如何从企业IT人员成长为优秀的数据分析师？

在数据科学界有一个传说，如果一个熟练的数据科学家突然接管了你的工作，他可以奇迹般地在一夜之间将一家小型数据科学公司转化为利润。

像这样的数据科学家需要丰富的经验和卓越的专业知识。只要你找到合适的赞助商，那么这个人一定会走上正确的道路，发展整个项目。

但是，随着数据科学项目慢慢成形，您可能需要一个技术团队来帮助升级该项目。该团队主要由机器学习工程师、数据科学家、统计学家和软件工程师组成，可能需要一两个数据分析师。

大公司的信息技术人员以系统为中心来处理数据。他们通常拥有许多技能，例如编程、系统开发、系统支持、业务支持以及与跨职能团队合作的能力。正是这些技能使他们能够胜任数据分析师的工作。其中，如果中级开发人员有一定的业务知识背景，并且擅长使用各种数据处理工具，他们是数据分析师的好选择。

数据分析师是所有专家的中间人

在数据科学团队中，数据分析师可以协调所有技术专家。数据分析师通常可以为数据科学家或统计学家指出研究方向，并解释哪些假设值得进一步研究。他们可以与机器学习工程师和软件开发人员合作来组织组织和开发全面的数据科学项目。他们还可以通过数据可视化进行初步分析，并开始数据科学的新旅程。

在大多数情况下，企业中的中级或高级信息技术专家会与其他部门合作。跨职能团队合作能力和软件工程背景赋予企业信息技术人员与其他专家良好合作的能力。

@

数据分析师了解业务情况，对数据有直觉判断

数据分析师或多或少在技术或商业层面处理数据。一般来说，数据分析师在处理数据的过程中可以培养出对业务的某些看法，并逐渐对数据有自己的直觉判断。一般来说，如果数据分析师在接管数据项目之前已经处理了公司的业务，他们就更有商业远见。慢慢培养商业直觉并不断提高这种商业能力可以为数据科学项目节省大量时间。

企业中信息技术人员的工作离不开“数据”这个词。随着大数据在信息技术领域的普及，大多数软件开发都以数据为中心。数据分析师可以通过研究企业的系统解决方案来学习商业知识。解决数据完整性、数据存储和系统性能等问题，提供系统支持，可以培养技术专家的数据直觉，加深他们对数据完整性的理解。

数据分析师具有与其他专家相当的好奇心和持续跟进工作的毅力。

数据科学是一个迭代过程。商业分析就像大海捞针。研究这些数据通常需要几个月的时间才能找到可行的解决方案。这需要数据分析师的坚持和不妥协的好奇心。

企业中的信息技术人员将整天流失。每天处理系统代码库时，我不可避免地会感到厌倦，因为我多年来一直在同一个系统上重复工作，陷入办公室斗争，并为大量数据而头疼。然而，在这样的环境下，从不退缩和坚守岗位的工程师是数据分析师的最佳人选。

数据分析师掌握了数据存储和检索技术

一般来说，在商业环境中，有许多技术可以用来存储大数据。此外，依赖数据挖掘工具的行业可以在数据处理过程中获得分析结果。擅长数据存储和检索的分析师知道如何快速获得所需的“精确”数据集。

为企业工作多年的信息技术专家不仅知道如何进一步开发该系统，还知道如何存储数据、挖掘数据和提炼数据。这些技能非常有价值，可以帮助机器学习工程师和数据科学家更加关注建模和数据科学。

数据分析师是查找数据的能手

数据分析师通常是唯一寻找数据的人。他们不仅能整理和清理数据，还能通过数据库找到所需的重要信息，有时甚至凭直觉找到最重要的信息。

查找数据的能力是企业信息技术专家拥有的最重要的能力。调试工作，如处理许多数据库遗留问题、重建经常失控的代码库以及优化性能，都是企业信息技术人员擅长的。他们具有跨系统调试技能，能够标记和跟踪数据以发现系统问题。这项技能对数据分析师来说非常重要，他们必须找到正确的方法来指明项目的方向。

数据分析师“心有大局”

数据分析师生来就有一个“远大的理想”，可以轻松地与专家合作。他们工作的性质是协调所有人的工作。因此，他们可以“顾全大局”。如果数据分析师的技能能够得到充分利用，他们就可以从管理层那里学到对业务非常重要的信息。最后，我可以独立工作，并有自己的意见。

与大型技术工厂和初创公司的软件工程师不同，企业信息技术开发人员更注重“大局”。他们不会花很多时间挑选软件中的一个细节，而是专注于开发可以在一个或多个系统中的多个组件上运行的解决方案。这些企业中信息技术开发人员的发展也使他们成为数据分析师的最佳人选。

数据分析师已经掌握了许多编程语言，并拥有处理不同类型数据存储的技术。

因为数据分析师必须浏览数据以帮助清理和可视化数据，所以优秀的数据分析师必须非常精通编程语言，如R语言或Python，数据可视化概念和实践，以及数据提取技术，如SQL和NoSQL。一般来说，一个好的数据分析师也应该有使用Tableau或SAS的经验。他们可能没有算法、统计和分析方面的经验，但他们肯定在技术层面上使用过编写算法的工具。

企业信息技术开发人员可以使用许多不同的编程语言。具有5年或以上经验的高级开发人员可以熟练地开发SQL和NoSQL领域的系统解决方案。有些人甚至有使用C语言和Java的经验。对他们来说，处理负责任的数据和学习一种新的编程语言是困难的问题。这些开发人员也非常熟悉脚本语言，如Perl和Awk。如果您没有python面向目标的编程经验，学习R或Python也很简单。

在机器学习和大数据时代，人们总是在为数据科学项目寻找“最佳人选”。只要方法得当，企业信息技术人员也可以在数据科学领域发挥巨大作用。也许我们需要有经验的机器学习工程师来扩大数据科学的规模，也可能需要数据科学家来领导数据科学团队。然而，也可以依赖企业信息技术人员。他们掌握了一定的商业知识，有敏锐的洞察力。如果他们成为数据分析师，他们可以在专家团队之间建立沟通桥梁，并为数据科学项目传递真正的价值。别忘了，一个成功的数据科学项目是团队努力的结果。