記住以下的原則是很有幫助的：
保持客觀。
資料並不是答案的全部，資料也有可能說謊。
奧卡姆剃刀原則：當有兩個理論都能解釋同樣的乙個預期的時候，簡單的那個更好些。
事情應該盡量簡單，但不要過於簡單。
大資料分析中，有哪些常見的大資料分析模型？
牛博 模型其實就是一數學函式對映，從應用層角度來看，會有一些通俗的名字,簡單羅列一下 一 使用者模型 二 事件模型 三 漏斗模型 四 熱圖分析模型 五 自定義留存分析模型 六 粘性分析 七 全行為路徑分析 八 使用者分群模型 九 Session 分析 十 間隔分析 十一 分布分析 十二 營銷廣告投放...
金融資料分析用哪些分析軟體Python,R還是SQL？
ENTER BACK SQL是必須會的，如果不會SQL提取資料也分析不了問題 Python和R語言的話這個主要看個人方向，因為這兩個工具的側重點不同，Python更多的在於各個模組之間的鏈結，可以爬蟲，可以運維，可以資料探勘，可以資料視覺化還可以寫web網頁以及一些其他的用途，R語言的話就偏向於數理...
大資料分析使用哪些工具？
shalory 首先要看大資料分析有多少種需求！一般會把資料分析工具分成兩個維度。這兩個維度裡的每乙個層次，其實都對應著不同需求的工具。第一維度 資料儲存層 資料包表層 資料分析層 資料展現層 第二維度 使用者級 部門級 企業級 BI級 比如資料儲存層，就可能需要用到Access2003 Acces...