业务分析工程师培训内容

数据分析所需要学习掌握的知识：

对于初级数据分析师来说，则需要了解统计相关的基础性内容，公式计算，统计模型等。当你获得一份数据集时，需要先进行了解数据集的质量，进行描述统计。

而对于高级数据分析师，必须具备统计模型的能力，线性代数也要有一定的了解。

对于分析工具，SQL 是必须会的，还有要熟悉Excel数据透视表和公式的使用，另外，还要学会一个统计分析工具，SAS作为入门是比较好的，VBA 基本必备，SPSS/SAS/R 至少要熟练使用其中之一，其他分析工具（如 Matlab）可以视情况而定。

数据分析领域最热门的两大语言是 R 和 Python。涉及各类统计函数和工具的调用，R无疑有优势。但是大数据量的处理力不足，学习曲线比较陡峭。Python 适用性强，可以将分析的过程脚本化。所以，如果你想在这一领域有所发展，学习 Python 也是相当有必要的。

当然其他编程语言也是需要掌握的。要有独立把数据化为己用的能力, 这其中SQL 是最基本的，你必须会用 SQL 查询数据、会快速写程序分析数据。当然，编程技术不需要达到软件工程师的水平。要想更深入的分析问题你可能还会用到：Exploratory analysis skills、Optimization、Simulation、Machine Learning、Data Mining、Modeling 等。

对业务的理解是数据分析师工作的基础，数据的获取方案、指标的选取、还有最终结论的洞察，都依赖于数据分析师对业务本身的理解。

对于初级数据分析师，主要工作是提取数据和做一些简单图表，以及少量的洞察结论，拥有对业务的基本了解就可以。对于高级数据分析师，需要对业务有较为深入的了解，能够基于数据，提炼出有效观点，对实际业务能有所帮助。对于数据挖掘工程师，对业务有基本了解就可以，重点还是需要放在发挥自己的技术能力上。

对于初级数据分析师，逻辑思维主要体现在数据分析过程中每一步都有目的性，知道自己需要用什么样的手段，达到什么样的目标。对于高级数据分析师，逻辑思维主要体现在搭建完整有效的分析框架，了解分析对象之间的关联关系，清楚每一个指标变化的前因后果，会给业务带来的影响。对于数据挖掘工程师，罗辑思维除了体现在和业务相关的分析工作上，还包括算法逻辑，程序逻辑等，所以对逻辑思维的要求也是最高的。

数据可视化主要借助于图形化手段，清晰有效地传达与沟通信息。听起来很高大上，其实包括的范围很广，做个 PPT 里边放上数据图表也可以算是数据可视化。

对于初级数据分析师，能用 Excel 和 PPT 做出基本的图表和报告，能清楚地展示数据，就达到目标了。对于稍高级的数据分析师，需要使用更有效的数据分析工具，根据实际需求做出或简单或复杂，但适合受众观看的数据可视化内容。

数据分析师不仅需要具备破译数据的能力，也经常被要求向项目经理和部门主管提供有关某些数据点的建议，所以，你需要有较强的交流能力。

对于高级数据分析师，需要开始独立带项目，或者和产品做一些合作，因此除了沟通能力以外，还需要一些项目协调能力。

1、了解简单情况经过实时拜访趋势了解供货商及时交货状况。如产品类型，供货商区域(交通因子)，收购额，收购额对供货商占比。2、对目标进行多维分析依据分析需要，从多维度对目标进行分化。例如产品收购金额、供货商规划(需量化)、产品杂乱程度等等维度。3、形成转化漏斗依照已知的转化路径，借助漏斗模型分析总体和每一步的转化状况。常见的转化情境有不同供货商及时交货率趋势等。4、对用户进行分群在精细化分析中，常常需要对有某个特定行为的供货商群组进行分析和比对;数据分析需要将多维度和多目标作为分群条件，有针对性地优化供应链，提升供应链稳定性。5、细查交互路径数据分析能够观察供货商的行为轨道，探究供货商与本公司的交互过程;进而从中发现问题、激发创意亦或验证假定。6、进行留存分析留存分析是探究用户行为与回访之间的相关。一般咱们讲的留存率，是指“新新供货商”在一段时间内“重复行为”的比例。经过分析不同供货商群组的留存差异、运用过不同功用供货商的留存差异来找到供应链的优化点。

1、首先必须一定要具备的就是认真、负责、严谨、耐心的态度，因为软件测试工程师吃的就是这口饭，所以必须对你所测试的产品负责。宁可错杀一千，也不可放过一个，虽然不能做到完全没有Bug，但一定要尽自己最大的努力保证产品质量。2、要有过硬的技术本领，技术是为测试服务的，无论是测试理论、测试工具、开发知识、数据库、操作系统、网络知识、你都必须精通一门，知晓其它。当然这个做到比较难，什么都会很难，再者多了之后就不会精，什么都会也等于什么都不会，至于最后你选择深度还是广度，都由你自己把控。3、光有技术，没有业务，再好的技术也很难使上劲，熟练的业务知识会帮助你发现更多的缺陷，进而更好的保证好产品的质量。不懂产品的工程师不是好工程师。测试工程师需要训练自己的用户思维、用户视角，把自己当作真正的用户去感受产品。同时你还可以收集产品数据来做分析，通过数据再量化产品。甚至你还要去研究竞品的相关情况，知己知彼方能百战不殆。4、沟通能力超级重要。一个优秀的软件测试人员除了经常要与开发打交道外，还需要与产品、运维、售前、售后、客服等不同的人打交道。所以如何更准确、更简洁、更严谨的描述Bug，如何让开发人员接受你发现的Bug，如何让其他人员理解你的想法等都需要沟通，所以良好的沟通能力显的尤为重要。5、缜密的逻辑思维能力。测试人员不仅仅只是发现问题，找出Bug。更重要的是要去寻找Bug产生的真正原因，精准的找到问题发生的源头，以便协助开发人员更好更快的彻底解决Bug。这个比较考验你思维的灵敏度和推理能能力。其实测试人员和刑侦有一些点类似，除了要求有缜密的逻辑思维能力，有时候还需要具备逆向反推能力。6、测试虽然不像开发那样创造产品，但测试需要保证产品各方面的质量，让用户使用产品时觉得舒服、方便，所以大多数测试工程师都需要有一颗追求完美的心。未来软件测试将从繁复的手工操作中解放出来，在敏捷开发的基础上，一个测试能够做好的真正价将不在是测试执行，而在于测试分析和设计，比如自动化测试工具的使用，uiautomatorviewer、TestBird等，将手工操作逐渐淘汰，提高测试效率，这才是测试行业未来发展的趋势和净化的方向。

大数据开发程序员根据不同具体岗位，需要掌握以下技能,参考下

首先我们要了解Java语言和Linux操作系统，这两个是学习大数据的基础，学习的顺序不分前后。

Java ：只要了解一些基础即可，做大数据不需要很深的Java 技术，学java SE 就相当于有学习大数据基础。

Linux：因为大数据相关软件都是在Linux上运行的，所以Linux要学习的扎实一些，学好Linux对你快速掌握大数据相关技术会有很大的帮助，能让你更好的理解hadoop、hive、hbase、spark等大数据软件的运行环境和网络环境配置，能少踩很多坑，学会shell就能看懂脚本这样能更容易理解和配置大数据集群。还能让你对以后新出的大数据技术学习起来更快。

Hadoop：这是现在流行的大数据处理平台几乎已经成为大数据的代名词，所以这个是必学的。Hadoop里面包括几个组件HDFS、MapReduce和YARN，HDFS是存储数据的地方就像我们电脑的硬盘一样文件都存储在这个上面，MapReduce是对数据进行处理计算的，它有个特点就是不管多大的数据只要给它时间它就能把数据跑完，但是时间可能不是很快所以它叫数据的批处理。

Zookeeper：这是个万金油，安装Hadoop的HA的时候就会用到它，以后的Hbase也会用到它。它一般用来存放一些相互协作的信息，这些信息比较小一般不会超过1M，都是使用它的软件对它有依赖，对于我们个人来讲只需要把它安装正确，让它正常的run起来就可以了。

Mysql：我们学习完大数据的处理了，接下来学习学习小数据的处理工具mysql数据库，因为一会装hive的时候要用到，mysql需要掌握到什么层度那?你能在Linux上把它安装好，运行起来，会配置简单的权限，修改root的密码，创建数据库。这里主要的是学习SQL的语法，因为hive的语法和这个非常相似。

Sqoop：这个是用于把Mysql里的数据导入到Hadoop里的。当然你也可以不用这个，直接把Mysql数据表导出成文件再放到HDFS上也是一样的，当然生产环境中使用要注意Mysql的压力。

Hive：这个东西对于会SQL语法的来说就是神器，它能让你处理大数据变的很简单，不会再费劲的编写MapReduce程序。有的人说Pig那?它和Pig差不多掌握一个就可以了。

Oozie：既然学会Hive了，我相信你一定需要这个东西，它可以帮你管理你的Hive或者MapReduce、Spark脚本，还能检查你的程序是否执行正确，出错了给你发报警并能帮你重试程序，最重要的是还能帮你配置任务的依赖关系。我相信你一定会喜欢上它的，不然你看着那一大堆脚本，和密密麻麻的crond是不是有种想屎的感觉。

Hbase：这是Hadoop生态体系中的NOSQL数据库，他的数据是按照key和value的形式存储的并且key是唯一的，所以它能用来做数据的排重，它与MYSQL相比能存储的数据量大很多。所以他常被用于大数据处理完成之后的存储目的地。

Kafka：这是个比较好用的队列工具，队列是干吗的?排队买票你知道不?数据多了同样也需要排队处理，这样与你协作的其它同学不会叫起来，你干吗给我这么多的数据(比如好几百G的文件)我怎么处理得过来，你别怪他因为他不是搞大数据的，你可以跟他讲我把数据放在队列里你使用的时候一个个拿，这样他就不在抱怨了马上灰流流的去优化他的程序去了，因为处理不过来就是他的事情。而不是你给的问题。当然我们也可以利用这个工具来做线上实时数据的入库或入HDFS，这时你可以与一个叫Flume的工具配合使用，它是专门用来提供对数据进行简单处理，并写到各种数据接受方(比如Kafka)的。

Spark：它是用来弥补基于MapReduce处理数据速度上的缺点，它的特点是把数据装载到内存中计算而不是去读慢的要死进化还特别慢的硬盘。特别适合做迭代运算，所以算法流们特别稀饭它。它是用scala编写的。Java语言或者Scala都可以操作它，因为它们都是用JVM的。