大数据时代的数据分析师该了解哪些事情
创新互联专注于南充企业网站建设,响应式网站建设,商城系统网站开发。南充网站建设公司,为南充等地区提供建站服务。全流程定制网站制作，专业设计，全程项目跟踪，创新互联专业和态度为您提供的服务
近几年来，大数据养精蓄锐，从刚开始的无人谈及，到现在的盛行谈论，就这样走进了公众的视野。什么是大数据呢?对于数据分析师，它有意味着什么?处在人人高谈的大数据时代，数据分析师该了解哪些内容，本文将为您解答。
用Google搜索了一下“BigData”，得到了19,600,000个结果……而使用同样的词语，在两年前你几乎搜索不到什么内容，而现在大数据的内容被大肆宣传，内容多得让人眼花缭乱。而这些内容主要是来自IBM、麦肯锡和O’Reilly ，大多数文章都是基于营销目的的夸夸其谈，对真实的情况并不了解，有些观点甚至是完全错误的。我问自己…… 大数据之于数据分析师，它意味着什么呢?如下图所示，谷歌趋势显示，与“网站分析”(web analytics)和”商业智能”(business intelligence)较为平稳的搜索曲线相比，“大数据”(big data)的搜索量迎来了火箭式的大幅度增长。
被神话的大数据
Gartner把“大数据”的发展阶段定位在“社交电视”和“移动机器人”之间，正向着中部期望的高峰点迈进，而现在是达到较为成熟的阶段前的二至五年。这种定位有着其合理性。各种奏唱着“大数据”颂歌的产品数量正在迅速增长，大众媒体也进入了“大数据”主题的论辩中，比如纽约时报的“大数据的时代“，以及一系列在福布斯上发布的题为” 大数据技术评估检查表“的文章。
进步的一面体现在
，大数据的概念正在促使内部组织的文化发生转变，对过时的“商务智能”形成挑战，并促进了“分析”意识的提升。
基于大数据的创新技术可以很容易地被应用到类似数据分析的各种环境中。值得一提的是，企业组织通过应用先进的业务分析，业务将变得更广泛、更复杂，价值也更高，而传统的网站分析受到的关注将会有所减弱。
大数据的定义
什么是“大数据”，目前并没有统一的定义。维基百科提供的定义有些拙劣，也不完整：“ 大数据，指的是所涉及的数据量规模巨大到无法通过主流的工具，在合理的时间内撷取、管理、处理、并整理成为人们所能解读的信息 “。
IBM 提供了一个充分的简单易懂的概述：
大数据有以下三个特点：大批量(Volume)、高速度(Velocity)和多样化(Variety) 。 大批量 – 大数据体积庞大。企业里到处充斥着数据，信息动不动就达到了TB级，甚至是PB级。 高速度 – 大数据通常对时间敏感。为了最大限度地发挥其业务价值，大数据必须及时使用起来。 多样化 – 大数据超越了结构化数据，它包括所有种类的非结构化数据，如文本、音频、视频、点击流、日志文件等等都可以是大数据的组成部分。 MSDN的布莱恩·史密斯在IBM的基础上增加了第四点： 变异性 – 数据可以使用不同的定义方式来进行解释。不同的问题需要不同的阐释。
从技术角度看大数据
大数据包括了以下几个方面：数据采集、存储、搜索、共享、分析和可视化，而这些步骤在商务智能中也可以找到。在皮特·沃登的“ 大数据词汇表 “中，囊括了60种创新技术，并提供了相关的大数据技术概念的简要概述。
获取 ：数据的获取包括了各种数据源、内部或外部的、结构化或非结构化的数据。“大多数公共数据源的结构都不清晰，充满了噪音，而且还很难获得。” 技术： Google Refine、Needlebase、ScraperWiki、BloomReach 。
序列化：“你在努力把你的数据变成有用的东西，而这些数据会在不同的系统间传递，并可能存储在不同节点的文件中。这些操作都需要某种序列化，因为数据处理的不同阶段可能需要不同的语言和API。当你在处理非常大量的记录时，该如何表示和存储数据，你所做的选择对你的存储要求和性能将产生巨大影响。 技术： JSON、BSON、Thrift、Avro、Google Protocol Buffers 。
存储 ：“大规模的数据处理操作使用了全新的方式来访问数据，而传统的文件系统并不适用。它要求数据能即时大批量的读取和写入。效率优先，而那些有助于组织信息的易于用户使用的目录功能可能就显得没那么重要。因为数据的规模巨大，这也意味着它需要被存储在多台分布式计算机上。“ 技术： Amazon S3、Hadoop分布式文件系统 。
服务器 ：“云”是一个非常模糊的术语，我们可能对它所表示的内容并不很了解，但目前在计算资源的可用性方面已有了真正突破性的发展。以前我们都习惯于购买或长期租赁实体机器，而现在更常见的情况是直接租用正运行着虚拟实例的计算机来作为服务器。这样供应商可以以较为经济的价格为用户提供一些短期的灵活的机器租赁服务，这对于很多数据处理应用程序来说这是再理想不过的事情。因为有了能够快速启动的大型集群，这样使用非常小的预算处理非常大的数据问题就可能成为现实。“ 技术： Amazon EC2、Google App Engine、Amazon Elastic Beanstalk、Heroku 。
NoSQL：在IT行为中，NoSQL(实际上意味着“不只是SQL”)是一类广泛的数据库管理系统，它与关系型数据库管理系统(RDBMS)的传统模型有着一些显著不同，而最重要的是，它们并不使用SQL作为其主要的查询语言。这些数据存储可能并不需要固定的表格模式，通常不支持连接操作，也可能无法提供完整的ACID(原子性—Atomicity、一致性—Consistency、隔离性—Isolation、持久性—Durability)的保证，而且通常从水平方向扩展(即通过添加新的服务器以分摊工作量，而不是升级现有的服务器)。 技术： Apache Hadoop、Apache Casandra、MongoDB、Apache CouchDB、Redis、BigTable、HBase、Hypertable、Voldemort 。
处理 ：“从数据的海洋中获取你想要的简洁而有价值的信息是一件挑战性的事情，不过现在的数据系统已经有了长足的进步，这可以帮助你把数据集到转变成为清晰而有意义的内容。在数据处理的过程中你会遇上很多不同的障碍，你需要使用到的工具包括了快速统计分析系统以及一些支持性的助手程序。“ 技术： R、Yahoo! Pipes、Mechanical Turk、Solr/ Lucene、ElasticSearch、Datameer、Bigsheets、Tinkerpop 。 初创公司： Continuuity、Wibidata、Platfora 。
MapReduce ：“在传统的关系数据库的世界里，在信息被加载到存储器后，所有的数据处理工作才能开始，使用的是一门专用的基于高度结构化和优化过的数据结构的查询语言。这种方法由Google首创，并已被许多网络公司所采用，创建一个读取和写入任意文件格式的管道，中间的结果横跨多台计算机进行计算，以文件的形式在不同的阶段之间传送。“ 技术： Hadoop和Hive、Pig、Cascading、Cascalog、mrjob、Caffeine、S4、MapR、Acunu、Flume、Kafka、Azkaban、Oozie、Greenplum 。
自然语言处理 ：“自然语言处理(NLP)……重点是利用好凌乱的、由人类创造的文本并提取有意义的信息。” 技术： 自然语言工具包Natural Language Toolkit、Apache OpenNLP、Boilerpipe、OpenCalais。
机器学习：“机器学习系统根据数据作出自动化决策。系统利用训练的信息来处理后续的数据点，自动生成类似于推荐或分组的输出结果。当你想把一次性的数据分析转化成生产服务的行为，而且这些行为在没有监督的情况下也能根据新的数据执行类似的动作，这些系统就显得特别有用。亚马逊的产品推荐功能就是这其中最著名的一项技术应用。“ 技术： WEKA、Mahout、scikits.learn、SkyTree 。
可视化 ：“要把数据的含义表达出来，一个最好的方法是从数据中提取出重要的组成部分，然后以图形的方式呈现出来。这样就可以让大家快速探索其中的规律而不是仅仅笼统的展示原始数值，并以此简洁地向最终用户展示易于理解的结果。随着Web技术的发展，静态图像甚至交互式对象都可以用于数据可视化的工作中，展示和探索之间的界限已经模糊。“ 技术： GraphViz、Processing、Protovis、Google Fusion Tables、Tableau 。
大数据的挑战
最近举行的世界经济论坛也在讨论大数据，会议确定了一些大数据应用的机会，但在数据共用的道路上仍有两个主要的问题和障碍。
1.隐私和安全
正如Craig Ludloff在“隐私和大数据“的专题中所提到的，一个难以避免的危机正在形成，大数据将瓦解并冲击着我们生活的很多方面，这些方面包括私隐权、政府或国际法规、隐私权的安全性和商业化、市场营销和广告……试想一下欧盟的cookie法规，或是这样的一个简单情景，一个公司可以轻易地在社交网络上收集各种信息并建立完整的资料档案，这其中包括了人们详细的电子邮箱地址、姓名、地理位置、兴趣等等。这真是一件吓人的事情!
2.人力资本
麦肯锡全球研究所的报告显示 ，美国的数据人才的缺口非常大，还将需要140,000到190,000个有着“深度分析”专业技能的工作人员和1.500个精通数据的经理。寻找熟练的“网站分析”人力资源是一个挑战，另外，要培养自己的真正拥有分析技能的人员，需要学习的内容很多，这无疑是另一个大挑战。
大数据的价值创造
很多大数据的内容都提及了价值创造、竞争优势和生产率的提高。要利用大数据创造价值，主要有以下六种方式。
透明度 ：让利益相关人员都可以及时快速访问数据。实验 ：启用实验以发现需求，展示不同的变体并提升效果。随着越来越多的交易数据以数字形式存储，企业可以收集更准确、更详细的绩效数据。决策支持 ：使用自动化算法替换/支持人类决策，这可以改善决策，减少风险，并发掘被隐藏的但有价值的见解。创新 ：大数据有助于企业创造出新的产品和服务，或提升现有的产品和服务，发明新的商业模式或完善原来的商业模式。细分 ：更精细的种群细分，可以带来不同的自定义行为。
工业领域的增长 ：有了足够的和经过适当培训的人力资源，那些重要的成果才会成为现实并产生价值。
数据分析的机会领域
当“网站分析”发展到“数据智能“，毫无疑问，数据分析人员也工作也应该发生一些转变，过去的工作主要是以网站为中心并制定渠道的具体战术，而在将来则需要负责更具战略性的、面向业务和(大)数据专业知识的工作。
数据分析师的主要关注点不应该是较低层的基础设施和工具开发。以下几点是数据分析的机会领域：
处理：掌握正确的工具以便可以在不同条件下(不同的数据集、不同的业务环境等)进行高效的分析。目前网站分析专家们最常用的工具无疑是各类网站分析工具，大多数人并不熟悉商业智能和统计分析工具如Tableau、SAS、Cognos等的使用。拥有这些工具的专业技能将对数据分析人员的发展大有好处。
NLP：学习非结构化数据分析的专业技能，比如社交媒体、呼叫中心日志和邮件的数据多为非结构化数据。从数据处理的角度来看，在这个行业中我们的目标应该是确定和掌握一些最合适的分析方法和工具，无论是社会化媒体情感分析还是一些更复杂的平台。
可视化 ：掌握仪表板的展示技能，或者宽泛点来说，掌握数据可视化的技术是摆在数据分析师面前一个明显的机会(注：不要把数据可视化与现在网络营销中常用的“信息图”infographics相混淆)。
行动计划
在大数时代，其中一个最大的挑战将是满足需求和技术资源的供给。当前的“网站分析”的基础普遍并不足够成熟以支持真正的大数据的使用，填补技能差距，越来越多的“网站分析师”将成长为“数据分析师”。
请先给出明确答复：推荐选前端开发，web前端可以说前途不可限量！
解释原因：
现在的Web前端技术可以说是越来越成熟了，Web前端市场也非常的火爆，Web前端人才也是异常的紧缺。再者，由于互联网的崛起，Web前端技术的不断发展，也占据了互联网的一席之地。
那为什么说Web前端无可限量呢？国外著名的自媒体平台facebook，相信大家多多少少知道一点，也用过一点，它就是Web前端技术的产物，完全基于前端框架打造出来的平台。再者，大家常用的外卖平台饿了么，它旗下的部分产品就是基于Web前端技术的。像淘宝，百度，阿里等等，都已经将Web前端技术打入到了自己的产品中。
前端开发行业薪资水平呈上涨趋势，Web前端开发早已不是做带动画的下拉菜单的时代了，他们已成为互联网主宰者，各行业都用其开发互联网应用。但目前整互联网行业的Web前端开发工程师紧俏，企业正高薪求才，薪资待遇一涨再涨 ！
Web前端技术可以说是越来越成熟了，Web前端市场也非常的火爆，Web前端人才也是异常的紧缺。再者，Web前端行业也是无可限量。由于互联网的崛起，Web前端技术的不断发展，也占据了互联网的一席之地。
Web前端开发工程师已经成为发展中的职业香馍馍。几乎整个互联网行业都缺Web前端工程师，无论是刚起步的创业公司，还是上市公司乃至巨头，空缺一样存在。优秀的Web前端工程师简直比大熊猫还稀少。
有无解决办法：所以，还是很推荐你学习web前端的；如果真的想学习，可以了解一下北京尚学堂，我们是专门做编程培训的，拥有极其丰厚的师资力量，带给你不一样的学习体验。分享一下前端的知识框架，希望对你有所帮助：
什么才是大数据
大数据相关的技术和工具非常多，给企业提供了很多的选择。在未来，还会继续出现新的技术和工具，如Hadoop分发、下一代数据仓库等，这也是大数据领域的创新热点。但是什么才是大数据可能很多人会认为数据量大就是大数据，其实不然所谓大数据是结合数据的条数＋单个数据文件的大小综合衡量得出，而这其中则包括如何快速精准定位到单条数据和快速传输数据等多项相关技术。
那么我们企业到底该选用什么技术？才能保证我们的系统或者软件摆脱大数据的瓶颈呢？
可能大家都知道TDWI(数据仓库研究所)对现有的大部分技术和工具进行了调查，以现在及未来三年内企业接受度和增长率两个维度进行划分，这些技术和工具可分成四类。
从中分析得出企业最需要关注的是第1类中的技术和工具，它们最有可能成为最佳的实施工具，有很多人认为这代表了大数据技术的发展方向。我们认为这是一个误区。
对于我们真实使用及使用过程中，只有基于云的数据分析及分布式平台进行数据处理才能趋于完善。
很多企业越来越希望能将自己的各类应用程序及基础设施转移到云平台上。就像其他IT系统那样，大数据的分析工具和数据库也将走向云计算。云计算不单单是硬件的叠加，它必须结合分布式内核调用和内存计算，同时如果你想更快速的定位那就需要将算法迁入其中。
云计算能为大数据带来哪些变化呢?
首先云计算为大数据提供了可以弹性扩展、相对便宜的存储空间和计算资源（请记住这不单单说的是硬件的叠加，我们的要考虑的是软件层面的控制和管理，线程池／内存锁／域空间／层级都是必可少的考虑因素），使得中小企业也可以像亚马逊一样通过云计算来完成大数据分析。
其次，云计算IT资源庞大、分布较为广泛，是异构系统较多的企业及时准确处理数据的有力方式，甚至是唯一的方式。（此时的传输效率就会成为我们应该去考虑的问题，量子数据传输系统为我么提供了非常好的解决方案）
当然，大数据要走向云计算，还有赖于数据通信带宽的提高和云资源池的建设，需要确保原始数据能迁移到云环境以及资源池可以随需弹性扩展。
数据分析集逐步扩大，企业级数据仓库将成为主流如现有的NOSQL，内存性数据库等，更加便宜和迅速，成为企业业务经营的好助手，甚至可以改变许多行业的经营方式。
舆情早报网大数据的商业模式与架构
我们不得不承认云计算及其分布式结构是重要途径大数据处理技术正在改变目前计算机的运行模式，正在改变着这个世界：它能处理几乎各种类型的海量数据，无论是微博、文章、电子邮件、文档、音频、视频，还是其它形态的数据；它工作的速度非常快速：实际上几乎实时；它具有普及性：因为它所用的都是最普通低成本的硬件，而云计算它将计算任务分布在大量计算机构成的资源池上，使用户能够按需获取计算力、存储空间和信息服务。云计算及其技术给了人们廉价获取巨量计算和存储的能力，云计算分布式架构能够很好地支持大数据存储和处理需求。这样的低成本硬件+低成本软件+低成本运维，更加经济和实用，使得大数据处理和利用成为可能。但这只是从投入来说我们可以有更多的弹性。
大数据的存储和管理----云数据库的必然
很多人认为NoSQL就是云数据库，因为其处理数据的模式完全是分布于各种低成本服务器和存储磁盘，因此它可以帮助网页和各种交互性应用快速处理过程中的海量数据。
它采用分布式技术结合了一系列技术，可以对海量数据进行实时分析，满足了大数据环境下一部分业务需求。
但我说这是一个错误，至少不是完整的，不能或无法彻底解决大数据存储管理需求。不可否认云计算对关系型数据库的发展将产生巨大的影响，而绝大多数大型业务系统（如银行、证券交易等）、电子商务系统所使用的数据库还是基于关系型的数据库，随着云计算的大量应用，势必对这些系统的构建产生影响，进而影响整个业务系统及电子商务技术的发展和系统的运行模式。
而基于关系型数据库服务的云数据库产品将是云数据库的主要发展方向，云数据库（CiiDB），提供了海量数据的并行处理能力和良好的可伸缩性等特性，提供同时支持在在线分析处理（ CRD）和在线事务处理(CRD) 能力，提供了超强性能的数据库云服务，并成为集群环境和云计算环境的理想平台。它是一个高度可扩展、安全和可容错的软件系统，客户能通过整合降低IT成本，管理位于多个数据，提高所有应用程序的性能和实时性做出更好的业务决策服务。
我们认为CII分布式结构粒度数据结构数据仓库才是大数据处理的未来。它包含量子数据传输系统（有效解决数据传输的瓶颈）/高效压缩系统（压缩比例128:1）／云智能粒度层级分布式系统。
当人们从大数据分析中尝到甜头以后，数据分析集就会逐步扩大。目前大部分的企业所分析的数据量一般以TB为单位。按照目前数据的发展速度，很快将会进入PB时代。特别是目前在100-500TB和500+TB范围的分析数据集的数量会呈3倍或4倍增长。
随着数据分析集的扩大，以前部门层级的数据集市将不能满足大数据分析的需求，它们将成为企业级数据库(EDW)的一个子集。有一部分用户已经在使用企业级数据仓库，未来这一占比将会更高。传统分析数据库可以正常持续，但是会有一些变化，一方面，数据集市和操作性数据存储(ODS)的数量会减少，另一方面，传统的数据库厂商会提升它们产品的数据容量，细目数据和数据类型，以满足大数据分析的需要。
这就是我们所说的分布式结构粒度数据结构数据仓库，而如何做好大数据处理，舆情早报网已经做到了。
如何选择前端还是后端选择的最大依据是兴趣爱好，如果喜欢研究一些底层的东西，想着探究一些问题的本质，如果具备这种性格适合做后台的开发，后台的研发开始阶段相对来讲入门难点，因为需要掌握一些框架，随着时间的推移越做越有感觉。
前端一般入门比较快，因为一个网页效果很快就能展示出来，前端能做的人很多，能做好的人不多主要javascript这种脚本语言博大精深，想要掌握精通是一件非常难得事情，很多编程语言都有一种特性，越是入门容易的后面越难成为高手，越是看似入门非常难反而容易做的非常好。
所以如何选择还是根据自己的兴趣走，有了兴趣可能更加容易干的长久，毕竟兴趣是第一老师，现在很多程序员开始对于编程并不感兴趣，有的人做的时间长了慢慢积累成兴趣了，有的人做了很长时间还是咬牙顶着，不感兴趣想办法培养出兴趣来，有了兴趣至于从事前端还是后台都不是多大的事情，做了几年程序之后再想切换到别的岗位也不是多大的事情，编程的套路大同小异。
至于前端有哪些优势？
优势一：拥有超高性价比，轻松维护
开发成本也不高，使用起来十分的方便。响应式网站可以根据不同的设备自动进行内容的布局调整，只需拥有一个就可以兼容所有的终端设备，不用再像过去那样为不同的设备开发不同版本的网站或者手机APP，投入巨大不说，不同版本的多个网站管理起来也是十分复杂，人力和财力都投入巨大。有了响应式网站，管理变得十分简单，只需一次编辑，任何设备上都可以同时看到更新。
优势二：从前端开发效率、网页效果等方面来看，深受欢迎
而从前端开发效率、网页效果等方面来看，Amaze UI跻身成为国内领先水平，并深受国内广大中小站长的欢迎。与此同时，Amaze UI已经为计蒜客、蹭课助手等网站制作了风格酷炫，调性凸显的跨屏网站，并且登上了开源中国、SegmentFault 、CSDN、Gitcafe、前端乱炖等各大开发者社区头条。
优势三：拥有出色的、人性化的用户体验
响应式网站可以自动侦测设备屏幕的大小，对网站的内容和布局灵活调整，让网站在任何设备上都有令人惊艳的显示效果。一个可以自由在任何设备上轻松访问的网站毫无疑问比一个只能在特定设备上浏览的网站更能取悦客户，留住客户的心。
如今，“浏览器”这个概念在移动时代已经完全不同了。微信、百度App、微博都是"浏览器"，
优势四：受互联网发展趋势影响，前端未来发展无限
就未来互联网发展趋势来看，H5无疑前景无限，优势明显，无论是择业，跳行，还是继续深造都是不错的选择。换句话说，如果说掌握(或者某些简历里自称的精通) HTML+CSS+JavaScript，了解后端知识，只是 60 分的合格前端;那么要想成为受追捧、拿高薪的 80 分优秀前端，要对业务需求和、架构设计有真正的运用;而 100 分的顶级前端，则必须要能够兼顾技术和设计，更接近以前端开发为主的全栈工程师了。
好了，说了这么多关于前端的内容，接下来该谈谈如何学前端了？
零基础学前端的话，这些书籍资料可以参考一下：
1、《JavaScript高级程序设计(第3版) 红皮书 》，适合有一定编程经验的Web应用开发人员阅读，也可作为高校及社会实用技术培训相关专业课程的教材。
2、《JavaScript权威指南(第6版)》 犀牛书，本书不仅适合初学者系统学习，也适合有经验的 JavaScript 开发者随手翻阅。
3、《JavaScript DOM编程艺术 (第2版)》，本书在简洁明快地讲述JavaScript和DOM的基本知识之后，通过几个实例演示了专业水准的网页开发技术，透彻阐述了平稳退化等一批至关重要的 JavaScript编程原则和最佳实践，并全面探讨了HTML5以及jQuery等JavaScript库。
4、《CSS权威指南(第三版)》，不管你是一个有经验的Web开发人员还是一个彻底的初学者，《CSS权威指南(第3版)》都是你的CSS学习源泉。
5、《JavaScript设计模式》，适合JavaScript初学者、前端设计者、JavaScript程序员学习，也可以作为大专院校相关专业师生的学习用书，以及培训学校的教材。
6、《你不知道的JavaScript(上中下卷) 》，本书既适合JavaScript语言初学者了解其精髓，又适合经验丰富的JavaScript开发人员深入学习。
7、《Vue.js权威指南》，该书内容全面，讲解细致，示例丰富，适用于各层次的开发者。
学习路线：
第1阶段：前端页面重构(4周)
内容包含了：(PC端网站布局项目、HTML5+CSS3基础项目、WebApp页面布局项目)
第2阶段：JavaScript高级程序设计(5周)
内容包含：(原生JavaScript交互功能开发项目、面向对象进阶与ES5/ES6应用项目、JavaScript工具库自主研发项目)
第3阶段：PC端全栈项目开发(3周)
内容包含：(jQuery经典交互特效开发、HTTP协议、Ajax进阶与PHP/JAVA开发项目、前端工程化与模块化应用项目、PC端网站开发项目、PC端管理信息系统前端开发项目)
第4阶段：移动端项目开发(6周)
内容包含：(Touch端项目、微信场景项目、应用Angular+Ionic开发WebApp项目、应用Vue.js开发WebApp项目、应用React.js开发WebApp项目)
第5阶段：混合(Hybrid,ReactNative)开发(1周)
内容包含：(微信小程序开发、ReactNative、各类混合应用开发)
第6阶段：NodeJS全栈开发(1周)
内容包括：(WebApp后端系统开发、一、NodeJS基础与NodeJS核心模块二、Express三、noSQL数据库)
视频教程：
网页链接
