大資料入門的四個必備常識

一、大資料分析的五個基本方面

　　1，可視化分析

大資料分析的使用者有大資料分析專家，同時還有普通使用者，但是他們二者對于大資料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覺的呈現大資料特點，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，資料挖掘算法

大資料分析的理論核心就是資料挖掘算法，各種資料挖掘的算法基于不同的資料類型和格式才能更加科學的呈現出資料本身具備的特點，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)才能深入資料内部，挖掘出公認的價值。另外一個方面也是因為有這些資料挖掘的算法才能更快速的處理大資料，如果一個算法得花上好幾年才能得出結論，那大資料的價值也就無從說起了。

3，預測性分析能力

大資料分析最終要的應用領域之一就是預測性分析，從大資料中挖掘出特點，通過科學的建立模型，之後便可以通過模型帶入新的資料，進而預測未來的資料。

4，語義引擎

大資料分析廣泛應用于網絡資料挖掘，可從使用者的搜尋關鍵詞、标簽關鍵詞、或其他輸入語義，分析，判斷使用者需求，進而實作更好的使用者體驗和廣告比對。

5，資料品質和資料管理

大資料分析離不開資料品質和資料管理，高品質的資料和有效的資料管理，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。 大資料分析的基礎就是以上五個方面，當然更加深入大資料分析的話，還有很多很多更加有特點的、更加深入的、更加專業的大資料分析方法。

二、如何選擇适合的資料分析工具

要明白分析什麼資料，大資料要分析的資料類型主要有四大類：

交易資料(transaction data)

大資料平台能夠擷取時間跨度更大、更海量的結構化交易資料，這樣就可以對更廣泛的交易資料類型進行分析，不僅僅包括pos或電子商務購物資料，還包括行為交易資料，例如web伺服器記錄的網際網路點選流資料日志。

人為資料(human-generated data)

非結構資料廣泛存在于電子郵件、文檔、圖檔、音頻、視訊，以及通過部落格、維基，尤其是社交媒體産生的資料流。這些資料為使用文本分析功能進行分析提供了豐富的資料源泉。

移動資料(mobile data)

能夠上網的智能手機和平闆越來越普遍。這些移動裝置上的app都能夠追蹤和溝通無數事件，從app内的交易資料(如搜尋産品的記錄事件)到個人資訊資料或狀态報告事件(如地點變更即報告一個新的地理編碼)。

機器和傳感器資料(machine and sensor data)

這包括功能裝置建立或生成的資料，例如智能電表、智能溫度控制器、工廠機器和連接配接網際網路的家用電器。這些裝置可以配置為與網際網路絡中的其他節點通信，還可以自動向中央伺服器傳輸資料，這樣就可以對資料進行分析。機器和傳感器資料是來自新興的物聯網(iot)所産生的主要例子。來自物聯網的資料可以用于建構分析模型，連續監測預測性行為(如當傳感器值表示有問題時進行識别)，提供規定的指令(如警示技術人員在真正出問題之前檢查裝置)。

資料分析工具達到哪些要求和目的?

能應用進階的分析算法和模型提供分析

以大資料平台為引擎，比如hadoop或其他高性能分析系統

能夠适用于多種資料源的結構化和非結構化資料

随着用于分析模型的資料的增加，能夠實作擴充

分析模型可以，或者已經內建到資料可視化工具

能夠和其他技術內建

另外，工具必須包含必備的一些功能，包括內建算法和支援資料挖掘技術，包括(但不限于)：

叢集和細分：

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，确定更細分的目标市場。

分類：

把資料組織進預定類别。比如根據細分模型決定客戶改如何進行分類。

恢複：

用于恢複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。比如使用地理資料、淨收入、夏日平均溫度和占地面積預測财産的未來走向。

聯合和項目集挖掘：

在大資料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資訊。

相似性和聯系：

用于非直接的叢集算法。相似性積分算法可用于決定備用叢集中實體的相似性。

神經網絡：

用于機器學習的非直接分析。

人們通過資料分析工具了解什麼

資料科學家們，他們想使用更複雜的資料類型實作更複雜的分析，熟知如何設計，如何應用基礎模型來評估内在傾向性或偏差。

業務分析師，他們更像是随性的使用者，想要用資料來實作主動資料發現，或者實作現有資訊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，他們為以上所有類使用者提供支援。

如何選擇最适合的大資料分析軟體

分析師的專業知識和技能。有些工具的目标閱聽人是新手使用者，有的是專業資料分析師，有的則是針對這兩種閱聽人設計的。

分析多樣性。

根據不同的使用者案例和應用，企業使用者可能需要支援不同類型的分析功能，使用特定類型的模組化(例如回歸、聚類、分割、行為模組化和決策樹)。這些功能已經能夠廣泛支援高水準、不同形式的分析模組化，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，增加更加進階的功能。了解哪些模型與企業面臨的問題最相關，根據産品如何最好地滿足使用者的業務需求進行産品評估，這些都非常重要。

資料範圍分析。

要分析的資料範圍涉及很多方面，如結構化和非結構化資訊，傳統的本地資料庫和資料倉庫、基于雲端的資料源，大資料平台(如hadoop)上的資料管理等。但是，不同産品對非傳統資料湖(在hadoop内或其他用于提供橫向擴充的nosql資料管理系統内)上的資料管理提供的支援程度不一。如何選擇産品，企業必須考慮擷取和處理資料量及資料種類的特定需求。

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。

幾乎所有廠商的産品都分不同的版本，購買費用和整個營運成本各不相同。許可證書費用與特性、功能、對分析資料的量或者産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?确定産品是否提供了友善開發和分析的可視化方法。

非結構化資料使用率。

确認産品能夠使用不同類型的非結構化資料(文檔、電子郵件、圖像、視訊、示範文稿、社交媒體管道資訊等)，并且能夠解析和利用收到的資訊。

可擴充性和可伸縮性。

随着資料量的不斷增長和資料管理平台的不斷擴充，要評估不同的分析産品如何跟随處理與存儲容量的增長而增長。

三、如何區分三個大資料熱門職業——資料科學家、資料工程師、資料分析師

随着大資料的愈演愈熱，相關大資料的職業也成為熱門，給人才發展帶來帶來了很多機會。資料科學家、資料工程師、資料分析師已經成為大資料行業最熱門的職位。它們是如何定義的?具體是做什麼工作的?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?

資料科學家是個什麼樣的存在

資料科學家是指能采用科學方法、運用資料挖掘工具對複雜多量的數字、符号、文字、網址、音頻或視訊等資訊進行數字化重制與認識，并能尋找新的資料洞察的工程師或專家(不同于統計學家或分析師)。

資料工程師是如何定義的

資料工程師一般被定義成“深刻了解統計學科的明星軟體工程師”。如果你正為一個商業問題煩惱，那麼你需要一個資料工程師。他們的核心價值在于他們借由清晰資料建立資料管道的能力。充分了解檔案系統，分布式計算與資料庫是成為一位優秀資料工程師的必要技能。資料工程師對演算法有相當好的了解。是以，資料工程師理應能運作基本資料模型。商業需求的高端化催生了演算高度複雜化的需求。很多時候，這些需求超過了資料工程師掌握知識範圍，這個時候你就需要打電話尋求資料科學家的幫助。

資料分析師該如何了解

資料分析師指的是不同行業中，專門從事行業資料搜集、整理、分析，并依據資料做出行業研究、評估和預測的專業人員。他們知道如何提出正确的問題，非常善于資料分析，資料可視化和資料呈現。

這3個職業具體有什麼職責

資料科學家的工作職責

資料科學家傾向于用探索資料的方式來看待周圍的世界。把大量散亂的資料變成結構化的可供分析的資料，還要找出豐富的資料源，整合其他可能不完整的資料源，并清理成結果資料集。新的競争環境中，挑戰不斷地變化，新資料不斷地流入，資料科學家需要幫助決策者穿梭于各種分析，從臨時資料分析到持續的資料互動分析。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資訊，也讓找到的模式清晰而有說服力。把蘊含在資料中的規律建議給boss，進而影響産品，流程和決策。

資料工程師的工作職責

分析曆史、預測未來、優化選擇，這是大資料工程師在“玩資料”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。

大資料工程師一個很重要的工作，就是通過分析資料來找出過去事件的特征。比如，騰訊的資料團隊正在搭建一個資料倉庫，把公司所有網絡平台上數量龐大、不規整的資料資訊進行梳理，總結出可供查詢的特征，來支援公司各類業務對資料的需求，包括廣告投放、遊戲開發、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。通過分析使用者以往的行為軌迹，就能夠了解這個人，并預測他的行為。

通過引入關鍵因素，大資料工程師可以預測未來的消費趨勢。在阿裡媽媽的營銷平台上，工程師正試圖通過引入氣象資料來幫助淘寶賣家做生意。比如今年夏天不熱，很可能某些産品就沒有去年暢銷，除了空調、電扇，背心、遊泳衣等都可能會受其影響。那麼我們就會建立氣象資料和銷售資料之間的關系，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，大資料工程師可以通過資料分析來達到不同的目的。以騰訊來說，能反映大資料工程師工作的最簡單直接的例子就是選項測試(ab test)，即幫助産品經理在a、b兩個備選方案中做出選擇。在過去，決策者隻能依據經驗進行判斷，但如今大資料工程師可以通過大範圍地實時測試—比如，在社交網絡産品的例子中，讓一半使用者看到a界面，另一半使用b界面，觀察統計一段時間内的點選率和轉化率，以此幫助市場部做出最終選擇。

資料分析師的工作職責

網際網路本身具有數字化和互動性的特征，這種屬性特征給資料搜集、整理、研究帶來了革命性的突破。以往“原子世界”中資料分析師要花較高的成本(資金、資源和時間)擷取支撐研究、分析的資料，資料的豐富性、全面性、連續性和及時性都比網際網路時代差很多。

與傳統的資料分析師相比，網際網路時代的資料分析師面臨的不是資料匮乏，而是資料過剩。是以，網際網路時代的資料分析師必須學會借助技術手段進行高效的資料處理。更為重要的是，網際網路時代的資料分析師要不斷在資料研究的方法論方面進行創新和突破。

就行業而言，資料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，媒體營運者能否準确、詳細和及時地了解閱聽人狀況和變化趨勢，都是媒體成敗的關鍵。

此外，對于新聞出版等内容産業來說，更為關鍵的是，資料分析師可以發揮内容消費者資料分析的職能，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個職業需要掌握什麼技能?

a. 資料科學家需要掌握的技能

1，計算機科學

一般來說，資料科學家大多要求具備程式設計、計算機科學相關的專業背景。簡單來說，就是對處理大資料所必需的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、資料挖掘等

除了數學、統計方面的素養之外，還需要具備使用spss、sas等主流統計分析軟體的技能。其中，面向統計分析的開源程式設計語言及其運作環境“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，而且具備将結果進行可視化的高品質圖表生成功能，并可以通過簡單的指令來運作。此外，它還具備稱為cran(the comprehensive r archive network)的包擴充機制，通過導入擴充包就可以使用标準狀态下所不支援的函數和資料集。

3，資料可視化(visualization)

資訊的品質很大程度上依賴于其表達方式。對數字羅列所組成的資料中所包含的意義進行分析，開發web原型，使用外部api将圖表、地圖、dashboard等其他服務統一起來，進而使分析結果可視化，這是對于資料科學家來說十分重要的技能之一。

b. 資料工程師需要掌握的技能

1，數學及統計學相關的背景

對于大資料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曆。缺乏理論背景的資料工作者，更容易進入一個技能上的危險區域(danger zone)—一堆數字，按照不同的資料模型和算法總能捯饬出一些結果來，但如果你不知道那代表什麼，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。隻有具備一定的理論知識，才能了解模型、複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資料處理能力是作為大資料工程師的一些必備要素。因為許多資料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産生的許多記錄都是非結構化的資料，如何從這些毫無頭緒的文字、語音、圖像甚至視訊中攫取有意義的資訊就需要大資料工程師親自挖掘。即使在某些團隊中，大資料工程師的職責以商業分析為主，但也要熟悉計算機處理大資料的方式。

3，對特定應用領域或行業的知識

大資料工程師這個角色很重要的一點是，不能脫離市場，因為大資料隻有和特定領域的應用結合起來才能産生價值。是以，在某個或多個垂直行業的經曆能為應聘者積累對行業的認知，對于之後成為大資料工程師有很大幫助，是以這也是應聘這個崗位時較有說服力的加分項。

c. 資料分析師需要掌握的技能

1、懂業務。從事資料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，分析的結果隻會是脫了線的風筝，沒有太大的使用價值。

2、懂管理。一方面是搭建資料分析架構的要求，比如确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，就很難搭建資料分析的架構，後續的資料分析也很難進行。另一方面的作用是針對資料分析結論提出有指導意義的分析建議。

3、懂分析。指掌握資料分析基本原理與一些有效的資料分析方法，并能靈活運用到實踐工作中，以便有效的開展資料分析。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、漏鬥圖分析法、綜合評價分析法、因素分析法、矩陣關聯分析法等。進階的分析方法有：相關分析法、回歸分析法、聚類分析法、判别分析法、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。指掌握資料分析相關的常用工具。資料分析方法是理論，而資料分析工具就是實作資料分析方法理論的工具，面對越來越龐大的資料，我們不能依靠電腦進行分析，必須依靠強大的資料分析工具幫我們完成資料分析工作。

5、懂設計。懂設計是指運用圖表有效表達資料分析師的分析觀點，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、顔色的搭配等等，都需要掌握一定的設計原則。

四、從菜鳥成為資料科學家的 9步養成方案

首先，各個公司對資料科學家的定義各不相同，目前還沒有統一的定義。但在一般情況下，一個資料科學家結合了軟體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%的資料科學家至少有大學教育經曆，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，他們能教别人一些關鍵技能。

是以，排除一個資料科學的學位計劃(世界各地的著名大學雨後春筍般的出現着)，你需要采取什麼措施，成為一個資料科學家?

複習你的數學和統計技能。

一個好的資料科學家必須能夠了解資料告訴你的内容，做到這一點，你必須有紮實的基本線性代數，對算法和統計技能的了解。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，卻和大資料有着千絲萬縷的聯系。機器學習使用人工智能算法将資料轉化為價值，并且無需顯式程式設計。

學習代碼。

資料科學家必須知道如何調整代碼，以便告訴計算機如何分析資料。從一個開放源碼的語言如python那裡開始吧。

了解資料庫、資料池及分布式存儲。

資料存儲在資料庫、資料池或整個分布式網絡中。以及如何建設這些資料的存儲庫取決于你如何通路、使用、并分析這些資料。如果當你建設你的資料存儲時沒有整體架構或者超前規劃，那後續對你的影響将十分深遠。

學習資料修改和資料清洗技術。

資料修改是将原始資料到另一種更容易通路和分析的格式。資料清理有助于消除重複和“壞”資料。兩者都是資料科學家工具箱中的必備工具。

了解良好的資料可視化和報告的基本知識。

你不必成為一個平面設計師，但你确實需要深谙如何建立資料報告，便于外行的人比如你的經理或ceo可以了解。

添加更多的工具到您的工具箱。

一旦你掌握了以上技巧，是時候擴大你的資料科學工具箱了，包括hadoop、r語言和spark。這些工具的使用經驗和知識将讓你處于大量資料科學求職者之上。

練習。

在你在新的領域有一個工作之前，你如何練習成為資料科學家?使用開源代碼開發一個你喜歡的項目、參加比賽、成為網絡工作資料科學家、參加訓練營、志願者或實習生。最好的資料科學家在資料領域将擁有經驗和直覺，能夠展示自己的作品，以成為應聘者。

成為社群的一員。

跟着同行業中的思想領袖，閱讀行業部落格和網站，參與，提出問題，并随時了解時事新聞和理論。

本文轉自d1net（轉載）