1.人人都可以转行数据分析么？
我学的专业是电路与系统，就是设计电路的，一直学到硕士（只要喜欢，转行永远不迟）。
毕业后我去了一家世界500强企业，从事的是搭建手机通信芯片里面一个小电路的工作。干了一年半，在转行的念头中挣扎了半年，然后裸辞回家，思考人生。
待业家中7个月，期间干了很多事儿，也想清楚了很多事儿，便一头扎进大数据行业，用了一年从excel都用不太溜的小白成长为现在的数据分析主管(偏数据挖掘)。
转行穷三年，一点都没错，如果用薪资概括我的转行历程，就是这样的
转行前月入五位数 --> 转行初期五位数的第一位直接抹掉 --> 现在薪资是转行初期*400%
这就是我的转行经历，说来三言两语，但其中坎坷只有自己知道。
另外，有很多朋友问我：现在转行是不是太迟了？转行大数据行业是不是太难了？
这些朋友中有前同事，有之前一起学习的战友，也有刚毕业的大学生。我想，读到这篇文章的你或多或少也会有这样的疑问和担忧。
所以，我特别想分享两个观点：
1）只要喜欢，转行永远不迟
生命那么长，怎么会因为做了几年某个方向的工作，就把自己的标签贴牢了呢？就我个人经历而言，我花了7年学习电路专业知识，花了1.5年从事电路设计工作，到头来还是扎进了另一个毫不相干的行业。
2）别被高大上的名词唬住，大数据的逼格没有你想象的那么高
即使是偏技术的数据挖掘端，我们平时大多数时间也是在清洗数据，而不是你想象的在鼓捣AI(人工智能)。
就我个人经历而言，转行之前我的知识全在硬件方面，软件一窍不通(excel都用不咋溜)，但只要你愿意在别人打游戏追剧逛街的时候，默默学习相关知识，你也可以攻下“大数据”。
2.数据分析行业升级路线是怎样的？
现在进入数据分析行业两年了，平时会面试一些同学，我发现一个共性：
大部分应届生，或者转行的同学，对于数据分析行业的理解有较大偏误（或者干脆没想过……）
所以我单独提一章出来，从一个从业者的角度说说对数据分析行业的理解，希望能让“数据分析行业”在你脑海中有一个清晰的地图，也希望能够帮助陷入转行挣扎的你看清方向。
数据分析行业是大数据行业的儿子，它的兄弟姐妹包括：数据采集、数据工程、数据产品等。简单来说，他们之间是这样协作的：
数据采集端主要负责采集相关的数据，这些数据既可以来自埋点，也可以来自爬虫。采集量的话，比如我所在公司主攻电商大数据，就京东平台而言，月产品抽样采集量一般在三千万左右。
数据工程端简单来说主要负责结构化存储海量数据，使得采集到的数据以及历史数据以最优化的方式被存储以及调用，涉及到的知识点在于数据库方面，从最基础的SQL到Hadoop集群、分布式存储、NoSQL等。
数据分析端主要负责将待挖掘的数据清洗、挖掘、分析，给出数据背后的洞察和建议，此方向又可细分为偏业务的数据分析和偏技术的数据挖掘，后面我们细讲。
数据产品端也可以理解为懂数据分析的产品经理，此方面我涉猎不多，就不多做评价啦。
下面重点讲一讲数据分析端。
数据分析较为新兴，因此其岗位职责划分也是各家有各家的说法，不过总体可以概括为以下两个方向：
1. 偏业务的数据分析方向 2. 偏技术的数据挖掘方向
我们分别说一说上面这个图里的职位。
偏业务方向的数据分析：
1）数据分析师（偏分析），此方向更看重逻辑思维，比如你思考框架的完整性、思维的灵活性。相比于比较传统的商业分析师、行业分析师，除了对业务的深入理解之外，你需要有对数据有更敏锐的嗅觉。此方向是大多数人转行大数据行业的起点，你需要熟练office软件、excel等，薪资在大数据行业中处于中下水平。
2）数据分析师（偏数据），此方向更看重数据处理基础，比如从数据库中按需求取数、按需求统计数据等，相比偏分析的数据分析师，你需要更加熟练excel、sql等。当然，对业务的理解也非常重要，因为有时候你从数据出发的建议对分析端会有巨大帮助。此方向是从数据分析师向数据挖掘等技术岗升级的路线之一，你需要熟练sql、excel等，薪资相对偏分析的数据分析师有一定提升，但天花板不够高。
偏技术方向的数据分析：
1）数据挖掘工程师，此方向更看重数据技术，比如统计学基础、数据库操作(SQL等)编程基础(python等)、机器学习基础(分类模型等)，同时你还需要对业务有一定程度的理解（要不怎么挖掘数据呢？）。
数据挖掘工程师的主要工作是利用已有的算法模型，对业务数据进行清洗、建模、分析（用轮子） 此方向薪资远大于数据分析师，天花板也较高，不过升级有一定难度。
2）算法工程师，此方向更看重理论基础，比如机器学习算法原理、相关数学原理等。算法工程师的主要工作一般是研究算法、为公司的相关业务需求优化算法(造轮子、修轮子、优化轮子)。
此方向薪资非常高，天花板也高，不过一是升级难度大，二是市场需求没有数据挖掘等方向大，一般是大型大数据公司才会需要这个岗位，比如BAT（中小公司由于成本问题，一般用轮子就好，最多稍稍优化一下已有的轮子）
这就是目前数据分析行业的升级地图，希望能够帮助迷茫的你看清数据分析行业的样子，更快找到适合自己的发展方向，少走弯路。
p.s. 以上技能要求我给的是最低要求，实际你应该掌握包括但不限于我给出的技能要求
3.学习路线、方法和资料有哪些？
相信我，只要你愿意在别人打游戏追剧逛街的时候，默默学习，你也可以攻下“大数据”，我的这条路是普适的，你也可以。
之前零基础转行数据分析，虽然买了很多课程、看了很多回答，我还是走了很多弯路，回想起来，如果有人能在那时给我一条清晰的升级路线和学习方向，我至少可以节省6个月的学习时间，所以当我有能力为后来者点明方向时，我会尽我所能为后来者理清学习方向。
下面是我的学习路线，为避免你看糊涂，我把我走的弯路去掉了，只留下从0到1这条直直的学习路线，如果你想转行数据分析，多看几遍，以后你会来感谢我的。
1.基础篇(适用于初级数据分析师)
1）excel
关键知识点：excel基本函数(sumif,countif,left,rand等)、lookup(vlookup/hlookup)，数据透视表
学习时长：一周（一天4小时算）
学习资源：个人不建议一来就搞一本厚厚的大部头，根据我说的关键知识点，自行搜索用法+练习即可
2） sql
关键知识点：增删改查，特别是条件查询(where, group by, order by等)
学习时长：一周半(一天4小时算)
3）python
关键知识点：numpy，pandas，matplotib，seaborn包的熟练使用
注意，python可以干的事儿太多了，从web开发到算法模型，瞄准你的目标-数据分析，专注学我说的这几个包就可以了
学习时长：6周（一天4小时算）
学习资源：《利用python进行数据分析》，主讲numpy和pandas用法，浏览一遍，用作工具书
4）统计学
关键知识点：概率论、假设检验、分布(泊松、二项、正态等)、统计抽样等
学习时长：3周（一天4小时）
学习资源：《深入浅出统计学》比较适合小白入门，书很厚，别怕，都是图
2.进阶篇（适用于中级数据分析师、数据挖掘工程师）
1）数学知识
关键知识点：线性代数：线性代数：矩阵运算，矩阵特征(秩、迹、特征值特征矩阵、相似矩阵、正定矩阵、逆矩阵、非奇异、行列式)、线性相关，向量空间，向量范数，矩阵范数，最小二乘法，最大似然估计
微分：极限，导数，偏导数，泰勒展开，梯度下降法，牛顿法
凸优化：基本概念(凸集合，凸函数，上境图，凸组合，凸包)，凸优化(拉格朗日对偶性，对偶问题，KKT条件，拉格朗日乘数法)
学习时长：4周（一天4小时算，最好学过高等数学）
2）数据挖掘算法
关键知识点：分类、回归、聚类、关联规则挖掘、降维等
学习时长：4周先把分类回归理论和代码搞定，剩下4周搞定后面的，理论理解更重要
学习资源：
《统计学习方法》经典，主讲分类算法，偏理论推导
《机器学习实战》过瘾，对着《统计学习方法》来一套，保证你对理论明明白白
《机器学习》周志华老师的，也是经典
3）神经网络
暂略
4.最后说几个学习过程中的大坑。
想把所有板块的知识学完再学下一个：错！举个例子，python可以做的事情太多了，你要把python学完再进行下一步么？怎么办？学我说的关键知识点就够了。
先学技术，在搞分析：错！分析比技术门槛低得多，如果你想转行数据分析，建议从偏分析的数据分析师入手，比如自己写个分析报告作为敲门砖，技术可以在工作后利用下班时间学习。剩下的坑待补充。
相信我，只要你愿意在别人打游戏追剧逛街的时候，默默学习，你也可以攻下“大数据”。