2016年數據分析師頂尖職位必備的9項技能

對于數據分析師人們來說，2016年在數據行業中想獲得一席之地必須掌握9大技能。

 大數據，利用大數據分析工具和技術來取得競爭優勢已不再是秘密。2016年, 如果你還在職場上尋找大數據的相關工作，那么這里介紹的9種技能，將幫助你得到一個工作機會。

Hadoop現在已經進入第二個10年發展期了, 但Hadoop在2014年出現了井噴式發展, 由于Hadoop從測試集群向生產和軟件供應商方向不斷轉移, 其越來越接近于分布式存儲和處理機架構, 因此, 這一勢頭在2016年會更加猛烈。由于大數據平臺的強大, Hadoop可能是一個需要熟悉的技術人員，對于掌握Hadoop最核心技術 的技術人員在職場上的需求將越來越大。

如果說Hadoop在大數據中廣為人知, 那么Spark就是一匹黑馬, 快速崛起的內存計算技術被認為是MapReduce風格分析框架更快和更簡潔的替代方案。Spark最佳的定位應當是大數據技術族中重要的一個成員。Spark仍然需要專業技術進行編程和運行。

大數據的操作層面, 如MongoDB和Couchbase等分布式、可擴展的NoSQL數據庫正在接管市場份額極為龐大的的SQL數據庫，例如Oracle和IBM DB2。在WEB和移動app層面, NoSQL數據庫常常被做為Hadoop分析的數據源。

對收集的數據進行挖掘，當今大數據的世界已經達到了一個全新的高度。機器學習成為去年大數據技術最熱門的領域之一, 2016年順理成章地成為它的突破之年。大數據將會使那些能夠利用機器學習技術去構建和訓練像分類、推薦和個性化系統等預測分析應用程序的人成為職場寵兒。

如果有定量推理背景和數學或統計學等方面的學位,再加上一些使用統計工具經驗,例如R, SAS, Matlab, SPSS或Stata, 過去許多量化工程師都會選擇在華爾街工作, 但由于大數據的快速發展, 現在各行各樣都需要大量的具有定量分析背景的極客。

以數據為中心的語言已有超過40年的歷史了, 但是這種祖父級的語言在當前的大數據時代仍然具有生命力。盡管它難以應對大數據的挑戰, 但簡化了的結構化語言使其在許多方面變得十分容易。

大數據可能不是那么容易理解, 但在某些情況下, 通過鮮活的數據吸引眼球仍然是不可替代的方法。你可以一直采用多元或邏輯回歸分析方法解析數據, 有時候使用類似Tableau或Qlikview可視化工具探索數據樣本能夠直觀的告訴你所擁有的數據的形態, 甚至是發現那些能夠改變你處理數據方法的一些隱蔽細節。

在類似Java, C, Python或Scala等通用語言中擁有編程應用經驗能夠使你相對于那些局限于分析技術的人更具有優勢。具有傳統應用程序開發和新興數據分析能力的人能夠自由的在終端用戶企業和大數據創業公司之間進行流動。

無論在高級分析工具和技術方面優勢,自主思考能力仍然是無可替代。大數據處理工具會不可避免的進行演化發展,新技術會不斷涌現并替代這里所列出的技術。